
【ひとりだちDX】RAGとAgentic Search、どう使い分ける?
最近AI界隈で、RAGだけでなくAgentic Searchという用語が出てきて、結局どっちをAIチャットボットとして採用すると良いの?という疑問が出ている方もいらっしゃるのではないかなと思います。
実際に、AnthropicのClaude Codeというコーディングツールでは「RAGをやめてAgentic Searchに切り替えた」ことが話題になりました。
「じゃあRAGはもう古いの?全部Agentic Searchに置き換えるべき?」かでいくと、個人的には、そうではないと考えています。
この記事では、それぞれがどういうもので、結局どっちが良いのか、その問いに対する私なりの回答を提示できればと思います。
結論、RAGとAgentic Searchは「どちらが優れているか」ではなく、「どんな業務課題に対して使うか」で選ぶが良いと思います。
この記事を通じて
RAGとAgentic Searchは何が違うのか?
それぞれどんな業務課題に向いているのか?
現場で導入を検討するときに何を基準に判断すればよいのか?
といった問いに答えられるようになっていただき、DX推進されている方々にとって参考となれば幸いです。
それではやっていきましょう。
1. RAG、Agentic Searchとは?
まず、これら二つの用語を初めて聞いた方もいらっしゃるかと思うので、簡単にこの二つの用語について説明します。
1-1. RAGとは?
RAG(Retrieval-Augmented Generation:検索拡張生成)は、ユーザーの質問に対して検索用のデータベースから関連する文書を引っ張ってきて、その情報をもとにAIが回答を生成するという仕組みです。
処理の流れはシンプルです:
ユーザーが質問する
質問内容に近い文書をベクトルデータベースから検索する
検索結果をAIモデルに渡して回答を生成する
この「検索して⇒渡して⇒回答する」というワンサイクル完結型のパイプラインがRAGの特徴です。事前に社内文書などをベクトル化(数値データに変換)してデータベースに格納しておく必要はありますが、一度構築すればシンプルに動きます。
ただ、RAGには一つ大きな制約があります。それは検索が1回で完結するということです。最初の検索結果が的外れだったとしても、「ちょっと違うな、別の角度で探し直そう」という判断ができません。聞かれたことをそのまま棚から探してくる図書館の受付係、とイメージするとわかりやすいかもしれません。
1-2. Agentic Searchとは?
Agentic Search(エージェンティック検索)は、AIエージェントが検索の「計画⇒実行⇒評価⇒再検索」を自律的に繰り返すことで、複雑な質問にも答えを出せるようにするアーキテクチャです。
RAGとの最大の違いは、「検索して終わり」ではなく「検索結果を評価し、足りなければやり直す」ことができる点にあります。
具体的にはこんな動きをします:
ユーザーが質問する
AIエージェントが「どう調べるか」を計画する
grep(完全一致検索)やファイル読み込み、Web検索、API呼び出しなど、状況に応じた検索手段を選んで実行する
検索結果を評価し、「これで十分か?」を判断する
不十分なら角度を変えて再検索する(このループを繰り返す)
十分な情報が集まったら回答を生成する
先ほどの図書館の例えで言えば、Agentic Searchは自分で調査方針を立てて動く調査員です。「この棚の資料だけじゃ足りないな。別のフロアも見てみよう。あ、この論文の参考文献リストから辿ってみよう」という判断を自分でできる。これがRAGとの根本的な違いです。
ここまでをまとめると以下のような感じです:

Anthropic社が提供しているClaude Codeでは、RAGを採用しておらず、Agentic Search機構を入れて、開発に必要なプログラムやドキュメントを見つける形になっています。
その理由として、開発者のBoris Cherny氏は以下を挙げています:
精度:grepによる完全一致検索のほうが、ベクトル類似度検索よりも正確だった
鮮度:コードを編集している最中にインデックスが古くなる問題が起きない
シンプルさ:インデックスの構築・メンテナンスが不要
プライバシー:データを外部に送る必要がない(ベクトル化のためにAPIを呼ばなくていい)
ただ、Agentic Searchもいいところばかりでは当然なくて、先ほど説明した仕組みである以上、時間的なコストとLLM利用コストがそれなりにかかります。
RAGなら一回の問い合わせとベクトル化する分のLLM利用コストで済みますが、Agentic Searchはベクトル化しない代わりに何回もLLMやデータソースとを行き来するので、どうしてもLLM利用コストがかかってしまいます。
結果、料金がえげつなくかかるみたいなことが起きうることは注意すべき点となります。
3. どんな場面でRAGを選ぶべきか?
さて、ここからはどんなケースがRAGに向くのか、そしてAgentic Searchに向くのかを説明していきたいと思います。
3-1. RAGが向くケース
まず、RAGが力を発揮するのは、「質問と答えが比較的1対1で対応する」場面です。具体的には以下のような状況において、RAGは効力を発揮します:
質問の種類がある程度パターン化できる
答えが単一の文書・セクションに収まる
検索対象のデータソースが一つ(もしくは少数)
応答速度とコスト効率が重要
実際に、ユースケース例を見ていきましょう。
ユースケース①:社内FAQ・問い合わせ対応
「有給休暇の申請手順は?」「製品Aの耐熱温度は?」「この部品の安全基準値はいくつ?」
こういった質問は、答えの在り処がほぼ決まっています。就業規則の該当セクション、製品仕様書の該当ページを引っ張ってくればそれで十分です。Agentic Searchのように何度も検索を繰り返す必要はありません。
ユースケース②:マニュアル・手順書からの回答生成
「このエラーコードが出たときの対処方法は?」「装置Bのメンテナンス手順を教えて」
こういったケースでも、該当するマニュアルの記載を検索して返せば事足りるため、RAGのワンサイクル検索で十分対応できます。
ユースケース③:法務・コンプライアンスの参照
「契約書のこの条項はどういう意味?」「ISO 9001のこの要件に対応する社内規程はどれ?」
正確な文書の引用が求められるケースでは、RAGの「該当箇所を検索して提示する」というシンプルな動きがむしろ強みになります。余計な推論を挟まない分、出典が明確で信頼性が高いです。
3-2. 逆にAgentic Searchが向くケースは?
