【生成AI入門】RAGとAIエージェントとは｜業界特化の生成AI活用をやさしく解説

汎用のチャットAIから一歩進んで、「自分の会社・自分の業界に合わせて生成AIを使う」段階へ——その鍵となるのがRAGとAIエージェントです。この記事はシリーズの中核として、この2つの仕組みを図解するつもりで丁寧に解説します。「チャットとエージェントは何が違うの?」という疑問もここで解消します。

📖 この項目で学ぶこと

この記事で扱うのは、シラバスの理解項目「業界に特化した生成AIの活用方法を理解している。」です。ChatGPTのような対話サービスをそのまま使うだけでも便利ですが、2-5で見たとおり、汎用の生成AIには「社内情報や最新情報を知らない」「答えるだけで作業の実行はできない」という壁があります。

この壁を乗り越え、医療・法務・金融・製造といった業界の現場で本当に役立つAIにするためのアプローチが、この記事のテーマです。柱は2つ。AIに「自社・自分野の資料」を読ませてから答えさせるRAGと、AIに道具を持たせて作業そのものを任せるAIエージェントです。

どちらも近年の生成AI活用の最重要トピックであり、試験対策としてだけでなく、職場でのAI導入の話題を理解するうえでも必須の知識です。順番に、仕組みから丁寧に見ていきましょう。

🔍 キーワードをやさしく解説

LLMを利用したサービス

LLMを利用したサービスとは、ひと言でいうと「大規模言語モデル(LLM)を頭脳として使えるようにした製品・サービス」のことです。代表例としてChatGPT、Gemini、Claudeなどの対話型サービスがよく知られており、またDeepSeekに代表される新興のLLMサービスも次々と登場しています。

これらは「LLMと会話形式でやり取りできる」という基本は共通ですが、得意分野や機能、利用規約はサービスごとに異なります。大切なのは「どれが一番優れているか」ではなく、用途・組織のルール・扱う情報の性質に照らして選ぶ姿勢です。変化の速い分野なので、個別サービスの優劣ではなく共通する仕組みを理解するのが応用の効く学び方です。

RAG (Retrieval-Augmented Generation)の利活用

RAG (Retrieval-Augmented Generation) とは、ひと言でいうと「AIが答える前に、関連する資料を検索して読ませ、その内容に基づいて回答させる仕組み」です。日本語では検索拡張生成と訳されます。

身近な例えでいうと、RAGは「持ち込み資料OKの試験」です。暗記だけで答える試験(通常のLLM)では、覚えていないことに答えられず、うろ覚えの内容を間違って書いてしまうこともあります。しかし手元に正しい資料を持ち込めるなら、資料を開いて確認しながら正確に答えられますよね。RAGはこの「資料の持ち込み」をAIに許す仕組みです。

仕組みは3つのステップで動きます。

1. 検索(Retrieval): 利用者の質問を受け取ると、あらかじめ登録された文書群(社内規定、マニュアル、製品資料など)から、質問に関連する箇所を探し出します
2. 拡張(Augmented): 見つかった資料を、質問文と一緒にプロンプトへ添えてLLMに渡します。つまり「この資料を参考に答えて」という形で入力を拡張します
3. 生成(Generation): LLMが、渡された資料の内容に基づいて回答文を生成します

具体例を見てみましょう。社内規定について「出張時の宿泊費の上限は?」と汎用AIに聞いても、あなたの会社の規定は学習していないため答えられません(答えられたとしても、それはハルシネーションの疑いが濃い回答です)。RAGを組み込んだ社内チャットボットなら、①社内規定集から宿泊費の該当ページを検索し、②その条文をAIに読ませ、③「規定第○条によると〜」と根拠つきで答えられます。

RAGの利点は次のとおりです。

一方で万能ではありません。最初の検索ステップで的外れな資料を取ってくると、その後の回答も的外れになります。また資料自体が古い・誤っている場合、回答もそれを引き継ぎます。「検索の質と資料の質がRAGの品質を決める」と覚えておきましょう。

AIエージェント

AIエージェント (AI Agent) とは、ひと言でいうと「目標を与えると、自分で計画を立て、道具を使いながら、複数の手順を自律的に実行してくれるAI」のことです。エージェント(agent)は「代理人」という意味です。

例えで考えましょう。通常のチャットAIは「優秀な相談相手」です。聞けば教えてくれますが、実際に手を動かすのはあなたです。一方AIエージェントは「任せられるアシスタント」です。「来週の出張の候補プランをまとめて」と目標を渡せば、必要な情報を調べ、整理し、資料にまとめる、という一連の作業を代わりに進めてくれます。

