IntercomにおけるRAG活用の本質：仕組みだけでなく情報整備がカギ

RAG（Retrieval-Augmented Generation） は、生成AIが回答を出す際に、自身の学習済みモデルだけでなく、外部の情報ソース（ナレッジベースなど）をリアルタイムで参照しながら応答を生成する仕組みです。

たとえば、AIが「返品ポリシーを教えて」と聞かれたとき、あらかじめ学習していた一般情報だけでなく、社内の最新マニュアルやヘルプページから情報を引き出して、そこに基づいた回答を返すような仕組みです。

これにより、AIは静的な知識に縛られず、常に最新の業務情報を反映した回答が可能になります。

Intercomでは、「これはRAGか？」という質問を受けることがあります。厳密にRAGという語を使っていなくても、RAGと同等の考え方が組み込まれています。

具体的には：

という設計になっており、これはまさに「情報を引き出して生成に活かす」というRAG型の構成に当たります。

ここで重要なのは、RAGは“仕組み”であって、“正しい回答を保証するもの”ではないという点です。

いくら優れたAIと高度な接続インフラがあっても、接続先のConfluenceやNotionにある情報が古い、重複している、バージョンが不整合している、構造が悪いといった問題があれば、AIは誤解しやすく、的外れな回答や誤情報を返してしまうリスクがあります。

つまり、**RAGの成果を左右するのは、最終的には「コンテンツの整備状況」**です。

IntercomのようにRAG的なアーキテクチャを採用していても、それだけでは不十分です。
​AIに使わせる情報が整っていなければ、AIのパフォーマンスも上がりません。

したがって、AIを導入しただけで終わらせず、ナレッジベースや社内ドキュメントを定期的に整備・更新することが、ビジネススピードや顧客対応品質の向上につながるという理解が重要です。