資料を読み込ませれば答えが返ってくる。RAGはそう語られがちですが、実装を業務に載せる段になると、効いているのは生成モデルの賢さよりも検索の作り方であることが少なくありません。デジタル庁が2026年5月に公表した法制事務の技術検証¹は、この「検索の設計」を具体的に示した数少ない実例です。意味の近さで探す検索と語の一致で探す検索を組み合わせ、見つけた候補を選び直し、根拠に戻れる経路まで作り込む——その手順を、業務に載せる側の視点で整理します。

1. RAGで最初に詰まるのは検索の側

「答えが出ない」の正体は、検索が届いていないこと

RAGを組んでみたものの、期待した答えが返ってこない。原因を生成モデル側に求めて、プロンプトの言い回しを直し続けた経験がある方もいるはずです。ですが、デジタル庁の技術検証が最初に取り上げているのは、生成の巧拙ではなく検索の届き方でした。答えの質を決めているのは、生成する前の材料集めの段階だったということです。

この検証の対象は、数百ページに及ぶマニュアルです²。担当者は必要な情報を得るまでに、まず該当箇所を探し出す手間を負っていました。ページ数が増えるほど、探すこと自体が仕事の一部になっていたということです。検索が届かないままAIに答えさせても、材料が薄ければ回答も薄くなります。

もう一つの壁は、情報が一箇所にまとまっていないことでした。関連する記述が複数の章に分散しており、担当者は自分で章をまたいで集める手間を負っています³。生成モデルに答えさせる前に、そもそも材料を集め切れていない状態だったわけです。この二つの手間は、資料が長くなるほど重くのしかかります。

この二つの手間は、RAGが解こうとしている課題そのものです。生成モデルにどれだけ賢い言い回しをさせても、検索が該当箇所を拾い切れていなければ、答えは薄くなります。逆に言えば、検索の設計を詰めるほど、生成側の負担は軽くなります。プロンプトを直す前に、検索の届き方を疑う順番が大切です。

実装を任される立場からすると、この切り分けは提案の質を左右します。生成モデルの調整だけを提案するよりも、検索の届き方から見直す提案のほうが、根本の原因に近づけます。どこに手を入れれば答えの質が変わるのかを見極める視点が、業務に載せる設計の入口になります。

この検証は約9,000件の法令条文を対象に、意味的な類似性に基づく検索を組んでいます¹⁴。件数が多いほど、探し方の設計次第で結果の質が大きく変わることが分かります。数百ページ程度の資料であっても、この設計の考え方は同じ形で当てはめられます。次の章では、この検証が採った「二本立て」の検索の中身を見ていきます。

資料の量が増えるほど、検索の設計を後回しにしたつけは大きくなります。数ページの資料であれば見落としも自分の目で拾い直せますが、数百ページを超えると人の目だけでは追い切れません。検索の設計を先に固めておくことが、あとの工程を軽くする近道になります。

2. 2本立ての検索——意味の近さと語の一致

片方だけに寄せず、比率を決めて併用する

この検証の設計で目を引くのは、検索の入り口を一本化しなかった点です。一度生成した回答に対しては、AIが自律的に再度確認を行う設計も組み込んでいます⁴。答えを出して終わりにせず、探す段階と確認する段階を分けているのが特徴で、どちらか一方に負担を寄せない発想が随所に見られます。

探す段階の中身は、意味の近さによるベクトル検索と、語の一致によるキーワード検索の組み合わせです。ベクトル検索は7割の割合で使われています⁵。表現が違っても意味が近い文章を拾えるのが強みで、担当者が使う言葉と資料の言葉がずれていても、該当箇所を見つけやすくなります。

残る3割は、キーワードの一致によるキーワード検索です⁶。条文番号や固有の用語のように、言い換えると意味を失う語は、意味の近さだけでは拾いにくくなります。表現の一致を確かめる検索が、そこを補っています。二つの検索は役割が違うため、比率で調整する設計が成り立ちます。

意味の近さだけに寄せるより、語の一致を一定の割合で残すほうが、取りこぼしは減ります。比率を7対3に決めているのも、どちらかに寄せ切らないための設計です。実装の場面では、この比率を固定値として持ち出すのではなく、資料の性質に応じて調整できる形にしておく発想が求められます。

比率を変数として持たせておけば、資料の種類が増えたときにも作り直しの範囲を小さく抑えられます。最初から一つの比率に固定してしまうと、対象の資料が変わるたびに検索の仕組みそのものを組み直す羽目になりかねません。

