RAGのチャンク設計入門｜メタデータ活用で回答精度を上げる
社内AIチャットを導入したものの「期待した答えが返ってこない」という悩みの多くは、RAGのチャンク設計とメタデータの扱いに原因があります。本記事は、プログラミングの知識がない方でも読めるように、チャンク設計の考え方と現場での進め方をかみ砕いて解説する入門記事です。製造業の規程類やマニュアルを題材に、明日から使える判断基準を紹介します。
そもそもRAGの「チャンク」とは何か？
RAG（検索拡張生成）は、社内文書の中から質問に関係しそうな部分を探し出し、それをAIに渡して回答を作らせる仕組みです。社内AIチャットの多くはこの構成で動いています。 このとき、文書をまるごとAIに渡すことはできません。設備マニュアル1冊が300ページあっても、AIが一度に読める量には上限があるからです。そこで文書をあらかじめ小さな断片に切っておき、質問に合う断片だけを取り出します。この断片が「チャンク」です。 身近な例えで言えば、分厚いマニュアルの要所要所に付箋を貼り、付箋ごとに内容を書き出したカードを作っておくイメージです。質問が来たら、カードの束から関係するカードだけを抜き出してベテランに渡し、「これを見て答えてください」と頼む。RAGはこれを自動でやっています。 つまり、カードの切り方（チャンク設計）が悪ければ、どんなに高性能なAIを使っても正しい答えは出ません。回答精度の問題の多くは、AIモデルの性能ではなく、この「切り方」と「カードに付ける見出し情報（メタデータ）」で決まります。
なぜ今、チャンク設計が注目されているのか？
2023年頃から社内AIチャットの導入が一気に進みましたが、「とりあえず文書を入れてみた」段階で止まっている企業が少なくありません。実際によくあるのが次のような症状です。
- 「A機種の点検手順を聞いたのに、B機種の手順が混ざって返ってくる」
- 「表の中の数値（締付トルクや閾値）を聞くと、別の行の値を答える」
- 「古い版の規程と最新版の内容が混ざった回答が出る」
これらはすべて、チャンクの切り方とメタデータの不足が原因で起きる典型的なトラブルです。AIモデルを高価なものに変えても解決しません。逆に言えば、モデルを変えずにチャンク設計を見直すだけで精度が大きく改善するケースが多く、費用対効果の高い改善ポイントとして注目されています。
チャンク設計の仕組みとポイントは？
ポイント1：サイズは「1チャンク1トピック」が基本
チャンクの大きさには正解の固定値はありませんが、実務上の出発点として日本語で300〜500文字程度、前後に1〜2割の重なり（オーバーラップ）を持たせるのが扱いやすい目安です。 小さすぎると「手順3のみが切り出され、前提条件の手順1〜2が抜ける」といった文脈切れが起きます。大きすぎると、1チャンクに複数の話題が混ざり、検索時に関係ない内容まで引き連れてきてノイズになります。「1チャンクに1つのトピックが収まっているか」を判断基準にしてください。 当社がPoCで行う評価でも、同じ文書・同じ質問セットに対してチャンクサイズだけを変えると、正答率が1〜2割変わることは珍しくありません。
ポイント2：文字数ではなく「文書の構造」で切る
単純に500文字ごとに機械的に切ると、表の途中や手順の途中で分断されます。精度を上げたいなら、見出し・章・手順番号といった文書の構造単位で切るのが鉄則です。
- マニュアル：「章＋節」単位で切り、長い節だけさらに分割する
- 手順書：1つの作業手順（手順1〜完了まで）をできるだけ1チャンクに収める
- 表：表を分断せず、表全体＋表のタイトルを1チャンクにする
- FAQ・トラブル事例：1問1答、1事例を1チャンクにする
特に設備保全の現場文書は表と手順の塊なので、構造を無視した分割は致命的です。元文書がWordやPDFなら、見出しスタイルが正しく使われているかを先に確認しておくと、後の分割処理が格段に楽になります。
ポイント3：メタデータは「検索の絞り込み条件」として設計する
メタデータとは、各チャンクに付ける「このカードはどの文書の、どの部分か」というラベル情報です。最低限、次の項目を付けることをおすすめします。
- 文書名・章タイトル：回答の出典表示に必須
- 文書種別：マニュアル／規程／トラブル報告など
- 対象の機種名・設備名・ライン名：機種違いの混在を防ぐ最重要項目
- 版数と改訂日：旧版との混在を防ぐ
