お問い合わせ

PerplexityやChatGPTの検索機能に質問すると、Webページを引用しながら回答が生成されます。 自社サイトの記事が引用されることもあれば、競合の記事ばかりが引用されることもあります。

この違いはどこから生まれるのか。 AI検索で自社コンテンツが引用される条件を理解するには、AI検索の仕組み（RAG）を知る必要があります。

この記事では、RAGの基本的な動作を非エンジニア向けに解説し、「引用されるコンテンツ」に求められる条件を整理します。

AI検索はどう動いているのか——RAGという仕組み

RAG（Retrieval-Augmented Generation）は、2020年にMeta AI（当時Facebook AI Research）のLewis et al.が提案した手法です。 日本語に訳すと「検索で補強された文章生成」という意味になります。

仕組みは大きく2つのステップに分かれます。

ステップ1：関連するページを検索する（Retriever）

ユーザーの質問に関連するWebページやドキュメントを探し出すステップです。 質問文の「意味」を数値に変換し、データベース内の各ページの意味との近さを計算して、関連性の高い文書を選びます。

ステップ2：検索結果を参考に回答を生成する（Generator）

検索で取得されたページの内容と、ユーザーの質問を合わせてAIに渡し、回答文を生成するステップです。 GPTやClaudeなどのAIモデルが、「この参考情報を踏まえて、この質問に答えてください」という形で回答を作ります。

この2段階の構成がRAGの本質です。 AIは「自分の知識だけ」で回答するのではなく、「検索結果として渡された情報」を参照しながら回答を生成します。

「意味で検索する」とはどういうことか

従来の検索エンジンは、キーワードの一致でページを探していました。 「マーケティング ツール」と検索すれば、「マーケティング」「ツール」という単語が含まれるページが上位に出ます。

RAGで使われる検索方式（Dense Passage Retrieval）は、これを「意味の一致」に置き換えます。

Karpukhin et al.（2020, Meta AI）が提案したこの方式では、質問文もWebページもAIによって「意味を表す数値の列」に変換されます。 そして、数値の方向が近いもの同士を「意味が似ている」と判定します。

たとえば「マーケティングの自動化ツールはどう選べばいいか」という質問に対して、ページ内に「マーケティング」という単語がなくても、「MA導入の選定基準」というテーマのページが選ばれる可能性があります。 キーワードの一致ではなく、意味の近さで判断するためです。

Karpukhin et al.（2020）の実験では、この意味ベースの検索はキーワードベースの検索（BM25）に比べて、Top-20の検索精度で約9〜19ポイントの改善を示しました。

検索されたページはどう回答に使われるのか

検索で取得された複数のページは、チャンク（段落や節単位の断片）に分割されます。 その中から関連度の高い部分が選ばれ、AIモデルへの入力として渡されます。

Lewis et al.（2020）は、この生成プロセスに2つの方式を提示しました。

RAG-Sequence方式は、取得された各ページについて個別に回答を生成し、関連度スコアで重み付けして統合します。 回答全体の一貫性が高くなる特徴があります。

RAG-Token方式は、回答の各単語を生成する際に毎回すべてのページを参照します。 複数の情報源をまたいだ回答が可能になります。

実際のAI検索サービスではこれらをさらに発展させた実装が使われていますが、「検索結果を参考情報として与え、それを参照しながら生成する」という基本は共通しています。

RAGの研究はどのように発展してきたか

REALM——学習段階から検索を組み込む（Guu et al., 2020）

Guu et al.（2020, Google Research）が発表したREALMは、AIモデルの学習段階から「外部知識を検索して利用する」という行動を組み込みました。

従来は学習済みのAIに後から検索機能を追加する形でしたが、REALMは学習時から検索を前提とした設計です。 実験では、検索なしのモデルに比べて4〜16ポイントの精度向上が報告されています。

この研究は「AIの能力は内部の知識だけでなく、外部情報へのアクセスによって大きく拡張できる」という考え方を確立しました。

RETRO——大規模データベースからの検索（Borgeaud et al., 2022）

Borgeaud et al.（2022, DeepMind）が提案したRETROは、2兆トークンという膨大なデータベースを検索対象とし、比較的小さなAIモデルでも大きなモデルに匹敵する性能を示しました。

この結果は、AIモデル自体を大きくする代わりに検索データベースを拡充する方が効率的な場合があることを意味しています。 AI検索サービスにとっては、検索対象のデータベースの質と量が回答品質を大きく左右するということです。

