はじめに：自治体RAG基盤は「導入」より「正しく答え続ける運用」が重要になる
地方自治体で生成AIの活用が進むなか、単なるチャット型AIではなく、庁内文書や例規、マニュアル、議事録などを参照して回答するRAG基盤への関心が高まっています。RAGは、AIが外部知識だけに頼らず、自治体が保有する文書を根拠に回答できる点で、行政実務との相性が高い仕組みです。
一方で、RAGを導入すれば自動的に正確な回答が得られるわけではありません。元資料でも、自治体RAG基盤の精度向上には、文書の構造化、チャンキング、検索アルゴリズム、更新管理、セキュリティ制御を一体で設計する必要があると整理されています。
総務省は、令和6年12月31日時点で生成AIを導入済みの団体が、都道府県で87.2%、指定都市で90.0%、その他の市区町村で29.9%と公表しており、自治体間の導入状況には大きな差があります。 これからの焦点は「生成AIを入れるかどうか」ではなく、「住民サービスや庁内業務で安全に使える品質まで育てられるか」に移っています。
自治体RAG基盤とは何か
RAGとは、Retrieval-Augmented Generationの略で、日本語では検索拡張生成と呼ばれます。AIが回答を作る前に、あらかじめ登録された文書データベースから関連情報を検索し、その内容を根拠として回答を生成する仕組みです。
自治体であれば、次のような文書が対象になります。
- 条例、規則、要綱、要領
- 業務マニュアル、FAQ、事務処理手順書
- 議会答弁、過去の照会回答、議事録
- 住民対応履歴、通知文、庁内ガイドライン
RAGの利点は、自治体独自の制度や運用ルールに基づいて回答できる点です。一般的な生成AIに「児童手当の手続きは？」と聞いても、その自治体固有の窓口、必要書類、運用ルールまでは正確に答えられません。そこで、庁内文書を検索対象にすることで、より実務に近い回答が可能になります。
ただし、検索対象の文書が古い、重複している、表記が揺れている、PDFの構造が崩れている場合、AIは誤った根拠を拾う可能性があります。RAGの精度はAIモデルだけでなく、投入する文書の質に大きく左右されます。
RAGの精度向上は「チャンキング設計」から始まる
RAGで最初につまずきやすいのが、チャンキングです。チャンキングとは、長い文書をAIが検索しやすい単位に分割する処理です。
たとえば、例規集を単純に一定文字数で区切ると、本文と例外規定が別々のチャンクに分かれてしまうことがあります。その場合、AIは原則だけを拾い、例外を見落とした回答を生成するおそれがあります。行政文書では「ただし書き」「別表」「附則」「経過措置」が重要になるため、機械的な分割だけでは不十分です。
自治体RAGでは、文書の意味構造に沿ってチャンクを設計する必要があります。条、項、号、別表、注記、FAQの質問と回答など、行政文書のまとまりを崩さずに分割することが重要です。
元資料では、チャンキング戦略の改善によりRAGの精度が大きく向上した事例や、AIに読みやすい構造化データへ変換することで検索精度が改善する可能性が整理されています。特に、単にファイル全体を見つけるだけでなく、回答根拠となる該当箇所を正しく特定できるかが実務上の鍵になります。
AIリーダブルな文書構造化が回答品質を左右する
自治体文書は、人間が読むことを前提に作られているため、AIにとっては必ずしも読みやすい形式ではありません。PDF化された例規、表組みの多いマニュアル、過去のWord文書、画像化された議事録などは、そのままRAGに投入しても十分に機能しない場合があります。
必要なのは、AIが意味を取りやすい形式に整えることです。具体的には、見出し階層を明確にする、表をテキスト化する、文書タイトルや適用年度を付与する、章や条文の関係を保持する、といった前処理が求められます。
この作業を軽視すると、RAGは「それらしい回答」は出しても、根拠の所在が曖昧になります。行政実務では、回答の正しさだけでなく「どの文書のどの箇所に基づいているか」を示せることが重要です。住民対応、議会対応、内部監査を考えると、根拠提示のないAI回答は実務に乗せにくいでしょう。
横浜市のRAG実証では、選挙関連の問い合わせに対する回答精度が約9割に達し、若手職員と先輩職員双方の問い合わせ業務効率化につながったとされています。 このような成果は、AIモデルの性能だけでなく、過去に蓄積された文書をどう整理し、どう検索対象にしたかによって支えられています。
文書更新管理ができないRAGはすぐに古くなる
自治体RAGで最も危険なのは、古い文書を根拠に回答してしまうことです。条例や要綱、補助金制度、申請様式、担当部署、受付期間は、年度替わりや法改正によって頻繁に変わります。
たとえば、令和5年度版のマニュアルと令和6年度版のマニュアルが同時に登録されている場合、AIはどちらが最新かを自動で正しく判断できるとは限りません。キーワードが近ければ、古い文書を参照してしまう可能性があります。