- 閲覧権限区分：部門限定文書がある場合は必須
メタデータの価値は、検索時の絞り込みに使えることです。例えば質問文から「A装置」という機種名を抽出し、機種メタデータが「A装置」のチャンクだけを検索対象にすれば、冒頭で挙げた「B機種の手順が混ざる」問題はほぼ解消します。また「改訂日が最新の版のみ検索する」と設定すれば、旧版混在も防げます。
ポイント4：チャンク本文に文脈を埋め込む
見落とされがちですが効果が大きいのが、チャンク本文の冒頭に「文書名＞章＞節」のパンくず情報を埋め込む方法です。例えば本文が「月1回グリスを補給する」だけだと、何の設備の話か検索時に判別できません。「【A装置保全マニュアル＞第3章 定期点検＞3.2 給脂】月1回グリスを補給する」とすれば、検索の手がかりが増え、ヒット精度が上がります。
導入・改善を検討するときの視点は？
準備：まず文書の棚卸しから
チャンク設計の前に、対象文書の棚卸しが必要です。確認するのは次の3点です。
- 文書の形式：Word・PDF・Excel・スキャン画像のどれか（スキャンPDFはOCRが必要で難易度が上がる）
- 構造の整い具合：見出しスタイルや目次が使われているか
- 版管理の状態：最新版がどれか明確か、旧版が混ざっていないか
経験上、最初から全文書を対象にするのは失敗のもとです。利用頻度が高く、構造が整っている文書を50〜200ファイル程度選んで始めるのが現実的です。
進め方：評価用の質問セットを先に作る
チャンク設計の良し悪しは、感覚ではなく数字で判断します。進め方の標準形は次の通りです。
- 現場担当者に「実際にAIに聞きたい質問」と「正解となる文書の該当箇所」を30〜50問出してもらう
- チャンクサイズや分割方法を変えた複数パターンで検索・回答させ、正答率を比較する
- 誤答を分類する（検索で正しいチャンクが取れていないのか、取れているのに回答がずれるのか）
- 検索ミスが多ければチャンク設計とメタデータを見直し、回答のずれが多ければ指示文を見直す
この評価セットがあると、改善の効果を毎回同じ物差しで測れます。逆にこれがないと「なんとなく良くなった気がする」で終わり、改善が続きません。
費用感と期間の目安
既存の社内AIチャットのチャンク設計を見直す改善であれば、文書の棚卸しから評価・チューニングまで1〜2か月、ゼロからの検証（PoC）でも2〜3か月程度が一般的な目安です。費用は対象文書の量と形式（スキャンPDFの比率など）に大きく左右されるため、見積り前に文書の実態を共有できると精度の高い計画が立てられます。大きな投資をする前に、小規模な文書セットで正答率を確認する段階を挟むことを強くおすすめします。
よくある誤解
誤解1：「高性能なAIモデルに変えれば精度は上がる」
検索段階で正しいチャンクが取れていなければ、どんなモデルでも正しく答えられません。まず誤答の原因が検索側か生成側かを切り分けるのが先です。
誤解2：「文書を全部入れれば賢くなる」
似た内容の旧版や重複文書を大量に入れると、検索ノイズが増えてむしろ精度は下がります。入れる文書を厳選し、版管理を整えることが先決です。
誤解3：「チャンク設計は最初に一度決めれば終わり」
文書の種類が増えれば最適な切り方も変わります。評価セットを使って定期的に正答率を測り、継続的に調整する運用が前提です。
誤解4：「メタデータ付けは全部手作業で大変」
ファイル名の命名規則やフォルダ構成が整っていれば、機種名や文書種別の大半は自動抽出できます。手作業が必要なのは例外的な文書だけ、という状態を目指しましょう。
次の一歩：まず何をすればよいか
専門的なツールの選定より先に、今日から着手できることが3つあります。
- 対象にしたい文書を10〜20ファイル選び、形式・構造・版管理の状態を一覧化する
- 現場担当者から「AIに聞きたい質問」を30問集め、正解箇所とセットで記録する
- ファイル名やフォルダに機種名・版数が入っているか確認し、命名規則を整える
この3つが揃っていれば、社内で検証する場合も外部パートナーと進める場合も、スムーズに精度評価まで到達できます。逆にここが曖昧なまま構築を始めると、後から全チャンクを作り直すことになりがちです。 すでに社内AIチャットを運用していて精度に課題がある場合は、まず誤答を20件ほど集めて「検索ミスか、回答のずれか」を分類してみてください。それだけで、次に打つべき手がかなり明確になるはずです。