AIエージェントとRAGの違いと使い分け【2027年】

社内の資料をAIに答えさせたいけれど、AIエージェントとRAGの違いや、どちらを選べばよいか分からない。そんな悩みを、具体例と公式資料で整理します。

結論
RAGは資料を調べてから答える仕組みで、AIエージェントは目標に向けて段取りし、道具を使って仕事を進める仕組みです。
– RAGは回答の材料を探し、エージェントは任された範囲で複数の手順を進めます。
– 2つは対立しません。エージェントが資料を調べる道具としてRAGを使うこともできます。
– 資料が少なければ、検索を使わず全部を渡す方法もあります。資料の質と止める所を決めます。

AIエージェントとRAGの違いは？「調べて答える」と「決めて動かす」

RAGは資料を調べて答える仕組み、AIエージェントは目標に向けて段取りして動く仕組みです。違う働きを持つため、組み合わせて使えます。

RAGは「調べて答える」、AIエージェントは「決めて動く」と覚えると、2つの役割を整理しやすくなります。

RAGは、司書に必要な本を探してもらい、その内容を見て答えるような仕組みです。質問に関係する外部資料を探し、その情報を材料にAIが回答します。社内規程のように、答えの根拠を確認したい仕事に向いています。

AIエージェントは、目標に向かって道具を使う担当者のような仕組みです。設定と権限の範囲で、次に何をするかを選び、結果を見て続きの作業を進めます。いつも正しく判断できるわけではないため、人が確認する場所も必要です。

IPAは、外部サービスとの連携による情報漏えいや費用の増加を課題に挙げています。

たとえば経費精算では、規程を検索して答える仕事と、申請の下書きを作る仕事を分けます。前者に必要な資料検索を、後者のエージェントが道具として使うこともできます。

検索した規程が古ければ、後の下書きにも影響します。回答に根拠の場所を付け、利用する前に版と適用条件を確かめましょう。基準資料が更新されたら、検索側にも反映されているかを見ます。

AIエージェントの基本は、AIエージェントとはでも説明しています。

AIエージェントとRAGは対立する？国のガイドラインでの位置づけ

RAGとAIエージェントは、どちらが上かを競うものではありません。調べる方法と仕事を進める仕組みとして、一緒に設計できます。

RAGとAIエージェントは、どちらが新しくて上なの？ 国の資料ではどう説明されているのでしょうか。

次の画面は、国のAI事業者ガイドラインの別添で、AIの機能を拡張する方法を説明した箇所です。

赤枠1・2で、RAGがAIを改善する手段の一つとして並ぶ箇所を確認してください。資料を探して回答に使う役割に注目します。

同じ括弧には、メモリやツール拡張も並んでいます。脚注では、RAGを外部情報の検索と生成を組み合わせる方法として説明しています。

出典：AI事業者ガイドライン第1.2版 別添 p.7 — RAGを、メモリやツール拡張と並ぶ改善手段として示しています。

次の画面は、同じ別添でRAGの便益とAIエージェントの登場が並ぶ箇所です。

赤枠2でRAGの便益、赤枠3でエージェントの連携と判断の説明を確認してください。資料を参照する役割と、作業を進める役割を分けて考えます。

ガイドラインは、RAGにより、作り話の抑制や参照元の明示が期待されると説明します。再学習をせずに資料を追加できる点も挙げています。エージェントについては、システムと連携し、状況に応じて判断することを説明しています。

出典：AI事業者ガイドライン第1.2版 別添 p.17 — RAGの便益とAIエージェントによる連携を説明しています。

必要な資料をその場でAIに渡し、入力された文脈として参照させる方法もあります。会議中に資料を手渡して質問するイメージです。ここでいうインコンテキスト学習は、モデル本体の重みを更新する再学習とは異なります。資料を取り出す仕組みが必要かどうかは、資料の量や使い方で変わります。