この二本立てをどう補い合わせているかを、図1にまとめました。意味の近さと語の一致、それぞれが単独では拾い切れない範囲を、もう一方が補う関係になっている点が読み取れます。

観点	ベクトル検索（意味の近さ）	キーワード検索（語の一致）
使用比率	7割	3割
得意なこと	表現が違っても意味が近い文章を拾う	条文番号や固有の用語など言い換えられない語を拾う
担う役割	検索の中心	取りこぼしを防ぐ補い役

出典：デジタル庁「法制事務における生成AIの活用等に関する技術検証」（2026年5月）をもとに作成

3. なぜ片方に寄せないのか

部分一致まで拾って、取りこぼしを断つ

意味の近さで探す検索は柔軟な反面、言葉の完全な一致までは保証しません。この検証では、部分的な一致にも対応できる形にして、検索漏れを防ぐ工夫を組み込んでいます⁷。柔軟さと正確さを、どちらか一方に決め切らない設計です。

実装の場面に置き換えると、これは「思いつきやすい言葉」だけで検索窓を作らないという判断です。担当者が使う語と資料の語がずれていても、意味の近さが拾い、表記の一致が漏れを防ぐ。どちらか一方に頼るよりも、二つを重ねるほうが、結果として届く情報の幅は広くなります。

業務に載せる側から見ると、ここは設計の勘所です。検索の仕組みを一つに絞り込む提案よりも、比率を決めて併用する提案のほうが、実際の資料の癖に対応しやすくなります。案件の場でこの判断を言語化できるかどうかが、経験の見え方を左右します。

片方の検索だけで押し通そうとすると、一見シンプルな構成に見えても、実際の資料に当てると拾えない箇所が出てきやすくなります。二つの検索を併用する構成は、見た目の複雑さと引き換えに、取りこぼしの少なさを確保している設計だと捉えられます。

資料の中には、意味は近くても表現が大きく変わる部分と、表現を変えると意味そのものが変わってしまう部分の両方が混在します。どちらの性質を持つ資料なのかを見極めたうえで、二つの検索の重みを決めていく進め方が、実務では効いてきます。

次の章では、こうして見つけた候補を、そのまま使わずに選び直す工程を見ていきます。

4. 探した後に選び直す——再評価と並べ替え

見つけた順ではなく、意図に合う順に並べ替える

検索で候補が出てきても、そのまま生成モデルに渡すわけではありません。この検証では、検索で見つかった上位10件をAIが再評価する工程を挟んでいます⁸。見つけることと、使う価値があるかどうかを見極めることは、別の作業として分けられています。

再評価の基準も明確です。単純な類似度の点数ではなく、質問の意図に合う順に並べ替えます⁹。検索の点数が高くても、質問の狙いからずれた候補は後ろに回ります。点数の高さよりも、意図に合っているかどうかのほうが、最終的な採否を左右します。

この二段構えは、検索エンジンの発想に近い部分があります。まず幅広く候補を集め、そのあとで文脈に応じて並べ替える。一段で決め切ろうとすると、検索の設計に無理な期待がかかります。二段に分けることで、それぞれの工程が受け持つ役割がはっきりします。

検索の点数だけで押し切るよりも、意図を踏まえて選び直す工程を挟むほうが、担当者の実感に近い順番で候補が並びます。数値上の一致度と、実際に役立つかどうかは、同じ順位とは限りません。この差を埋めるのが、再評価という工程の役目です。

業務に載せるときは、この「見つける工程」と「選び直す工程」を別々に設計し、別々に検証できる形にしておくことが役立ちます。どちらかで結果が悪くても、原因を切り分けやすくなるためです。工程を一体化させてしまうと、不具合の原因を後から辿り直すだけで時間を取られます。

選び直しにかけるコストは軽くありません。ですが、検索直後の候補をそのまま渡すよりも、意図に合わせて並べ替えた候補を渡すほうが、次の工程で絞り込む量を判断しやすくなります。この流れを図2にまとめました。

再評価の工程を挟むかどうかは、資料の量が増えるほど効いてきます。候補が少ない小規模な資料であれば省ける場面もありますが、数百ページを超える資料では、選び直す工程を省くと精度の差が目立ちやすくなります。次の章では、その絞り込みそのものを見ていきます。

