3つ目の「つなぐ技術」はRAGです。第1幕で「AIは平気で間違える（ハルシネーション）」と見ました。RAGは、その弱点を「自社の文書につなぐ」ことで抑える技術。中小企業が「過去の提案書やマニュアルをAIに答えさせたい」ときの本命です。
- RAGは「AIの記憶力に頼らず、答える前に自社資料をその都度引く」仕組み
- 再学習（ファインチューニング）は不要。社内文書を参照させるだけ——中小の最大メリット
- 出典を添えられる＝検証できるから、ハルシネーションを原因別に潰せる
RAGの正体は「頭の知識＋その場で引く知識」の二段構え
RAG（検索拡張生成）は流行語に見えますが、出どころは査読論文です。原典（Lewis et al. 2020）は、AIを2種類の記憶の組み合わせと定義しました。「学習で頭に入った知識」＋「その場で外部から引く知識」。
人間でたとえれば分かりやすい。ベテランでも、契約の細部はその場で規程を開いて確認します。記憶だけで断言せず、資料を引いて答える。RAGはAIにこれをさせる仕組みです。「AIの記憶力に頼らず、答える前に自社の資料を引く」——これが本質です。
なぜ役立つか：AIの「嘘」を原因別に潰せる
RAGがなぜ効くのか。AWSは、RAGなしのAIが間違える原因を整理しています——(1)知らない時にそれらしい嘘をつく (2)情報が古い (3)信頼できない情報源を使う (4)用語を取り違える。RAGは「答える前に、信頼できる自社の情報源を参照させる」ことで、この4つを原因別に潰します。
中小企業の「うちのAIは平気で間違える」という悩みは、多くがこの4原因。RAGで自社の正しい資料につなげば、一般論でなく自社の最新の事実に基づいて答えるようになります。
中小の最大メリット：再学習が要らない。「自社専用AIを作るには、うちのデータで再学習（ファインチューニング）が必要なのでは？」とよく聞かれます。IBMはRAGを「外部の知識ベース（社内データ等）から事実を取り出してAIを接地させる枠組み」と定義します。再学習せず、社内文書を”参照”させるだけ。コストもハードルも、ぐっと下がります。
出典を添えられる＝検証できる＝人間承認を入れられる
RAGのもう一つの強みは、答えに出典を添えられることです。NVIDIAは「論文の脚注のように出典を示せるので、利用者が主張を検証できる」と説明します。現場語では「AIの答えに、どの社内資料の何ページかが添えられる」。
これは決定的です。第1幕から繰り返してきた「人が確認する関所」が、RAGなら出典をたどるだけで機能する。AIの答えを鴩呑みにせず、根拠資料を一目で確認できる。出典付き＝検証可能＝人間承認を入れやすい、という運用設計に直結します。
実装の入口：まず「ファイル整理と検索可能化」から
では何から手を付けるか。Microsoftの整理では、RAGは「索引化 → 検索 → 生成」の3ステップ。中小がまず取り組むべきは最初の「索引化」です。
- 社内文書を集めて整える 過去の提案書・マニュアル・FAQ・規程を、AIが読める形（PDF・テキスト等）で集約する。
- 意味で探せる形に変える（索引化） 文書を細かく分け、「キーワード一致」でなく「意味が近いもの」を探せる索引を作る。多くのRAGツールが自動でやってくれる。
- 参照させて、出典付きで答えさせる 質問が来たら関係する文書を検索し、それを根拠にAIが回答＋出典を返す。
難しく聞こえますが、連載05・連載06（管理部門）で触れた「知識ベースの整備・版管理」が、そのままRAGの土台になります。文書が整っていれば、ツールが残りを担います。
上段：AIの二段構え「頭の知識（学習済み）＋その場で引く知識（社内文書）」。下段：3ステップ「①社内文書を索引化→②質問に関係する文書を検索→③それを根拠に出典付きで回答」。脇に「再学習不要／出典付き＝検証できる」のバッジ。
まとめ
- RAGは「記憶に頼らず、答える前に自社資料を引く」二段構え。査読論文が出どころ。
- 再学習不要で社内文書を参照させるだけ。AIの嘘を原因別に潰せる。
- 出典付き＝検証可能。実装の入口は「社内文書の整理と索引化」から。