検索拡張生成（RAG）に対するBoxのアプローチ

検索拡張生成（RAG）は、AIモデルが最も正確な回答を生成できるよう、外部ソースから関連情報を与える手法です。RAGを利用することで、AIモデルは学習時に組み込まれたナレッジだけに頼るのではなく、最新かつ独自性があり、検証可能な情報を活用できます。

本ガイドでは、RAGが解決する企業の課題、本番環境向けRAGシステムの構成要素、マルチホップ、エージェンティック、マルチモーダル、構造化データRAGといった高度なアーキテクチャについて解説します。また、RAGと検索およびファインチューニングとの違いや、ガバナンスの効いたエンタープライズコンテンツプラットフォームが、根拠に基づくAIアプリケーションをどのように支援できるかも明らかにします。

RAGに関する主なポイント

RAGにより、AIシステムは独自のコンテンツ、最新情報、引用や監査の裏付けとなる情報源にアクセスできる
RAGは、取得した根拠に基づいて回答を生成することでハルシネーションを減らせる。ただし、検索品質、コンテンツ品質、権限、プロンプト設計は、引き続き信頼性に影響する
RAGとファインチューニングは相互補完的です。ファインチューニングはAIモデルが情報を処理する方法を変え、RAGはAIモデルがアクセスできる情報を変える
高度なRAGアーキテクチャでは、複数ステップにわたる検索、回答案の検証、ツール利用の計画、複数のコンテンツ形式の処理、構造化データベースやAPIへの問い合わせができる

検索拡張生成（RAG）とは？

RAGは、生成モデルが学習時に記憶した範囲を超えるナレッジにアクセスできるようにします。その中心となるのが、次の2種類のメモリの区別です。

パラメトリックメモリ（Parametric Memory）: 学習時にAIモデルのパラメータ、すなわち重みに組み込まれた情報
ノンパラメトリックメモリ（Non-Parametric Memory）: AIモデルの外部に保存され、必要なときに取得される情報

単体の言語モデルは、主にその重みに表現されたパターンと、プロンプトで直接与えられた情報から回答を生成します。一方、RAGシステムはまず外部ソースを検索して関連情報を選択し、その情報をAIモデルのコンテキストに挿入してから回答を生成します。

RAGを備えたシステムは、あらゆることを事前に知っておく必要がなく、関連情報をその都度調べられます。記憶されたナレッジだけに依存する状態から、検索可能なナレッジへ移行することは、事実、ポリシー、製品、規制が頻繁に変化する企業にとって、特に大きな価値があります。

エンタープライズAIにRAGが重要な理由

RAGによって、ナレッジワーカーは、AIモデルにナレッジベース全体を記憶させることなく、企業情報について質問できるようになります。クエリ実行時に関連情報を提示し、複数の情報源を統合し、回答とその生成に使用したドキュメントを結び付けることができます。

従来の検索では通常、利用者が確認するためのドキュメントを順位付けして一覧表示します。一方、RAGでは、取得した情報を生成モデルに渡し、AIモデルがその情報を横断して推論、統合し、一貫性のある回答を生成します。

RAGは単なる検索手法ではありません。セマンティック検索と生成を組み合わせることで、従来の検索エンジンにも単体の言語モデルにもなかった機能を提供します。

企業のナレッジは、次のような場所に分散しています。

契約書
ポリシー
Wiki
サポートチケット
ソースコード
コラボレーションのスレッド
スプレッドシート
画像
その他のシステム

一般公開されている言語モデルは、通常、このような非公開情報では学習されておらず、学習時に得た情報も不完全または古くなっている可能性があります。効果的なRAGの実装では、検索品質に加えて、アクセス制御、コンテンツガバナンス、保持ポリシー、出典の明示、監査可能なワークフローを組み合わせます。