段階	対象・基準	目的
検索直後	上位10件の候補	幅広く候補を集める
再評価・並べ替え	質問の意図に合う順	使う価値がある候補を選び直す

出典：デジタル庁「法制事務における生成AIの活用等に関する技術検証」（2026年5月）をもとに作成

5. 回答に渡す量を絞る

渡す量を絞るほど、回答は締まる

並べ替えた候補も、全部を生成モデルに渡すわけではありません。この検証では、関連性の高い上位5件だけを回答の生成に使っています¹⁰。渡す量を絞ることそのものが、設計の一部として組み込まれています。

候補を多く渡すほど網羅性は上がりそうに感じますが、実際には逆の働きをすることがあります。関係の薄い候補が混じると、回答の中で論点がぼやけやすくなります。件数を絞ることは、情報を削ることではなく、答えの芯を保つための調整だと捉えたほうが実態に近いです。

件数を多く渡すよりも、意図に合った少数を渡すほうが、回答の一貫性は保ちやすくなります。この考え方は、検索システム全体の設計にも当てはまります。集める段階では広く、渡す段階では絞る。この非対称さが、探す・選ぶ・使うという三つの工程をつなぐ軸になっています。

業務に載せる場面でも、渡す件数をどこで区切るかは、資料の性質によって変わります。数字そのものを一律の正解として持ち出すのではなく、絞り込みの意図を説明できることが、設計を任される側に求められます。

絞り込みの段数を増やすほど、システム全体の応答は重くなります。工程を増やすことと、応答の速さを保つことのどちらを優先するかは、資料の量や利用の頻度に応じて判断する必要があります。次の章では、絞った先の候補から、根拠に戻れる経路をどう作っているかを見ていきます。

出典：デジタル庁「法制事務における生成AIの活用等に関する技術検証」（2026年5月）をもとに作成

6. 根拠に戻れる経路を作る

回答を渡して終わりにしない

回答が返ってきても、その根拠を確かめられなければ、担当者は使う判断に踏み切れません。この検証では、回答内の引用リンクから、マニュアルの該当ページへ遷移できる形にしています¹¹。回答を出すところで設計を終えず、確かめる経路までを一体で作っています。

遷移した先でも、該当箇所を自分で探し直す必要はありません。該当箇所のテキストをハイライト表示する仕組みが組み込まれています¹²。回答から根拠まで、迷わずたどり着ける経路になっています。

回答の文章だけを整えるよりも、根拠に戻れる経路を用意するほうが、実務では信頼につながります。担当者が最終的に判断を下すのは人であり、AIの回答はその判断を助ける材料だからです。根拠を確かめられない回答は、業務の場面では使い切れません。

この経路を設計に含めるかどうかは、要件定義の段階で決まります。あとから足そうとすると、引用の形式やページの構造まで手戻りが生じやすい部分です。最初の設計に組み込んでおく発想が、この検証からは読み取れます。

案件の提案の場でも、この経路の有無は評価の分かれ目になりやすい部分です。回答の文章だけを見せる提案と、根拠まで戻れる経路まで含めた提案とでは、業務に持ち込んだあとの信頼のされ方が変わります。

根拠に戻れる経路は、担当者の負担を減らすだけでなく、AIの回答そのものの検証をしやすくする効果もあります。回答と根拠を突き合わせられる状態にしておくことで、誤りが混じった場合にも早い段階で気づきやすくなります。図4に、回答から根拠までの経路をまとめました。

機能	できること
引用リンク	回答内のリンクから、根拠になったマニュアルの該当ページへ遷移できる
ハイライト表示	遷移した先で、該当箇所のテキストが強調して表示される

出典：デジタル庁「法制事務における生成AIの活用等に関する技術検証」（2026年5月）をもとに作成

7. 誤りへの備えと、作り方の作法

確認を重ねながら推論する設計

ここまでの工程を積み重ねても、生成AIが根拠に無い内容を答える可能性がゼロになるわけではありません。この検証では、AIが対話の中で確認を取りながら推論することで、根拠に無い内容が生じる度合いを低減させています¹³。ゼロにする技術ではなく、起きにくくするための設計です。

指示の与え方にも工夫があります。単語だけを見るのではなく、法令全体の文脈を考慮するように指示しています¹⁶。断片的な語の一致だけで答えを組み立てず、前後の文脈を踏まえて答えさせる作りです。この指示の作り方は、検索側の設計だけでは補い切れない部分を埋める役割を果たしています。

プロンプトの設計も、一度で決め切っていません。利用者によるテストを繰り返しながら、プロンプトを設計し改良しています¹⁵。実際に使う人の反応を見ながら直していく進め方は、要件を最初にすべて固めてから作る進め方とは違う設計の作法です。