出典：総務省 AI事業者ガイドライン掲載ページ — ガイドラインと関連資料の入口を掲載しています。

AIエージェントとRAGはそれぞれ何？公式の説明で確かめる

RAGは、AIが回答を作る前に、関連する外部情報を取り出す考え方です。エージェントは、その検索を道具の一つとして呼び出せます。

司書に資料を探してもらい、作業係がその資料を使うと考えると、役割の違いがつかみやすくなります。

RAGは答える前に資料を見る

次の画面は、AWSのRAG解説で検索拡張生成を説明しているページです。

赤枠1で回答前に資料を参照する流れを、赤枠3でその効果の範囲を確認してください。AWSは、RAGが生成AIの課題のいくつかを解決すると説明しています。

出典：AWS 検索拡張生成とは — 回答の前に外部の知識を参照する仕組みを解説しています。

AIがもっともらしい作り話を返す現象を、ハルシネーションと呼びます。

出典：総務省・経済産業省 AI事業者ガイドライン本編 p.11 — 推論に使う情報には、入力に加えてRAGなどで補う外部知識も含むと説明しています。

たとえば「出張時の宿泊費の上限は？」と聞かれた場合、RAGは社内の旅費規程から関係する部分を探します。見つけた資料をもとに答えを作り、参照先を示す設計にできます。ただし、古い規程を取り出せば、古い情報をもとに答えるおそれもあります。

ベクトルストアは、言葉の意味を手がかりに資料を探せる索引のようなものです。探す方法はこれだけではありません。資料の見つけ方、更新、権限を含めて設計します。

AIエージェントは道具を使って進める

次の画面は、OpenAI Agents SDKで使える道具を説明したページの記録です。現在の道具と対応版は、公式のToolsページで確認できます。

赤枠2でFileSearchToolが道具の一つとして並ぶことを確認してください。検索を行う仕組みを、エージェントから呼び出せる例です。

出典：OpenAI Agents SDK Tools — エージェントに渡せる道具と、その利用方法を説明しています。

エージェントは、たとえば規程の検索、申請内容の確認、下書き作成を順に進められます。ただし、できることは設定や接続先、与えた権限に依存します。申請の送信まで行えるかは、使う仕組みごとに確認が必要です。

IPAは、外部のAPIとの連携に伴う情報漏えいや費用の増加を課題として挙げています。APIは、別のサービスへ仕事を頼むための窓口のようなものです。つなぐ前に、渡す情報と費用が発生する条件を確かめましょう。

出典：IPA SDS技術コラム AIエージェント — 外部サービスとの連携を含むAIエージェントの特徴と課題を説明しています。

Anthropicの開発者向け公式アカウントは2026年10月、資料や記憶を活用して動くエージェントについて発信しています。

資料を読み、記憶と認証を使って動くエージェントの作り方が紹介されています。自分が任せたい作業を、検索と操作に分けて書いてみましょう。

開発者向けの情報を発信するArindam氏は2026年10月、エージェントを構成する部品を紹介しています。

投稿では、記憶と道具も部品に挙げています。自分の仕組みに必要な部品を、仕事の目的から選びましょう。

図4は、質問に合う資料を取り出して答えるまでの流れです。

図5は、目標を受け取ったエージェントが道具を選び、結果を次の作業へ渡す流れです。

生成AIそのものとの違いは、AIエージェントと生成AIの違いで整理しています。

経費精算の仕事を3通りで比べる

同じ経費精算の仕事でも、答えを得たいのか、作業を進めたいのかで必要な仕組みは変わります。規程を調べて下書きまで作りたい場合は、両方の役割を組み合わせられます。

自分の依頼を「答えるだけ」「作業を進める」「調べてから動く」の3通りに書いて比べてみましょう。

答えるだけ：RAG

「この出張の宿泊費の上限はいくらですか」。この質問への答えが必要なら、規程の該当部分を探すことが中心です。最新の規程を参照でき、回答とともに参照先を示せるようにすると、人が根拠を確かめやすくなります。

手順を進める：AIエージェント

「精算の申請を準備して」と頼めば、エージェントは必要な情報を集め、設定された道具を使って作業を進められます。ただし、適用する社内規程にアクセスできなければ、正しい上限を知っているとは限りません。段取りできることと、必要な知識を持つことは別です。

調べて動く：組み合わせ

「規程を調べ、申請額が上限内か確かめ、下書きを作る」。この依頼では、エージェントが検索を使い、その結果を次の作業に渡せます。送信まで任せるかは別に決め、たとえば下書きを人が確認してから申請します。

検索結果が誤っていれば、その後の判定や下書きも影響を受けます。作業の最後だけでなく、規程の版や検索結果を確かめる場所を設けることが大切です。

さらに、質問に必要な条件が足りない場合も考えます。宿泊費の上限は、出張先や適用される規程によって変わるかもしれません。そのとき、AIが不足した条件を勝手に補うのではなく、必要な情報を人に尋ねるように設計します。

依頼内容を比べるときは、「どこで仕事が終わるか」も確認しましょう。回答を示すところまでなら、申請フォームを書き換える権限は不要です。下書きを作る場合でも、提出までの権限を必ず与える必要はありません。