一方で、Agentic Searchが真価を発揮するのは、「1回の検索では答えが出ない」場面です。具体的には、
質問に対する答えが複数の情報源にまたがる
質問の種別によって検索先やツールを切り替える必要がある
1回の検索で十分な情報が得られるとは限らない
多少の応答時間やコスト増は許容できる
ようなケースはAgentic Searchを使うべきです。具体ユースケースを見ていきましょう。
ユースケース①:問い合わせの種別によって検索先が変わるケース
例えば、社内の問い合わせ窓口を想像してください。ユーザーからの問い合わせには様々な種類があります:
「製品Aの仕様を教えて」→ マニュアル検索が必要
「製品Aの在庫はある?」→ 在庫データベースへの問い合わせが必要
「先月の製品Aの不良品件数は?」→ 品質管理データの集計が必要
RAGだと、これらを一つのベクトルデータベースで対応しようとするため、「マニュアルの中にある"在庫"という単語に引っかかって、的外れな回答をしてしまう」可能性が出てきます。
Agentic Searchであれば、「この質問は在庫に関する問い合わせだから、在庫DBに問い合わせよう」「これは集計が必要だから、品質管理システムのAPIを叩こう」といった判断をAIエージェント自身が行えるため、問い合わせの種別に応じた適切な対応が可能になります。
ユースケース②:複数の情報を突き合わせる調査・分析
「先月のA製品の歩留まりが下がった原因は何か?」
この質問に答えるには、1回の検索では到底足りません:
まず生産ログを確認して、いつ頃から歩留まりが下がったかを特定する
次に品質検査データを照合して、どの工程で不良が増えたかを調べる
さらに設備メンテナンス記録と突き合わせて、設備起因かどうかを確認する
それでも原因が特定できなければ、原材料の仕入れ先変更履歴を調べる
このように、段階的に情報を集め、途中の結果を評価しながら次の検索を決めるという動きは、Agentic Searchの得意領域です。
ユースケース③:複合的な質問への対応
「ISO認証に必要な書類一式を、部署ごとの担当者情報と合わせて一覧にまとめて」
この一つの質問の中に、「ISO認証の必要書類リストの検索」「各部署の担当者情報の検索」「それらを組み合わせた一覧の作成」という複数のタスクが含まれています。Agentic Searchは質問をサブクエリに分解し、それぞれを並行して処理できるため、こうした複合的な要求に対応しやすいのです。
このように、RAGでは出来ないような質問にしっかり答えてくれうるものがAgentic Searchという手法になります。
というところでまとめると、
RAGは「質問と答えが1対1で対応する」FAQ・マニュアル検索などに強い
Agentic Searchは「複数の情報源を横断し、段階的な調査が必要な」複雑な業務課題に強い
というふうに理解いただければと思います。
4. データ整備がされていることが大前提
以上、RAGとAgentic Searchのお話をしてきましたが、一個だけ絶対にお伝えしておきたいことがあります。それは、どちらの手法を取るにしても、データ整備が大事でっせ、ということです。
例えば、RAGで効率的にFAQ対応をするには、FAQデータだけを集めたデータセットを用意する必要があります。
また、Agentic Searchも効率的に検索をするために、どのフォルダに何のファイルがあるのかという情報を徹底的に整理しておく必要があります。間違っても下書きファイルとかあってはならないですし、バージョン違いの同じファイルとかも最新ファイルを探すユースケースとかでない限りは、基本置くべきではありません。
結構、RAGでこういうこと出来るんだぜ、Agentic Searchすげえ!って言っている方いらっしゃっているのですが、それはデータがしっかり整理されていることが前提です。
フォルダ階層やファイル名や中身の構成がしっかり整理されていればされているだけ、RAGであってもAgentic Searchであっても回答精度が上がってきますし、整備すればするほど以下の疑問も出てくるはずです:
「あれ?これチャットボットである必要なくね?」
検索系だとチャットボットに聞くよりフィルター検索で絞った方が早いとか全然あるんですよ。
だからといってチャットボットなくせとは言わないですが、ユースケースによってはデータ整備するだけで実はけっこう検索系の課題って解決したりもするので、RAGとかAgentic Searchを検討する前に、まずデータ整備出来てますか?という問いに向き合っていただくことを私的には強くおすすめしたいです。
ちなみにAgentic Searchの実装方法については、どこかで有料記事として出そうと思います。気になる方はフォローいただいてお待ちいただけますと幸いです。
最後までお読みいただきありがとうございました。
この記事が良いなと思いましたら、「スキ」や「フォロー」、そして「コメント」もらえると励みになります。毎週1本、平日にデータ利活用・DX推進に役立つ内容を発信していますので、是非見て今後に役立てていただければと思います。
また、当方では、製造業を主としてデータ利活用の教育支援やDX推進、AI開発の支援をお手伝いさせていただいております。
もし、DX推進やデータ利活用の中でお困りごとなどあれば気軽にご相談ください。上記ページの相談申し込みページよりお問い合わせください。
それでは次回記事まで。
アディオス!
TOKI