RAG（検索拡張生成）とは
RAG（Retrieval-Augmented Generation＝検索拡張生成）とは、AIが回答を生成する前に、社内データなど信頼できる情報源を検索し、その内容にもとづいて答える仕組みのことです。一般知識でなく、自社の事実で答えさせます。
生成AIは流暢に答えますが、社内の図面や過去案件は知りません。聞いても一般論しか返さず、ときに事実でないことを言います。RAGは、AIに「社内の正しい情報を参照させてから答えさせる」仕組みです。
なぜ「検索してから生成」なのか
ふつうの生成AIに「うちの会社の、この客先向けの標準単価はいくら?」と聞いても、まともな答えは返りません。AIは世間一般の知識から答えを組み立てるだけで、あなたの会社の単価表など見たことがないからです。それでも流暢に「おそらく〇〇円程度でしょう」と、もっともらしく当てずっぽうを言ってしまう。これが危ういところです。
RAGは、この手順に一段はさみます。答えを作る前に、まず社内データから関連する情報を「検索」し（Retrieval）、見つかった社内の単価表や過去案件を「根拠にして」答えを作る（Generation）。図書館で、司書がまず該当する資料を書棚から探してきて、それを開いてから答える——そんなイメージです。これによって、AIの流暢さはそのままに、答えの中身を自社の事実に固定できます。
製造業でRAGが効くための前提
ただし、RAGが正しく働くには、参照する社内データが構造化されている必要があります。司書が答えを探そうにも、書棚の本がすべて中身の読めない箱に入っていたら、探しようがありません。
図面・帳票が画像のまま、バラバラに散らばっていては、AIはそれを検索して根拠にできません。AI-OCRで図面の中身をデータ化し、構造化しておくこと——「AIを使いたいなら、まず構造化データが要る」という順番は、RAGの前提そのものです。土台を整えて初めて、ベテランの頭にあった知識に近い情報を、AIが正しく引いてこられます。
社内の正しい情報で答えさせる
RAGは、AIが社内の正しい情報を検索したうえで答えを組み立てる仕組みで、事実に基づかない誤答を抑えます。自社の図面や帳票を構造化し、この仕組みで回答の根拠にするのがARCHAIVEです。AIが当てずっぽうで答える状態を避け、社内のデータに基づいて答えさせるための前提にあたります。