質問内容ChatGPT 単体の答え業務で必要な答え
「2024 年の関西エリアの注文住宅平均坪単価は?」一般論を回答(学習データ次第)自社案件の実数値で答えてほしい
「過去にあった『地下室付き』案件は?」「私には情報がありません」 or 創作3 件あった事例を引用付きで
「先月の経営会議で何が決まった?」完全に答えられない議事録から該当箇所を抜粋
PoC 着手の前に、自社が AI を組み込める「筋肉質な体力」があるか 3 分で診断しませんか?
細マッチョ企業診断 / 3 分 8 問
診断する

マーケで効く 5 つの応用 — 全部、現場で見たケースです

「RAG は便利そうだけど、うちの業務で使えるか分からない」 — そう感じる方のために、当方が実際に支援した中で特に費用対効果が高かった 5 領域を紹介します。
マーケで効く 5 つの応用
マーケで効く 5 つの応用

01. 過去案件 検索ボット — 営業同行前のリサーチが 1/5 に

冒頭の住宅会社のケースです。営業部長は商談前に必ず「似た案件あった?」を 5 名のメンバーに Slack で聞いていました。返事が返ってくるのは平均 6 時間後。 RAG 導入後、Slack のスラッシュコマンド /case で過去 287 件から条件マッチを 8 秒で抽出できるようになりました。営業部 8 名 × 平均 4 商談/週 × 旧 6 時間 = 週 192 時間の損失が消えた計算です。

02. 提案書 自動下書き — 4 時間 → 12 分

ヒアリングシート(A4 で 2-3 枚)を投げると、過去の類似提案を参考に初稿が 3 分で生成されます。 ここで重要なのは、完成版ではなく初稿だという割り切り。AI は 70% の品質まで持っていきます。残り 30% は人間がブラッシュアップ。これを「叩き台ファースト」運用と呼んでいます。 > 注意点: 100% AI 任せにすると、過去案件の数値をそのまま流用してハルシネーションを起こします。「金額は必ず人間が更新する」というルールを徹底してください。

03. FAQ 自動応答 — 一次対応の 47% を無人化

歯科クリニックチェーンの導入事例です。Web フォームの問い合わせを RAG で分類 → 過去回答から最も近いものを引用付きで提案 → 担当者が承認して送信、というフローです。 | 項目 | Before | After(3 ヶ月後) | |---|---|---| | 一次対応の人手介在率 | 100% | 53% | | 平均回答時間 | 4 時間 12 分 | 31 分 | | 担当者の負荷感(1-5) | 4.6 | 2.1 | AI が「この問い合わせには過去のこの回答が近い」と提案してくれるだけで、ゼロから書く負担が消えました。

04. 競合 リサーチ要約 — 週次会議の準備が 30 分に

競合 12 社のプレスリリース・公式ブログ・主要レビューサイトを毎週月曜の朝に自動収集 → 「自社視点で見た重要ポイント TOP 5」を要約して Slack に流す、という運用です。 マーケ部長は月曜 9 時の会議にコーヒー片手で挑めるようになりました。準備が消えた、ではなく、準備が意思決定に変わったのです。

05. 社内ナレッジ集約 — 「あの件どこで決まった?」が消える

これは地味ですが効きます。Slack ・Notion ・ ・Email の議事録すべてを横断検索可能にする運用です。 「あの案件、価格交渉どこまで OK だっけ?」「去年の制作会社、結局なんで切ったんだっけ?」 — こうした 思い出せない情報は、企業の意思決定速度を確実に削っています。RAG はこの摩擦を消します。

導入で必ずハマる 4 つの落とし穴

ここから先は、実際に転んだ人だけが知っている話です。当方が見てきた失敗パターンを、痛みとセットで共有します。

落とし穴 1: チャンク分割を「単純な 500 字区切り」にする

最も多い失敗です。長文を機械的に 500 字で区切ると、重要な文の途中でぶつ切りになります。「 を実装する場合、必須要件は 」 — ここで切れる。続きが取れない。AI は意味不明な答えを返す。 正解は 見出し単位 + 段落単位での分割。さらに前後 100 字ほどのオーバーラップを持たせます。これだけで検索精度が 1.4-1.8 倍になります。

落とし穴 2: 似たような文書だけが取れてくる

「Meta 広告 CPA 改善」で検索したら、5 件全部 CPA 改善のテンプレ記事だけ。違う角度の知見が取れない。 解決策は 2 つあります。 1. Re-ranking(再順位付け): 1 段目で 20 件取り、2 段目で多様性を保ちつつ 5 件選ぶ 2. クエリ拡張: 元の質問を 3 つの言い換えに分散させてから検索 API を入れるだけで実装でき、月 3,000 円程度です。

落とし穴 3: ハルシネーションが「減ったけど消えない」

文書を渡しても、AI は「資料に無いことを足してしまう」癖が抜けません。3 つのプロンプト指示で激減します。
1. 「資料に明記がない場合は『情報なし』と答えてください」
2. 「回答の根拠となる文を、引用元と共に sentence-level で示してください」
3. 「資料の解釈に揺れがある場合は、その揺れを明示してください」
規模LLMEmbeddingベクトル DB月額コスト実装期間
小(PoC) Haiku / GPT-4o-minitext-embedding-3-small(ローカル)5,000〜15,000 円2-3 週間
中(部署)Claude Sonnet / GPT-4otext-embedding-3-large / 5〜15 万円2-3 ヶ月
大(全社)Claude Opus + Sonnet 併用text-embedding-3-large / Vertex AI30〜100 万円4-6 ヶ月