【解説】「RAG（検索拡張生成）」とは──AIに“自社の資料”から答えさせる仕組み
「ChatGPTに社内の資料を貼り付けて質問したのに、平気で見当違いの答えが返ってきた」──そんな経験はないでしょうか。あるいは、「うちのマニュアルに書いてあることをAIに答えさせたいのに、どうすればいいのか分からない」という悩み。この2つの裏側にあるのが、いま業務でのAI活用でいちばん引っかかりやすい言葉、RAG（ラグ） です。
先週、NVIDIAが「Nemotron 3 Embed」というオープンウェイトのAIモデル群を公開し、その説明にも当たり前のように「RAG向け」と書かれていました。名前は聞くけれど正体がつかめない──そんな人向けに、今日はRAGを最初から、身近な例だけで整理します。専門用語は都度かみ砕くので、AIを触ったことがある人なら十分ついてこられます。
まず結論：RAGとは「AIに“カンニングペーパー”を渡す仕組み」
RAGは Retrieval-Augmented Generation（検索拡張生成）の略です。むずかしそうに見えますが、やっていることは一言で言えばこうです。
AIに答えさせる前に、関連しそうな資料をこっそり探してきて、いっしょに渡す。
学生がテストで、記憶だけで解くのではなく、教科書の該当ページを開いてから答えるイメージです。AI（ChatGPTなどの言語モデル）は本来、学習した時点までの一般知識で答えます。そこに「あなたの会社の資料」という“カンニングペーパー”を都度差し込んでから答えさせる。これがRAGです。
なぜRAGが必要なのか──AI単体には3つの穴がある
そもそもなぜ、わざわざ資料を探して渡す手間をかけるのか。言語モデル単体には、業務で使うときに困る穴が3つあるからです。
社内のことは知らない：あなたの会社の就業規則も、製品マニュアルも、昨日の議事録も、AIは学習していません。聞いても答えられません。
知識が古い：モデルは「ある時点まで」の情報で止まっています。先月変わった料金表を、そのままでは知りません。
知らないことも、それらしく答えてしまう：これがいわゆるハルシネーション（もっともらしい嘘）。知らないと言わずに、文章として自然な“作り話”を返すことがあります。
RAGは、この3つをまとめて埋める発想です。「AIの頭を賢くする」のではなく、「答える直前に、正しい資料を手元に置いてあげる」。だから追加学習（モデルを鍛え直すこと）より手軽で、資料を差し替えれば最新の内容にもすぐ対応できます。
仕組みは3ステップ──「しまう・さがす・答えさせる」
RAGの中身は、大きく3つの動きに分けられます。
ステップ1：しまう（＝埋め込み／Embedding）
まず、手持ちの資料（PDF、マニュアル、議事録など）を、AIが後で探しやすい形に変換して保管します。この変換が 埋め込み（Embedding／エンベディング） です。
埋め込みとは、文章を「意味の住所」を表す数字の並び（ベクトル）に変える処理だと思ってください。似た意味の文章は近い住所に、違う意味の文章は遠い住所に置かれます。「解約の手続き」と「退会のやり方」は言葉は違っても意味が近いので、ご近所同士に並ぶ、というわけです。
ステップ2：さがす
ユーザーが質問すると、その質問も同じように“住所”に変換し、意味が近い資料を探し出します。ここがキーワード検索との決定的な違いです。単語が一致していなくても、「言いたいことが近い」文章を引っ張ってこられる。だから「退会したい」と打っても「解約手続き」の項目がちゃんとヒットします。
ステップ3：答えさせる
最後に、探してきた資料を質問といっしょにAIへ渡し、「この資料に基づいて答えて」と指示します。AIは自分の一般知識ではなく、渡された資料をよりどころに回答を作る。だから答えの根拠がはっきりし、出典（どのページから引いたか）も示しやすくなります。
この「さがす」精度を決めるのが、ステップ1・2で使う埋め込みモデルです。冒頭のNVIDIA「Nemotron 3 Embed」は、まさにこの“探す担当”専用のモデルでした。
“探す担当”の実物：NVIDIA「Nemotron 3 Embed」（公式発表7/16・日本語報道7/17）
7月16日、NVIDIAはRAGや資料検索向けの埋め込みモデル群「Nemotron 3 Embed」を公開しました。オープンウェイト（中身を配布し、自社で動かせる形式）で商用利用も可能。Hugging Faceでモデルを入手でき、NVIDIA NIMでも利用できると案内されています。
