RAG（検索拡張生成）とは、生成AIが答える前に社内文書を検索し、その内容を根拠に回答を作る仕組みです。コンタクトセンターでは、この検索部分が回答精度をほぼ決めます。最終更新は2026年7月時点です。
本記事は、RAGをコンタクトセンターの実務目線で整理します。まず仕組みを分解します。次に精度が落ちる原因と打ち手を示します。さらに、導入手順と向かないケースまで解説します。
目次
RAG（検索拡張生成）とは──コンタクトセンターでの位置づけ
結論から言うと、RAGは「生成AIに自社の正解を持たせる仕組み」です。コンタクトセンターでは、料金表や約款、手続きの手順書がその正解にあたります。つまり、モデルの一般知識ではなく自社ナレッジで答えさせる方式です。
なぜ生成AI単体では業務に耐えないのか
まず、大規模言語モデルは学習時点の一般知識しか持ちません。そのため、自社の料金改定や例外運用は知りません。加えて、知らないことを知らないと言わずに作文します。これがハルシネーションです。
実際に、この性質は問い合わせ対応と相性が悪いです。誤った案内は二次クレームに直結します。したがって、根拠のある回答を強制する仕組みが必要になります。
ファインチューニングとの違い
次に、よくある比較対象がファインチューニングです。こちらはモデル自体を追加学習させます。一方でRAGは、モデルに触れず参照先だけを差し替えます。
そのため、更新頻度の高いナレッジではRAGが有利です。料金改定のたびに再学習する必要がないためです。ただし、口調や書式を揃えたい場合はファインチューニングが向きます。実際に、両者は排他ではなく併用されます。
RAGの仕組み──コンタクトセンターの回答が生成されるまで
短答として、RAGは2つのフェーズに分かれます。まず、事前にナレッジを検索可能な形へ変換します。次に、問い合わせのたびに検索して回答を作ります。コンタクトセンターの精度問題は、ほぼ前半で決まります。
インデックス構築フェーズ（事前準備）
最初に、FAQや手順書などの文書を集めます。次に、文書を数百字から千数百字程度の塊へ分割します。この分割をチャンキングと呼びます。さらに、各チャンクを埋め込みモデルでベクトル化し、ベクトルストアへ保存します。
ここで重要な点があります。具体的には、文字数で機械的に切るのではなく、意味のまとまりで切る手法が2026年時点の主流です（labmemo「RAG完全ガイド2026」）。実際に、章や手続き単位で切り直すだけでも検索の当たり方は変わります。
検索・生成フェーズ（応答時）
問い合わせが届くと、質問文もベクトル化されます。そして、意味の近いチャンクが上位数件だけ抜き出されます。最後に、その抜粋を添えて生成AIが回答を作ります。
つまり、生成AIは「渡された資料の範囲で答える」だけです。したがって、渡す資料が外れていれば回答も外れます。実際に、コンタクトセンターのRAGで最初に疑うべきは生成ではなく検索です。
コンタクトセンターでRAGが効く3つの場面
短答は、オペレーター支援・セルフサービス・ナレッジ運用の3つです。いずれも「正解を探す時間」を圧縮します。特に効果が読みやすいのは1つ目です。
オペレーター支援──RAGがコンタクトセンターで最も効く場面
まず、応対中のオペレーターへ回答草案を提示する使い方です。ベンチマークとして、三井住友カードはELYZAと組み、メール回答業務でRAG構成のシステムを本番運用しました。月間約50万件超の問い合わせを背景に、対応時間を最大60%程度短縮する見込みと発表しています（三井住友カード／ELYZA、2024年7月2日）。
ただし、この数値は2024年時点の発表です。そのため、現在の標準水準というより初期の代表事例として捉えるのが妥当でしょう。
セルフサービス──自己解決率を引き上げる
次に、顧客向けチャットボットの回答生成に使う方法です。従来のシナリオ型は、想定外の言い回しに弱いという弱点がありました。一方でRAG型は、表現が揺れても該当箇所を引き当てられます。実際に、国内ベンダーもRAG型チャットボットの提供を相次いで開始しています。
ナレッジ運用そのものを改善する
さらに、見落とされがちな効果があります。具体的には、RAGは「答えられなかった質問」をログとして可視化します。つまり、ナレッジの穴が数字で表に出ます。結果として、FAQの改訂が勘ではなくデータで回り始めます。
RAGの精度を上げる打ち手──コンタクトセンターで回答が外れる理由
短答は「検索の当たりを上げる」です。生成モデルを高性能なものへ替えても、渡す資料が外れていれば直りません。まず検索側から手を入れます。
ハイブリッド検索とリランキング
ベクトル検索は意味の近さに強い一方、型番や約款番号のような固有表現に弱いです。そのため、キーワード検索と併用するハイブリッド検索が定石になりました。さらに、上位候補を精度の高いモデルで並べ替えるリランキングを重ねます。
ある検証では、初期構成の正答率62%がハイブリッド検索で79%、リランキング追加で91%まで改善しています（OptiMax「RAG精度向上の実践手法8選」2026年4月2日）。ただし、これは特定条件下の値です。したがって、自社データでの再検証は欠かせません。
チャンク設計と権限制御
加えて、チャンクの切り方も効きます。細かすぎると文脈が失われ、大きすぎるとノイズが混じります。実務では、手続き単位で切ってタイトルを付与する方法が扱いやすいでしょう。