RAGは業務効率も改善できます。クエリのたびにリポジトリ全体をAIモデルのコンテキストウィンドウに入れるのではなく、関連性の高い一部のパッセージだけを取得します。これにより不要な処理が減り、AIモデルに与える情報のシグナルが向上します。

検索拡張生成（RAG）の中核となる概念

RAGワークフローの仕組み

RAGは「検索してから生成する」と要約されることが多いものの、完全なワークフローには複数の段階があります。

承認されたソースから企業コンテンツを取り込む
ドキュメントを解析し、利用可能なチャンクに分割する
チャンクを検索可能な表現に変換し、インデックスを作成する
ユーザーが質問または依頼を送信する
システムがクエリを解釈し、該当する可能性の高い情報を取得する
必要に応じて、リランカーが関連性に基づいて結果の順序を並べ替える
選択したコンテンツをAIモデルのプロンプトに組み込む
AIモデルがそのコンテンツを根拠として回答を生成する
システムが回答を検証し、引用を付け、ビジネスフォーマットを適用する
品質シグナルを検索プロセスにフィードバックし、今後の改善に役立てる

すべての段階が最終回答に影響します。高性能な言語モデルであっても、ソースコンテンツが欠けている、古い、アクセスできない、適切に検索されないといった問題を完全に補うことはできません。

RAGで企業独自のデータを利用する

企業には、契約書、Wiki、サポートチケット、ソースコード、コラボレーションのスレッドなど、一般公開モデルが見たことのない社内情報が大量にあります。RAGはこうした非公開のナレッジを生成モデルに接続します。ドキュメントが変わるたびにAIモデルを再学習させる必要はありません。基盤となるリポジトリやインデックスを更新すれば、その後のクエリで、より新しく正確な情報を取得できます。

RAGがナレッジのカットオフを超えた最新情報を提供する仕組み

すべての言語モデルには、学習に利用できた情報に基づくナレッジのカットオフがあります。このため、変化する規制、リアルタイムの価格、製品アップデートなど、時間の影響を受ける事実を扱う際に課題が生じます。

RAGは、学習時点の情報だけに依存するのではなく、クエリ実行時に利用可能な情報を取得することで、この制約に対応します。ただし、生成される回答は、接続先ソースの鮮度と品質に左右されます。

RAGがグラウンディングによってハルシネーションを減らす仕組み

ハルシネーションとは、もっともらしく聞こえるものの、裏付けがない、または誤っているAI生成の記述です。顧客対応、金融業、法務、コンプライアンス上の配慮が必要な業務では、こうした誤りが財務面や評判上のリスクにつながる可能性があります。

RAGは、回答の根拠となる関連ソースをAIモデルに与えることで、このリスクを減らします。ただし、RAGが正確性を保証するわけではありません。関連性の低い検索結果、矛盾するドキュメント、不十分な指示、品質の低いソースデータによって、誤った回答が生成される可能性は残ります。

RAGにおける出典、引用、監査可能性

規制対象または重要度の高いワークフローでは、多くの場合、回答の裏付けとなる根拠をユーザーが確認できる必要があります。RAGシステムは、取得したパッセージとソースドキュメントのリンクを保持し、画面上に引用や参照情報を表示できます。

このトレーサビリティにより、ユーザーは回答を検証でき、レビューや監査のプロセスも支援されます。引用の品質は、取り込み、検索、生成の全工程を通じてソースのメタデータを維持できるかどうかに左右されます。

RAGがコストとコンテキストの効率を改善する理由

大きなコンテキストウィンドウを備えたAIモデルは、1回のリクエストでより多くの情報を処理できます。しかし、企業のすべてのコンテンツをAIモデルに送る方法は、一般にコストが高く非効率です。RAGは、その質問に最も関連する情報を選択的に取得します。

