社内GPT・RAG構築・ナレッジAI

「答えが合っているか」ではなく「根拠をすぐ開けられるか」で、社内文書を検索・要約できるRAG構築を設計します

社内文書が構造化されていなければ、AIは正確に答えられません。「だいたい合っている要約」を返すだけでは、業務では使い物にならないからです。RAG構築でつまずくのは、AIの性能が足りないからではなく、社内の知識を検索前にどう構造化するかを飛ばしているからです。社内の知識は、正確な集計が要る表のデータ、意味の近さで探す文書、組織や依存関係のようなつながりの3種類に分かれ、それぞれ検索の戦略が違います。これを全部1つのベクトル検索に投げ込むと、数値の質問には推測で答え、更新されていない古い文書を平気で正解として返す、というどれも中途半端な結果になります。

ARCHECOは、精度をあとから上げるのではなく、入れる前の設計で決めます。まず社内文書の棚卸しを行い、どこに何があり更新は誰の担当かを洗い出します。次にAIが読める形へ構造化し、文書の性質に応じてチャンクの単位を決める。そのうえで、数値はデータベースへの問い合わせ、文書はベクトル検索とハイブリッド検索、関係性はグラフ探索というように、問いの型に応じて参照先を切り替える検索パイプラインを設計します。ベクトルデータベースの選定、Embeddingモデルの評価、リランキングの実装、そして回答の根拠を示しハルシネーションを検知するガードレール設計までを一貫して行います。この順番を飛ばすと、更新されない文書を正解として返し続ける事故につながります。

社内の知識を3種類に区分し、集める工程と絞る工程の2段階に分けることで、検索の精度が上がります。社員が実際に使うのは、いつもの業務画面から自然文のまま聞け、根拠の原文を1操作で開ける状態です。閲覧権限のない文書は検索結果にも出さないように制御し、出典なしでは答えさせない設計にすることで、誤った回答をそのまま信じてしまう事故を防ぎます。文書は更新され続けるものなので、利用ログを分析しながら精度を保つ運用まで含めて設計します。答えが合っていることよりも、根拠をすぐに原文で確認できることのほうが、社内GPTが日常的に使われ続けるかどうかを決めます。