AIエージェントとRAGの組み合わせ方は？組み合わせの2つの型

組み合わせ方には、エージェントが検索を道具として使う形と、検索自体を計画して繰り返す形があります。必要な情報を得られるかと、処理にかかる時間を一緒に考えます。

何度も検索できるのは便利そうですが、その分、答えが返るまでに時間がかからないのでしょうか。

エージェントがRAGを呼ぶ

エージェントは仕事の途中で、必要に応じて資料検索の道具を使えます。先ほどの経費精算なら、まず出張の条件を確認し、旅費規程の該当部分を検索します。その結果をもとに、申請の下書きを作ります。

ここで重要なのは、検索の結果を絶対に正しいとみなさないことです。取り出した規程の版や適用条件を確かめられるよう、回答に参照先を残します。書き込みや送信が必要な場合は、検索とは別に権限を設定します。

検索を計画して繰り返す

エージェント型RAGは、AIが検索の進め方を調整しながら情報を集め、回答や作業に使う形です。図書館で一つの棚を見るだけでなく、必要な棚を考えて回り、足りない資料を探し直すようなものです。呼び方や実装の範囲は製品によって異なります。

次の画面は、Microsoftのエージェンティックリトリーバルを紹介したページです。

画面4は、検索を計画し、分けた問いを複数の資料へ出す例です。Microsoftの現行資料では、一般提供とプレビューの機能が併存し、言語モデルによるクエリ計画はプレビューです。待ち時間は検索先、推論の設定、集める資料をそろえたうえで比べます。Microsoft Learnの機能の可用性

出典：Microsoft Learn エージェンティック検索 — 検索を計画する仕組みと利用上の特徴を説明しています。

OpenAIの開発者向け公式アカウントは2026年10月、エージェントが扱う文脈の管理について発信しています。

長い作業では、何を渡し続けるかも設計の対象です。検索結果を増やす前に、必要な情報を決めましょう。

エージェントの部品や流れは、AIエージェントの仕組みでも確認できます。

AIエージェントにRAGが要らない場合・要る場合の分かれ道

資料が少なく、そのまま渡して答えを得られるなら、検索の仕組みを追加しない方法もあります。資料が多い場合や、作業を進める場合は、必要に応じて検索やエージェントを組み合わせます。

まず資料の量を数え、答えるだけか作業も動かすかを分けてください。必要な道具から選べます。

次の画面は、Anthropicが資料の量と検索の使い分けを説明した記事です。

赤枠2で、資料全体を渡す方法に言及している箇所を確認してください。実際に収まる量や費用は、使うモデルと設定で確かめます。

AnthropicのContextual Retrievalの解説が使い分けを説明しています。同記事は、約20万トークン未満の資料なら全体を入力する方法を挙げ、この量を約500ページ分と説明しています。すべてのモデルに共通する境界ではなく、記事で示された目安です。トークンは、AIが文章を扱うときの文字のかけらのような単位です。20万文字と同じ意味ではありません。

出典：Anthropic Contextual Retrieval — 検索の改善と、資料全体を渡す方法の使い分けを説明しています。

資料が多い場合は、関係する部分を探して渡す方法が候補になります。一方、検索が必要ない短い資料に複雑な仕組みを加えると、管理する部品も増えます。まずは小さく試し、正しさ、待ち時間、運用の負担を比べましょう。

資料が少ない場合

たとえば、短い社内マニュアルを一つだけ参照する仕事なら、必要な内容をまとめて渡す方法を試せます。検索結果を選ぶ工程がないため、検索用の索引を更新する仕事も発生しません。ただし、渡した資料が最新かどうかの確認は必要です。

資料の全体を渡せる場合でも、入力の上限、費用、機密情報の扱いはサービスごとに異なります。全体を渡せるからといって、関係のない個人情報まで入力する必要はありません。作業に必要な範囲を選びます。

資料が多い場合

規程、手順書、製品情報などが多く、更新も続くなら、検索して必要な部分を渡す方法が候補になります。検索対象を決め、資料に更新日や版の情報を付け、古い資料と区別できるようにします。

作業まで動かす場合

資料を使って回答するだけでなく、複数の操作を進めたい場合は、エージェントの利用を検討します。必要な道具は、検索、文書の下書き、表の更新など、目的によって変わります。最初からすべてのサービスをつなぐ必要はありません。

たとえば問い合わせの分類なら、まず内容を分類して一覧にするところまでを任せます。返信内容の作成、相手への送信は別の段階です。各段階で人が確かめる所を決めると、影響を把握しやすくなります。