1,000万トークンのコンテキストウィンドウでさえ、文章にして約7,500ページに相当しますが、数百万件のドキュメントを含むこともある企業のナレッジベースと比べれば小規模です。これは、BoxのCTOであるベン・クス（Ben Kus）がAI Explainerの最近のエピソードで説明した「コンテキストの腐敗（Context Rot）」と密接に関連しています。ベンは、AIに与える情報を増やしてコンテキストウィンドウを埋めるほど、情報過多によって不正確な回答を返す可能性が高まり、時間の経過とともに詳細を増やすほど注意が分散して特定の情報を見失いやすくなる、と説明しています。

また、AIモデルでは「コンテキストクリフ（Context Cliff）」が発生することもあります。これは、コンテキストウィンドウが一杯になる前であっても、与えるコンテキストが増えるにつれて検索や推論の品質が低下する現象です。

RAG向けにドキュメントを取り込み、処理する方法

コンテンツを検索できるようにするには、まずPDF、スプレッドシート、HTMLページ、画像、その他の企業ファイルなどのソースドキュメントを取り込み、処理する必要があります。通常の処理には、コンテンツの抽出、正規化、メタデータの保持、チャンクへの分割が含まれます。

チャンク分割にはバランスが必要です。

チャンクが小さすぎると、前後の意味が失われる可能性がある
チャンクが大きすぎると、無関係な情報が含まれ、検索精度が低下する可能性がある
階層的なチャンク分割により、セクション、ページ、ドキュメント全体の関係を維持できる
表、コードブロック、フォーム、画像には、専用の処理機能が必要になる場合がある

ドキュメントのタイトル、所有者、日付、コンテンツタイプ、分類、アクセス権限などのメタデータは、検索とガバナンスの両方を改善できます。

RAGにおける埋め込みとベクトルデータベース

埋め込みとは、コンテンツの意味を捉える数値表現です。ドキュメントやチャンクは埋め込みに変換され、高速な類似検索をサポートするシステムに保存されます。

ユーザーが質問すると、そのクエリも埋め込みに変換されます。システムはクエリの表現とインデックス化されたコンテンツを比較し、意味的に関連する結果を特定します。

埋め込みモデルは検索性能に影響します。専門的な企業用途では、一般的なモデルよりもドメイン特化型モデルの方が高い性能を発揮する傾向があります。一方、ベクトルストアでは、検索速度、ストレージコスト、更新頻度、拡張性のバランスを取る必要があります。

RAGがクエリを検索、解釈する仕組み

基本的なセマンティック検索では、ユーザーの質問と類似する埋め込みを持つコンテンツを探します。より高度なシステムでは、意味的な類似性と従来のキーワード検索を組み合わせたハイブリッド検索を利用します。

ハイブリッド検索では、概念的な関係と用語の完全一致の両方を捉えられます。製品名、契約条項、識別子、専門用語、略語など、正確な一致が必要となるクエリに有効です。

検索システムは、次の方法でもクエリを改善できます。

曖昧な質問を書き換える
関連語を追加してクエリを拡張する
重要なエンティティを抽出する
ユーザーの意図を特定する
メタデータや権限のフィルターを適用する
複雑な質問を小さな検索に分解する

検索の関連性を高める結果のリランキング

最初の検索では、通常、幅広い候補が得られます。リランキングでは、多くの場合、クロスアテンションモデルを用いた、より計算量の多い分析を適用し、各候補とクエリの関連性をより正確に評価します。その後、上位のパッセージが言語モデルに渡されます。効果的なリランキングにより、有用な根拠が関連性の低い情報に埋もれることを防げます。

コンテキストを統合し、RAGプロンプトを構築する方法

取得したコンテンツは、AIモデルが利用できるプロンプトに組み込む必要があります。AIモデルが何を根拠として扱い、何を指示として扱うべきかを理解できるよう、プロンプトではソース情報、システム指示、ユーザーインプットを区別する必要があります。

コンテキストの統合では、次の項目も定義できます。

情報が不足している場合にAIモデルがどう対応するか
取得したソースだけに基づいて回答すべきか
引用をどのような形式にするか
矛盾するソースをどう扱うか
ビジネスで必要とするアウトプット構造