チャット(対話型AI)との違いを整理すると、次のようになります。

• やり取りの単位: チャットは「1つの質問に1つの回答」を返す受け身の存在。エージェントは「目標(ゴール)」を受け取り、達成まで動き続けます
• 手順を考える主体: チャットでは人間が手順を考え、1ステップずつ指示します。エージェントはAI自身がタスクを分解し、計画を立てます
• できる行動: チャットの出力は基本的にテキスト(提案)のみ。エージェントは検索・ファイル操作・プログラム実行などの行動を自ら実行します
• 進め方: エージェントは「状況を観察する→次の行動を考える→実行する→結果を確認して修正する」というループを繰り返し、途中でうまくいかなければやり方を変えます

具体例として、「競合3社の最近の動向を調べてレポートにまとめて」という目標を渡した場合、エージェントはタスクを分解し(各社の情報収集→比較整理→執筆)、検索ツールで情報を集め、要点を抽出し、文書にまとめる——という手順を、人間が逐一指示しなくても進めます。

ただし、自律的に行動するからこそ、誤った行動をしてしまうリスクも大きくなります。重要な操作の前には人間の承認を挟む、行動範囲をあらかじめ制限する、といった「人間が監督する設計」が実務では重視されています。エージェントは「丸投げできる魔法」ではなく、「監督つきで任せる仕組み」と理解するのが正確です。

外部ツール呼出し

外部ツール呼出しとは、ひと言でいうと「LLMが必要に応じて、検索・計算・他のソフトウェアなどの道具を呼び出して使う仕組み」です。

LLM単体は文章を生成することしかできず、正確な計算や最新情報の取得は苦手です(1-11参照)。そこで「計算はこの電卓機能に」「検索はこの検索機能に」と外部の道具への接続口を用意しておき、LLMが「今は電卓が必要だ」と判断したら道具を呼び出して結果を受け取る、という形にします。人間が暗算せず電卓を使うのと同じ発想です。この仕組みは、先ほどのAIエージェントが行動するための「手足」にあたる基盤技術で、RAGの検索も外部ツール呼出しの一種と見ることができます。

ソフトウェア開発

ソフトウェア開発は、業界特化の活用が最も進んでいる分野の1つです。コードの自動生成・補完、エラー原因の解説、コードレビュー、テストの作成など、開発工程の広い範囲で生成AIが使われています。開発者が対話しながらコードを作るスタイルに加え、エージェント型のツールが複数ファイルの修正やテスト実行までを担う使い方も広がっています。ただし生成されたコードが正しく安全とは限らないため、人間によるレビューが前提です。

クリエイティブへの応用

クリエイティブへの応用とは、広告コピー、デザイン案、イラスト、音楽、動画といった創作分野での活用です。特徴は「たたき台を大量に素早く出せる」こと。方向性の異なる案を数多く生成し、人間が選んで磨き上げるという協働スタイルにより、発想の幅を広げられます。一方で、著作権をはじめとする権利面の配慮が特に重要な分野でもあります(3章で詳しく扱います)。

ドメイン固有

ドメイン固有とは、ひと言でいうと「特定の業界・分野(ドメイン)に特化していること」です。医療、法務、金融、製造など、各分野には固有の専門用語・文書形式・規制・正確性への要求があり、汎用AIのままでは不十分な場面があります。

特化させる代表的な方法は3つあります。①専門分野のデータで追加学習させる(ファインチューニング)、②専門文書をRAGで接続する、③業務システムを外部ツール呼出しで連携する、です。この記事で学んだ道具立ての組み合わせこそが「業界に特化した活用」の正体だと分かりますね。

💬 実生活・仕事でどう役立つ？

RAGの考え方は、大がかりなシステムがなくても応用できます。生成AIに質問する際、関連資料を貼り付けて「この資料に基づいて答えて」と頼むのは、手動の小さなRAGと言えます。会社で「社内チャットボットを作ろう」という話が出たときも、「検索対象の資料の質が鍵になる」というRAGの本質を知っていれば、議論に実のある貢献ができます。

AIエージェントとチャットの違いの理解は、AIとの仕事の分担を設計する力になります。定型の調査や資料作成のように手順を任せられる仕事はエージェント的に、判断が重要な仕事は人間が主導しチャットを相談相手に、という使い分けです。「どこまで任せ、どこで人間が確認するか」を考える習慣は、これからのAI時代の基本スキルになっていくはずです。

📝 生成AIテストではこう問われる

📚 まとめ