用途は「大規模なRAG・エージェント検索・コード検索」向けと明記。
大きさ違いで3種類（80億パラメータの高精度版／11.4億の高効率版／Blackwell GPU向けに軽量化した版）を用意。
一度に扱える文章の長さは3万2千トークン（おおむね数万字ぶん）。検索精度の指標「RTEB」で、最上位版が公開時点で総合1位とされています。
数字が並びましたが、読者にとっての意味はシンプルです。「AIに自社資料を探させる部品が、商用OKで・手元に置ける形で増えた」ということ。つまりRAGは一部の大企業の専売ではなく、小さなチームでも部品を選んで組める領域になりつつあります。すぐ自分で組む必要はありません。「探す部分にも専用のモデルがあり、それが年々良く・安くなっている」と押さえておけば十分です。
じつは、あなたはもうRAGに触れている
RAGは新しい概念に聞こえますが、身近なところで動いています。
Gemini Notebook（旧NotebookLM）：資料を放り込むと、その中身だけを根拠に要約や回答を作ってくれる。まさにRAGの消費者向けの姿です。
ChatGPTにファイルを添付して質問する：添付したPDFを“探して”答えるのも、RAGの簡易版です。
社内問い合わせチャットボット：「就業規則botに聞くと該当条文つきで答える」タイプは、ほぼRAGでできています。
だから「RAGを導入する」とは、多くの場合ゼロから作ることではなく、こうした仕組みを自社の資料でどう回すかを考えること。まずは手元のGemini Notebook（旧NotebookLM）に自分の資料を入れて試すのが、いちばん早い体験になります。
つまずきやすい“落とし穴”も知っておく
便利な一方で、RAGは万能ではありません。仕組みを知っておくと、うまくいかない理由も見当がつきます。
探せなければ、答えられない：資料に載っていないことは、RAGでも答えられません。むしろ無理に答えると嘘になります。
資料が古ければ、答えも古い：カンニングペーパーが古ければ回答も古い。中身の更新は人間の仕事です。
“探す精度”がすべてを決める：見当違いの資料を拾えば、答えも見当違いに。埋め込みモデルや資料の整理の質が効いてくるのはこのためです。
機密の扱いに注意：何を読ませ、どこに保管するか。社外サービスに機密資料を入れる前に、データの保存先と範囲は必ず確認を。
今日のまとめ
RAGとは、AIに答えさせる前に関連資料を探して渡し、その資料に基づいて答えさせる仕組み。ねらいは「AIを賢くする」ことではなく「正しい手元資料を用意してあげる」こと。カギを握るのが、意味の近さで資料を探す埋め込み（Embedding）で、NVIDIAのNemotron 3 Embedのように商用利用しやすい部品も増えています。むずかしく身構えず、まずはGemini Notebook（旧NotebookLM）に自分の資料を入れて、「自分の文章から答えてくれる」感覚をつかむところからで十分です。
参考リンク
NVIDIA「Nemotron 3 Embed」公開（一次系・Hugging Face公式ブログ）
https://huggingface.co/blog/nvidia/nemotron-3-embed-wins-rteb
PC Watch「NVIDIA、高精度検索できる無償のRAG向けAIモデル『Nemotron 3 Embed』公開」
https://pc.watch.impress.co.jp/docs/news/2126183.html
Hugging Face モデルカード（Nemotron-3-Embed-1B-NVFP4）
https://huggingface.co/nvidia/Nemotron-3-Embed-1B-NVFP4
あわせて読む
「いまさら聞けない『MCP』とは何か」──AIが社外のツールやデータに“つながる”共通の差し込み口。今日のRAG（資料を探す）と対になる“接続”の話
「手を動かすAI『Claude Code』超入門」──資料や道具をAIに扱わせる土台となるツールそのものの入門
日々の新機能・値下げ・規制の動きは、毎朝のニュース便でまとめています。今日の解説とあわせてどうぞ
ここまで読んでいただきありがとうございます。
「この用語も解説してほしい」というリクエストがあれば、コメントで教えてください（日曜の解説テーマ選びの参考にします）。
参考になったらスキで教えてもらえると、次回の題材選びの励みになります。