AIモデルはコンテキスト内の位置によって一部の情報を重視することがあるため、情報の配置も重要です。

根拠に基づく回答の生成と検証

言語モデルは、学習済みの能力と取得した情報の両方を利用して回答を生成します。その後、後処理レイヤがソースと照合して主張を検証し、引用を挿入し、テンプレートを適用し、業務ワークフローに合わせて回答を整形する場合があります。

より成熟した実装では、生成品質を測定し、その結果を検索にフィードバックします。これにより、弱いクエリ、不足しているソース、不適切なチャンク、効果の低いランキングを人間が特定できる改善ループが生まれます。

マルチホップRAGが複数ソースの情報を結び付ける仕組み

マルチホップRAGは、複数のソースや検索ステップから情報を得る必要がある質問に対応します。最初の検索結果を次の検索に活用します。

たとえば、「当社の新たなサステナビリティ施策を発表したCEOは、どの大学を卒業したか？」という質問に答える場合、まず施策を検索してCEOを特定します。次に、その人物の学歴が記載された別のドキュメントを取得します。

回答を評価、改善する自己反省型RAG

自己反省型RAG（Self-Reflective RAG）は、回答案をユーザーに提示する前に評価します。根拠の不足、カバー範囲の弱さ、信頼度の低さをシステムが検出すると、特定した不足部分に焦点を当てて検索を再実行できます。このフィードバックの仕組みにより、回答がユーザーに届く前に見落としを検出できます。その効果は、システムが自身の根拠とアウトプットをどの程度確実に評価できるかに左右されます。

エージェンティックRAGが検索とツール利用を計画する仕組み

エージェンティックRAGでは、システムが実行する一連のアクションを、より主体的に制御できます。

「AIエージェントにすべてのタスクと手順を事前に細かく指定する代わりに、探しているものと利用可能なツール、さらには作業を実行するサブエージェントを与えるだけで、AIエージェントが自ら処理を進め、目的を達成できます」と、ベンは説明します。

固定された1つの検索・生成ワークフローに従うのではなく、システムが検索対象を決定し、クエリを書き換え、結果を評価し、必要に応じて追加のツールを利用できます。

エージェンティックシステムは、取得した情報に基づいて計画を調整します。この柔軟性は複雑なタスクに役立ちますが、同時に、権限制御、監視、評価、自律的なアクションに対する制限の必要性も高めます。

画像、音声、動画を扱うマルチモーダルRAG

マルチモーダルRAGは、テキスト以外の形式からも情報を取得します。対象には画像、音声、動画が含まれます。たとえば、製造業向けのサポートアプリケーションでは、配線図とトラブルシューティングガイドの両方を取得できます。

メディアの種類ごとに、専用の解析方法や埋め込みモデルが必要です。また、もともと同じ表現を共有していない形式間で、意味を対応付ける必要もあります。

この技術的なプロセスについて、「画像を画素の集合として捉え、たとえば16×16画素の小さなブロックに分け、位置情報とともに長いシーケンスにし、それをトークンへ変換してAIモデルに入力できます」と、ベンは説明します。RAGはこのような処理を利用し、複数の形式から情報を解析します。

構造化データRAGがデータベースやAPIと連携する仕組み

構造化データRAGは、非構造化ドキュメントだけに依存するのではなく、AIモデルをデータベースやAPIに接続します。表形式のデータに対して、正確な検索、フィルタリング、計算、集計を実行できます。

高度な実装では、データベーススキーマを解釈し、自然言語の質問から結合、フィルター、集計を推定できます。適切な制御と検証を前提として、ユーザーはSQLを書かずに構造化情報を扱えるようになります。