現在のAI検索サービスはどう動いているのか

PerplexityやChatGPTの検索機能は、RAGの発展形と考えられます。 一般的な処理フローを整理します。

1. 質問の解析 ユーザーの質問を解析し、検索クエリを生成します。 あいまいな質問は、複数の検索クエリに分解される場合があります。

2. Web検索の実行 生成された検索クエリでWeb検索を実行し、関連するWebページを取得します。

3. ページの分割と再評価 取得されたWebページをチャンク（段落や節単位の断片）に分割します。 各チャンクと質問の関連度を再計算し、関連度の高いものを絞り込みます。

4. AIへの入力 関連度の高いチャンクを選択し、AIモデルに「参考情報」として渡します。

5. 回答の生成と引用 AIが参考情報をもとに回答を生成し、回答内の各主張に対して参照元のURLを引用として付けます。

AI検索で引用されるコンテンツの5つの条件

RAGの仕組みから逆算すると、引用されやすいコンテンツの条件が見えてきます。

条件1：AIのクローラがアクセスできること

AI検索の検索フェーズで取得されるためには、まずクローラがアクセスできなければなりません。 ペイウォール、ログイン壁、robots.txtによるブロックは、この段階で弾かれる原因になります。

条件2：質問に対する直接的な回答を含むこと

意味ベースの検索は、ユーザーの質問と意味的に近いテキストを選びます。 質問に対して直接的に回答する文章を含むコンテンツは、検索フェーズで上位に選ばれやすくなります。

回りくどい導入文や比喩から始まるコンテンツよりも、冒頭から主題に入るコンテンツの方が有利です。

条件3：見出しでセクションが区切られていること

チャンク分割の際、見出し（H2, H3）で区切られた構造化テキストは、意味的にまとまったチャンクに分割されやすくなります。 各セクションが独立した論点を持つ記事構成は、RAGのチャンク処理と相性がよいです。

複数のトピックが段落の区切りなく混在するテキストは、チャンク分割後に意味が断片化するリスクがあります。

条件4：事実と主張が明示的であること

AIの生成器は、参考情報内の明示的な記述を回答に反映しやすい特性があります。 「〜と考えられる」「〜の傾向がある」といったあいまいな記述よりも、「○○は△△です（出典: ×× et al., 2023）」のような明示的な記述の方が引用されやすくなります。

条件5：情報が新しいこと

AI検索のWeb検索フェーズでは、検索エンジンのランキングが影響します。 更新日時が新しいコンテンツ、定期的に更新されているサイトは、検索結果の上位に出やすく、結果としてRAGの入力に選ばれやすくなります。

RAGの限界——万能ではない点を理解しておく

RAGにはいくつかの限界があります。 Lewis et al.（2020）の論文でも指摘されている点です。

検索結果への依存 AIの回答品質は、検索で取得されるページの品質に依存します。 関連性の低いページが取得された場合、回答の質も低下します。

入力量の上限 AIモデルには一度に処理できるテキスト量の上限があります。 大量のページを参考情報として渡すことはできないため、どのチャンクが選ばれるかが回答品質に直結します。

検索されなければ存在しないのと同じ Web検索でヒットしなければ、AIの回答に含まれません。 新しい情報やニッチな情報は、まずWeb検索で見つかる状態にしておく必要があります。

実務で取り組むべき3つの施策

RAGの仕組みを踏まえて、コンテンツ制作者が取り組むべき施策を整理します。

質問形式を意識した構成にする

ユーザーがAI検索に投げかける質問を想定し、その質問に対する回答を記事内に明示的に含めます。 FAQ形式のセクション、「○○とは」の定義セクション、「○○の方法」の手順セクションは、意味ベースの検索でマッチしやすい構造です。

セクション単位で情報を完結させる

各見出し配下のセクションが、独立して読める単位になっているか確認します。 RAGのチャンク分割はセクション単位で行われることが多いため、セクション内で情報が完結していることが望ましいです。

「上記のとおり」「前述の○○」といった参照は、チャンク化された後に意味が通じなくなる可能性があります。

出典と根拠を本文中に明示する

数値データの出典、研究結果の引用元を本文中に記載します。 AIの生成器は、出典付きの記述を「信頼性の高い情報」として引用する傾向があります。

まとめ

RAGは「検索」と「生成」の組み合わせであり、AI検索の基盤技術です。

Lewis et al.（2020）がこの手法を提案して以降、Guu et al.（2020）のREALM、Borgeaud et al.（2022）のRETROによって有効性とスケーラビリティが実証されてきました。

コンテンツ制作者にとって重要なのは、RAGが「意味的に関連するテキストの断片を検索し、それを参照しながら回答を生成する」という仕組みだということです。

AIのクローラがアクセスできて、構造化されていて、質問に対する直接的な回答を含み、出典が明示されたコンテンツ。 これがAI検索の検索フェーズで選ばれ、生成フェーズで引用される条件です。

参考文献