RAGとは？

RAG とは

Retrieval-Augmented Generation の略。

生成 AI（LLM）が回答を生成する際に、Web から関連情報を「検索して取り出す」→「その情報を使って回答を生成する」という 2 段階のプロセス。

RAG の仕組み

Without RAG（従来の LLM）

ユーザー質問 → LLM が学習データだけで回答 → ユーザーに提示
（時代遅れ・ハルシネーション多い）

With RAG（現代の AI 検索）

ユーザー質問
  ↓
【検索フェーズ】Web から関連情報を取得
  ↓
【生成フェーズ】LLM が取得情報を使って回答を生成
  ↓
ユーザーに提示（精度が高い・出典明確）

ChatGPT Search と RAG の関係

ChatGPT Search・Perplexity AI・Google AI Overview は、すべて RAG で動作している。

ユーザーの質問に対して、リアルタイムで Web 検索を実行し、見つかった情報を活用して回答を生成する。

RAG の特徴：

新しい情報に対応 — 学習後の情報でも Web から取得すれば回答可能
出典を示しやすい — 「この情報はこのサイトから」と明記できる
ハルシネーション低下 — Web の確実な情報を使うため、ウソが減る

Web サイト運営者への影響

RAG を理解することで、AEO 対策が効果的になる。

RAG が参照しやすい情報：

構造化データ（Schema.org）で明示されたもの
FAQ Page スキーマで体系化されたもの
著者情報が明確なもの
統計・出典が明記されたもの

→ つまり、AI 検索では「検索アルゴリズムに最適化する」のではなく、「AI が自動抽出しやすい形式で情報を示す」ことが重要。

RAG 最適化のチェックリスト

□ JSON-LD で構造化データを埋め込み（RAG が形式を認識できる）
□ FAQ を 5+ 個実装（RAG が Q&A を自動抽出）
□ 冒頭 1 文に結論を置く（RAG が優先度 1 で抽出）
□ 統計・出典を明記（RAG が「信頼できる情報」と判定）
□ 著者情報を充実（RAG が「信頼できる情報源」と判定）

RAG を意識した AEO 対応は、AI 時代の必須戦略。

RAG