RAGとファインチューニングの違い

RAGとファインチューニングは、それぞれ異なる課題を解決します。

ファインチューニングは、AIモデルが情報を処理する方法やタスクを実行する方法を変えます。
RAGは、クエリ実行時にAIモデルがアクセスできる外部情報を変えます。

両者は互いを強化できます。たとえば、法律用語でファインチューニングされたモデルは、RAGで取得した法的文書をより効果的に解釈できる可能性があります。

最適なRAGアーキテクチャの選び方

あらゆる状況で優れている高度なRAGアーキテクチャはありません。適切な設計は、次のような優先事項によって異なります。

回答の正確性
応答速度
クエリあたりのコスト
ソースのトレーサビリティ
コンテンツの鮮度
規制要件
対応するコンテンツ形式
ワークフローの複雑さ
セキュリティと権限の適用

RAGの構成要素を個別に組み合わせることも、統合プラットフォームを利用することもできます。モジュール型の構成要素には、ドキュメント解析、指示に従うリランキング、根拠に基づく生成、エージェンティック検索、言語モデルのエンドツーエンド評価などがあります。

エンタープライズRAGに対するBoxのアプローチ

Boxは、効果的なエンタープライズRAGを、AIの課題であると同時に、コンテンツ管理の課題でもあると捉えています。検索品質は、企業コンテンツが一元化され、最新の状態に保たれ、適切に分類され、適切なユーザーがアクセスでき、ライフサイクル全体を通じてガバナンスが効いているかどうかに左右されます。BoxのアプローチがAIモデルではなく、コンテンツレイヤそのものから始まるのはそのためです。

Box AIは、Boxに保存されたコンテンツに生成AIを直接適用し、すべてのクエリで既存のBox権限を適用します。これは、前述した検索方法と権限フィルタリングの概念に直接対応します。Box AIはリポジトリ全体から無差別に情報を取得するのではなく、各ユーザーがすでに閲覧を許可されているコンテンツだけが生成回答に表示されるようにします。これが、権限を認識した検索の中核となる価値です。

Box Hubsでは、プロジェクト、ポリシー領域、ディールルームなど、明確に定義したコンテンツの集合を整理して、AIで検索できるようにします。RAGの観点では、Hubはクエリ実行前に検索範囲を絞り込みます。これにより、最初の検索に入る無関係な候補が減り、リランキングによって適切な根拠が上位に表示される可能性が高まります。これは、前述したチャンク分割とクエリ理解の原則を反映しています。

Box自身もこの方法を社内で活用しています。「多数のサポート文書をBox Hubsに一元化して、ユーザーがセルフサービスで支援を得る手段として案内しています」と、Boxの最高顧客責任者（CCO）であるジョン・ハースタイン（Jon Herstein）は言います。RAGの観点では、Box Hubsはクエリを実行する前に検索範囲を絞り込みます。

Box ShieldとBox Governanceは、この制御をコンテンツライフサイクル全体に拡張します。データ分類、リテンション、リーガルホールドにより、検索システムがアクセスできるコンテンツにも、企業内の他のコンテンツと同じセキュリティルールと保管ルールが適用されます。これにより、根拠に基づくAIの中核となる監査可能性とアクセス制御の要件に対応します。

出典とトレーサビリティのために、Boxはメタデータ、バージョン履歴、所有者情報をコンテンツとともに保持します。Boxファイルにたどれる引用は、出所不明の断片ではなく、検証可能で権限管理されたソースを指します。

Boxは、同じセキュアなコンテンツレイヤをBox MCPサーバーとBox Platform APIを通じて提供しています。これにより、ファイルを再アップロードしたり、新しいAIツールごとに検索や権限のロジックを重複して構築したりすることなく、BoxでガバナンスされたコンテンツをClaude、Copilot、Geminiなどのサードパーティ製AIモデルやAIエージェントに接続できます。

回答が生成された後は、Box AutomateとBox Signを利用して、抽出または生成したドキュメントをレビュー、承認、署名へ回し、根拠に基づくアウトプットをビジネスワークフローへ組み込めます。RAGは、引用付きの回答だけでなく、完了した取引まで生み出せるようになります。