また、権限制御は設計段階で潰す論点です。委託先のオペレーターへ社外秘の資料を返してしまう事故は、後から塞ぐと高くつきます。具体的には、文書単位のアクセス権をインデックス側に持たせます。
GraphRAGとAgentic RAG──次の一手
2026年は、構成が第3・第4世代へ進んでいます。GraphRAGは文書からエンティティと関係を抽出し、知識グラフとして保持します。一方、Agentic RAGはAIエージェントが検索の要否や回数を自律的に判断します。
| 世代 | 名称 | 仕組み | 向く場面 |
|---|---|---|---|
| 第1世代 | Naive RAG | ベクトル検索のみの単純な構成 | PoC、小規模なFAQ |
| 第2世代 | Advanced RAG | ハイブリッド検索＋リランキング＋クエリ変換 | 実運用の標準構成 |
| 第3世代 | GraphRAG | エンティティと関係を知識グラフ化 | 複数文書にまたがる複合的な質問 |
| 第4世代 | Agentic RAG | エージェントが検索の要否・回数を判断 | 手続きが分岐する問い合わせ |
出典：labmemo「RAG完全ガイド2026」（2026年時点の整理）
ただし、構築コストは確実に上がります。したがって、まずハイブリッド検索とリランキングをやり切るのが順序として妥当です。編集部の見立てとしても、この2つを詰め切らないまま構成を高度化した案件は、原因の切り分けができなくなりがちです。
RAGをコンタクトセンターに導入する手順
短答は「対象を絞り、評価軸を先に決める」です。全業務を一度に置き換えると、精度が出ない原因を切り分けられません。実際に、3段階で進めるのが現実的です。
ステップ①：対象業務とナレッジを棚卸しする
まず、問い合わせを分類します。そして、参照文書が明確で回答が定型に近いものから選びます。具体的には、料金・手続き・故障切り分けが初期対象として扱いやすい領域です。
次に：小さく作り、評価指標を先に決める
次に、限定範囲でプロトタイプを作ります。ここで評価指標を先に定めます。具体的には、検索が正解文書を含んでいたかと、回答が根拠に忠実だったかを分けて測ります。実際に、RAGASのような評価枠組みが出発点として使えます。
さらに：ログとエスカレーションを設計する
さらに、運用側の設計を忘れないことです。回答できなかった質問のログ、出典表示、有人への引き継ぎ条件を決めます。加えて、ナレッジの更新責任者を明確にします。これがないと、精度は半年で劣化します。
RAGがコンタクトセンターで向かないケースと落とし穴
率直に言うと、RAGが向かない場面もあります。まず、ナレッジが整備されていない組織です。元の文書が古く記載が矛盾していれば、RAGはその矛盾を忠実に返します。
また、判断の余地が大きい応対にも不向きです。たとえば、解約の引き止めや個別の与信判断は文書検索では決まりません。そのため、こうした領域は有人対応を前提に設計します。
さらに、応答速度という制約があります。検索とリランキングを重ねるほど、待ち時間は伸びます。したがって、音声応対では処理段数の上限をあらかじめ決めておく必要があります。
まとめ：コンタクトセンターのRAG活用で実現できること
まとめると、RAGはコンタクトセンターの回答に根拠を与える仕組みです。まず検索の質を上げます。次に評価指標で継続的に測ります。さらに、ナレッジ運用まで含めて設計します。
つまり、RAGは技術導入というよりナレッジ運用の再設計です。進め方でお悩みでしたら、vottiaまでお気軽にお問い合わせください。
執筆：阪口 凛空（vottia株式会社 インターン）／池田 龍矢（vottia株式会社 コーポレート＆マーケティング責任者）。vottia株式会社は、コンタクトセンター向けAIエージェントプラットフォーム「maestra」を提供しています。最終更新：2026年7月25日。
Q. よくある質問
Q1: RAGとファインチューニングはどちらを選ぶべきですか？
結論として、更新頻度で決めます。料金や手続きのように頻繁に変わる情報はRAGが向きます。一方で、口調や出力書式を揃えたい場合はファインチューニングが有効です。実際に、両者を組み合わせる構成も一般的です。
Q2: 精度はどこまで上がりますか？
一概には言えません。ただし、ハイブリッド検索とリランキングで6割台から9割前後まで改善した検証例はあります。もっとも、これは条件次第です。したがって、自社のFAQで評価データを作り、実測することが前提になります。
Q3: 小規模なコンタクトセンターでも導入できますか？
できます。まず、対象を1業務に絞れば初期投資は抑えられます。具体的には、既存のFAQと手順書だけを対象にする方法です。ただし、ナレッジの更新体制がない場合は、そこから着手するほうが結果的に早くなります。
参考リンク
- コールセンターでの生成AI活用とRAGの基礎（コネナビ）
- 三井住友カードとELYZA、お客さまサポートにおける生成AIの本番利用を開始（2024年7月2日・PDF）
- 三井住友カード、メール回答業務でRAG構成のAIシステムを運用開始（IT Leaders）
- RAG精度向上の実践手法8選（OptiMax、2026年4月2日）
- RAG完全ガイド2026──GraphRAG・Agentic RAGまで（labmemo）
- RAG型チャットボットの提供開始（モビルス）