土台となるモデルの選び方も同様です。複数のモデルで試作し、出力精度の高いものを選び取っています¹⁷。一つのモデルに決め打ちするのではなく、比べてから選ぶ姿勢が、検索の設計から生成モデルの選定まで一貫しています。

ここまで見てきた「探す・絞る・戻れる」の設計は、法制事務に限った話ではありません。検索・データ基盤・AI組み込みの実装に関わってきたエンジニアであれば、業界を問わず持ち込める判断軸です。案件の場でこの設計を言語化できるかどうかが、これまでの経験をどう見せられるかを分けます。

とはいえ、こうした設計判断を言葉にして人に伝える機会は、日々の実装作業の中では意外と限られています。自分の経験がどの案件で評価されるのかが見えづらいまま、手を動かし続けている方も多いはずです。

Remoguが取り扱う案件は、90%以上がフルリモートで進められます。検索設計やRAGの構築に関わってきた経験を、案件という形で試してみたい方は、まず自分の経験に近い条件がどれくらいあるかを見るところから始めてみましょう。

ベクトル検索とキーワード検索は、どちらから実装すればよいですか

この検証では、意味の近さで探すベクトル検索が7割の比率で使われています⁵。残る3割は、語の一致で探すキーワード検索です⁶。どちらか一方から作り始めるという発想ではなく、両方を用意したうえで比率を調整する前提で設計されている点に注目してください。片方だけを先に作り込むと、あとから比率を足す手戻りが生じやすくなります。

検索の再評価と、渡す件数の絞り込みは、両方とも組み込む必要がありますか

この検証では、検索で見つかった上位10件を再評価し⁸、そこから関連性の高い上位5件だけを回答に使う設計になっています¹⁰。見つける工程と選び直す工程、渡す工程を分けているのは、それぞれの役割を切り分けて検証しやすくするためです。資料の量や性質によって、絞り込む段数や件数は変わりますが、「集める段階では広く、渡す段階では絞る」という考え方そのものは持ち込める判断軸です。

根拠に戻れる経路は、あとから追加できますか

この検証では、回答内の引用リンクから該当ページへ遷移できる経路が設計に組み込まれています¹¹。遷移した先では、該当箇所をハイライト表示する仕組みも用意されています¹²。引用の形式や参照先のページ構造に関わる部分のため、要件定義の段階で組み込んでおくほうが、あとからの手戻りは少なくなります。

※公開中の案件数は時期によって変わります。記事中の案件の傾向は執筆時点のものです。

出典・参考情報

＊1 デジタル庁「法制事務における生成AIの活用等に関する技術検証」検証の位置づけ（2026年5月）
＊2 デジタル庁「法制事務における生成AIの活用等に関する技術検証」解こうとした課題（2026年5月）
＊3 デジタル庁「法制事務における生成AIの活用等に関する技術検証」散っている情報（2026年5月）
＊4 デジタル庁「法制事務における生成AIの活用等に関する技術検証」精度の作り方（2026年5月）
＊5 デジタル庁「法制事務における生成AIの活用等に関する技術検証」混ぜる比率（2026年5月）
＊6 デジタル庁「法制事務における生成AIの活用等に関する技術検証」もう一方の比率（2026年5月）
＊7 デジタル庁「法制事務における生成AIの活用等に関する技術検証」漏れの対策（2026年5月）
＊8 デジタル庁「法制事務における生成AIの活用等に関する技術検証」二段の絞り込み（2026年5月）
＊9 デジタル庁「法制事務における生成AIの活用等に関する技術検証」並べ替えの基準（2026年5月）
＊10 デジタル庁「法制事務における生成AIの活用等に関する技術検証」回答に使う範囲（2026年5月）
＊11 デジタル庁「法制事務における生成AIの活用等に関する技術検証」確認の経路（2026年5月）
＊12 デジタル庁「法制事務における生成AIの活用等に関する技術検証」出典の示し方（2026年5月）
＊13 デジタル庁「法制事務における生成AIの活用等に関する技術検証」誤りへの備え（2026年5月）
＊14 デジタル庁「法制事務における生成AIの活用等に関する技術検証」対象の規模（2026年5月）
＊15 デジタル庁「法制事務における生成AIの活用等に関する技術検証」作り方の作法（2026年5月）
＊16 デジタル庁「法制事務における生成AIの活用等に関する技術検証」指示の粒度（2026年5月）
＊17 デジタル庁「法制事務における生成AIの活用等に関する技術検証」モデルの選び方（2026年5月）