Boxの観点では、エンタープライズRAG戦略は、埋め込みモデルやベクトルデータベースを選ぶだけで終わるべきではありません。コンテンツをどのように作成し、保護し、分類し、検索し、引用し、レビューし、保持し、最終的に業務ワークフローで利用するかを定める必要があります。

RAGに関するよくある質問

AIにおけるRAGとは何ですか？

検索拡張生成は、言語モデルが回答を生成する前に、外部ソースから関連情報を取得するAIアーキテクチャです。AIモデルの学習済みナレッジと、クエリ実行時に与えられる最新または独自の情報を組み合わせます。

パラメトリックメモリとノンパラメトリックメモリの違いは何ですか？

パラメトリックメモリは、学習時にAIモデルの重みに組み込まれた情報です。ノンパラメトリックメモリは、ドキュメント、データベース、APIなど、AIモデルの外部に存在し、クエリで必要になったときに取得される情報です。

RAGでAIのハルシネーションをなくせますか？

いいえ。RAGは、取得した根拠に基づいて回答を生成することでハルシネーションを減らせますが、正確性を保証するものではありません。品質の低いソースデータ、不十分な検索、矛盾するドキュメント、誤った解釈によって、裏付けのない回答が生成される可能性は残ります。

RAGとエンタープライズ検索はどう違いますか？

エンタープライズ検索では通常、ユーザーが確認するドキュメントやリンクを返します。一方、RAGでは取得したコンテンツを生成モデルに渡し、統合した回答を生成します。検索はRAGの構成要素ですが、RAGにはコンテキストの構築と回答生成も含まれます。

大きなコンテキストウィンドウでRAGを置き換えられますか？

いいえ。企業のリポジトリには、非常に大きなコンテキストウィンドウでも収まりきらない情報が含まれる可能性があります。また、クエリのたびにすべてのコンテンツを処理する方法は、コストが高く非効率です。検索によってノイズを除き、より小さく関連性の高い根拠だけをAIモデルに与えられます。

RAGとファインチューニングのどちらを使うべきですか？

必ずしも二者択一ではありません。ファインチューニングは、AIモデルがタスクを実行する方法や情報を処理する方法を変えます。RAGは、AIモデルに外部情報を提供します。専門的な動作と最新の企業ナレッジの両方が必要なユースケースでは、両者を併用できます。

RAGは画像、音声、動画、データベースから情報を取得できますか？

はい。マルチモーダルRAGは、コンテンツ固有の処理と埋め込みモデルを利用して画像、音声、動画を取得できます。構造化データRAGは、データベースやAPIに問い合わせられます。基本となる検索・生成のパターンは同じですが、インデックス作成とコンテキスト統合の方法はデータの種類によって異なります。

RAGシステムで最も重要な部分はどこですか？

成功を決める単一の要素はありません。取り込み、チャンク分割、埋め込み、検索、リランキング、プロンプト、生成、ガバナンスのすべてが回答品質に影響するためです。企業環境では、コンテンツ品質と権限の適用が、AIモデル性能と同じくらい重要です。

RAGシステムをどのように保護できますか？

検索時に既存のアクセス権限を適用し、転送中と保管中のデータを保護し、ソースのメタデータを保持し、インデックス化されたコンテンツに保持要件やリーガルホールド要件を適用する必要があります。また、クエリとアウトプットを監視し、回答品質を評価し、エージェンティックアクションを承認済みのツールとデータに限定する必要があります。

基本的なRAGと高度なRAGは、どのように使い分けるべきですか？

少数の明確に関連するソースから回答できる質問には、基本的なRAGが適しています。複数の検索ステップ、追加の検証、複数のコンテンツタイプ、データベースやツールとの連携が必要な場合は、マルチホップ、自己反省型、エージェンティック、マルチモーダル、構造化データなどのアプローチが有効です。