そのため、RAG基盤には文書更新管理の仕組みが欠かせません。最低限、次のメタデータを付与する必要があります。
- 文書名
- 所管部署
- 文書種別
- 施行日・適用開始日
- 失効日
- 対象年度
- 更新日
- 最新版か旧版か
- 公開範囲・参照権限
特に重要なのは「失効日」と「対象年度」です。これらがないと、検索時に古い情報を除外できません。RAGの精度向上とは、AIに賢く答えさせることだけではなく、古い情報を参照させない仕組みを作ることでもあります。
LGWAN環境とセキュリティ設計は自治体RAGの前提になる
自治体業務では、住民情報、健康情報、税情報、生活保護情報など、極めて機微性の高い情報を扱います。そのため、RAG基盤を導入する際は、LGWAN環境での利用可否、学習データへの利用有無、ログ管理、アクセス制御、個人情報マスキングを必ず確認する必要があります。
デジタル庁の「テキスト生成AI利活用におけるリスクへの対策ガイドブック」は、行政サービス等で生成AIを利活用する際に想定されるリスクと対応策を整理しており、生成AI導入では利便性だけでなくリスク対策を設計段階から組み込むことが重要です。
自治体RAGでは、プロンプト入力時の個人情報だけでなく、検索対象となる庁内文書に含まれる個人情報にも注意が必要です。ユーザーが個人情報を入力していなくても、RAGが参照した文書内に個人情報が含まれていれば、回答にそのまま出力されるリスクがあります。
したがって、入力時の検知だけでなく、出力時のマスキング、参照権限の制御、部署別アクセス制限、ログ監査まで含めた多層防御が必要です。
全庁展開では「職員が使える形」に落とし込む
高精度なRAG基盤を構築しても、職員が使わなければ意味がありません。自治体では、職員ごとにITリテラシーや業務経験に差があります。全員に高度なプロンプト作成を求める設計では、利用が一部の職員に偏ります。
実務で定着させるには、初心者向けには共通テンプレートを用意し、中級者以上にはシステムメッセージや検索条件を調整できる余地を残す設計が有効です。
静岡県では、2024年12月に「exaBase 生成AI for 自治体」を本庁全職員へ導入し、庁内独自データをRAGで活用して、問い合わせ対応用文章、資料作成、データ分析などに活用すると発表されています。検証フェーズでは、FAQ作成、問い合わせ対応、校正、評価・審査、データ分析など幅広い用途が確認されています。
この事例からも、RAG基盤は情報システム部門だけのツールではなく、各部署の業務改善基盤として展開していく必要があることがわかります。
自治体RAG基盤を実用化する導入ステップ
自治体がRAG基盤を導入する際は、いきなり全庁展開を目指すよりも、対象業務を絞った検証から始める方が現実的です。
まずは、問い合わせが多く、文書根拠が明確で、成果を測定しやすい業務を選びます。例規照会、庁内FAQ、選挙事務、補助金制度、会計事務、文書管理などが候補になります。
次に、対象文書を棚卸しします。最新版、旧版、重複文書、紙由来の文書、PDF化された文書を分類し、RAGに投入してよい文書と、クレンジングが必要な文書を分けます。
そのうえで、チャンキング、メタデータ付与、検索精度評価、回答精度評価を行います。評価では「回答が自然か」だけでなく、正しい文書を検索できたか、正しい箇所を参照できたか、古い文書を除外できたかを確認する必要があります。
最後に、所管部署が自ら文書を更新できる運用体制を作ります。RAG基盤は一度作って終わりではありません。文書が更新されるたびに、再登録、再チャンキング、再インデックス化、旧版の無効化を行う必要があります。
まとめ：自治体RAGは「文書を整える力」が成果を決める
自治体RAG基盤の成否は、AIモデルの性能だけでは決まりません。むしろ、庁内にある文書をどれだけ正しく整理し、AIが検索しやすい形に変換し、常に最新状態に保てるかが成果を左右します。
特に重要なのは、次の4点です。
1つ目は、行政文書の構造に合わせたチャンキングです。条文、別表、注記、FAQなどの意味単位を崩さず、AIが正しい根拠を拾えるようにする必要があります。
2つ目は、メタデータによる文書更新管理です。施行日、失効日、対象年度、所管部署を付与し、古い文書を根拠にした誤回答を防ぐことが欠かせません。
3つ目は、LGWAN環境や個人情報マスキングを含むセキュリティ設計です。庁内文書を扱う以上、入力情報だけでなく、参照文書や出力結果にも注意が必要です。
4つ目は、全庁展開を見据えた職員支援です。テンプレート、研修、利用ログ、改善サイクルを組み合わせ、AIを一部の詳しい職員だけの道具にしないことが重要です。
RAG基盤は、自治体が長年蓄積してきた文書資産を、職員がすぐに引き出せる知識基盤へ変える仕組みです。今後は、単なるチャットAIの導入ではなく、文書管理、ナレッジマネジメント、情報セキュリティ、業務改革を一体で進める自治体が、生成AI活用の成果を大きく伸ばしていくでしょう。
コメント