後悔しないためのRAGの選定基準とは

2026年8月19日

URLをコピーしました！

生成AIを企業で使用するうえで、RAGは必要不可欠な存在になってきています。

その理由はRAGはLLMが学習していない社内データや最新情報も参照できるため、より正確で信頼性が高いアウトプットを生成できるためです。

RAGとは

そもそもRAG（らぐ）とは、LLMの課題を解決するための存在であり、主に以下を解決します。

・LLMのハルシネーション（不正確な回答）を減らす（回答の精度を上げる）

・上記のためにLLMが学習できない社内情報などの特定の情報を含めて学習させる

代表的な生成AIは当然社内情報にはアクセスできず、企業が生成AIを活用しようと考えた場合、社内情報にもアクセスができ、精度を向上させられるRAGは企業利用では、ほぼ必須要件になってきています。

RAGの選び方

RAGの選び方として、精度、コスト、機能の3つになります。一度導入してからリプレイスするのが大変なので、後々後悔しないための選び方の話をいたします。

RAGの精度

RAGはLLMの精度を上げるためのものなので、精度が命です。

ネットで調べると、ほとんどのRAGが高性能や高精度をうたっていますが、ベンチマークを公開しているところは一握りです。第三者によるベンチマークの結果、当社のGMO AI RAGが他社の1.4倍から1.8倍の精度を実現しています。

GMO AI RAGの場合、検索精度を示すF1スコア^（*1）では、既存検索アルゴリズムが約0.332〜0.417だったのに対し、有償オプション「チューンドRAG」を使うと約0.591を記録しました。これは既存検索アルゴリズムの約1.4倍～1.8 倍にあたり、必要な情報をより高精度に検索できることを確認しています。

（＊1）：F1スコア：検索の精度を測る指標の一つ。「必要な文書を見逃さない度合い（再現率）」と「無関係な文書を拾わない度合い（適合率）」という相反する2つの要素を、バランスよく両立できているかを0〜1の数値で評価します。1に近いほど高精度です。
（＊2）：JQaRA（Japanese Question Answering with Retrieval Augmentation）：AIの検索拡張生成（RAG）システムにおける「日本語の検索精度」を評価するために構築されたデータセット。

図：JQaRA^（*2）全1,668問におけるF1@10値の比較

さらにGMO AI RAGには情報コレクション機能というものがあり、学習した内容をカテゴリごとに整理した自動学習するため、生成結果を出すのが速いです。精度が高くて速いのがGMO AI RAGなのです。

コスト

続いて、コストの話です。RAGは使えば使うほど、情報が蓄積されていきます。情報量が増えると金額があがったりする価格設定が存在するので要注意です。ちなみに当社のGMO AI RAGは以下のような価格体系になっています。OSSなのでコア部分は無料です。

【主な料金プラン】

	OSS版	Enterprise クラウド版	Enterprise オンプレミス版
初期費用	無料	環境構築 40 万円～導入支援 80 万円～	環境構築 40 万円～導入支援 160 万円～
年間費用	無料	運用保守 180 万円～＋サポート 66 万円～	保守 60 万円～＋サポート 72 万円～
有償オプションチューンド RAG	–	初期費用 120 万円保守年額 60 万円	初期費用 120 万円保守年額 60 万円
特徴	RAG コア機能をフル利用可能	AWS 上に専用 RAG 環境を構築。運用代行込み。	オンプレミス環境上に構築。

※OSS版は2026年秋頃公開予定
※上記はいずれも参考価格（税別）です。各費用は、導入支援の内容、ユーザー数、サポートプラン等により変動します。なお、AWSやクラウドLLMの利用料、ハードウェア費用等のインフラ費用は別途必要となります。

機能

機能についてはRAGの用途に依存します。フィット＆ギャップ分析などで、比較をされるのが良いと考えています。当社のGMO AI RAGの場合は、以下の公式サイトに記載されている内容に加えて、主要SaaSとのAPI連携、Gmail・Slack内データをナレッジとして参照できる「リモートMCP」、ローカルLLM環境を強化するGPUサーバー対応などの機能拡充してまいります。オンプレミス対応や、特殊用途（アダルト系企業のRAG対応）も可能です。