使い分けメモ
依頼：
答えるだけか、作業を動かすか：
資料の種類と量：
基準にする資料：
人が確認して止める所：

AIエージェントとRAGの失敗の型と守り方

RAGを使っても、元の資料が古い、関係のない情報を拾う、権限のない人へ情報を返すといった問題は残ります。検索と作業の両方で、どこを人が確かめるか決めましょう。

資料を入れれば、もう答えの間違いや情報漏れを心配しなくていいの？ 何を確かめればよいのでしょうか。

資料の質と鮮度

RAGを使っていても、取り出した資料が常に最新で正しいとは限りません。新旧の規程が一緒に保存されていれば、古い版が見つかる場合もあります。基準となる資料、更新の担当、使わなくなった版の扱いを決めます。

回答に出典が付いていても、その資料が本当に質問に適用されるかは別の確認です。たとえば出張規程には、国内と海外、職種、例外などの条件があり得ます。該当箇所を見て、条件まで合っているかを確かめます。

汚染された資料と、似通う答え

悪意ある文書を検索対象の資料に混ぜる攻撃は、データポイズニングと呼ばれます。偽の情報を資料に紛れ込ませる行為です。資料にAIへの偽の指示を混ぜる手口は、プロンプトインジェクションと呼ばれます。両者は重なる場合もあり、検索結果をそのまま信用すると影響を受けるおそれがあります。

また、同じ資料を繰り返し参照すると、答えの方向が似通う場合があります。新しい案を広く考える仕事では、検索結果だけに絞ってよいかを考えましょう。資料を参照しても、回答全体が正しいとは限りません。

たとえば、新しい企画の候補を幅広く集めたい場合を考えます。社内の古い企画書だけを参照すれば、考え方が過去の案に寄ることがあります。反対に、社内規程に沿った回答が必要な場合は、自由に別の資料へ広げることが適切とは限りません。資料を絞るか広げるかは、正しさだけでなく仕事の目的によって決めます。

回答の確認では、「出典が表示されたか」だけで終わらせません。出典に書かれた内容が回答と一致しているか、資料の版は合っているか、必要な例外が落ちていないかを見ます。間違いが見つかったときは、検索で違う資料を拾ったのか、資料を読んだ後に答えを取り違えたのかを分けて調べます。

次の画面は、国のガイドラインにある、外部情報の利用に関する留意点です。

赤枠1・3で資料の最新性や信頼性、回答が似通う可能性を確認してください。自分が渡す資料にも、同じ確認が必要か考えます。

出典：AI事業者ガイドライン第1.2版 本編 脚注27・29 — 脚注27はRAGによる作り話の抑制と根拠の透明性向上への期待を挙げます。脚注29は回答の収束が早まる可能性を示しています。

出典：AI事業者ガイドライン第1.2版 別添 p.166 — RAGの資料の最新性と信頼性、回答が似通う可能性を説明しています。

出典：AI事業者ガイドライン第1.2版 別添 p.21 — 外部との連携による情報漏えいの恐れを挙げています。

AI関連の情報を発信するsuraj氏は2026年11月、RAGの資料汚染を学ぶべき課題として紹介しています。

資料に混ざった内容を、AIがどう扱うかが問題です。検索対象の資料と、AIへ与える指示を区別しましょう。

ITフリーランスのzin氏は2026年10月に投稿しました。資料を整理しても回答が安定しなかったという経験です。

これは投稿者の経験であり、すべての環境の結果ではありません。自分の資料と質問で、期待する回答が返るか試しましょう。

漏れと権限

RAGが社内資料を検索できる場合、検索する人ごとの権限も重要です。ある担当者が見られる資料を、別の担当者に返してよいとは限りません。検索の便利さと、閲覧権限の確認はセットで考えます。

エージェントが外部サービスへ資料を送る場合は、どの情報を渡すかも確認します。外部との接続による情報漏えいや費用は、IPAも課題に挙げています。具体的な制限の考え方は、IPAのAIエージェント技術コラムで確認できます。

実際の利用者と同じ権限で検索し、見てはいけない資料が出ないか試します。権限を変更した後も、検索側への反映を確かめます。

出典：IPA SDS技術コラム AIエージェント — 外部サービスとの連携に伴う課題を挙げています。

WEBMARKSはAIエージェントとRAGの考え方をこう使っている

WEBMARKSの記事制作では、先に調べた材料を後の工程へ渡し、作成と点検を分ける流れを使っています。必要な資料を検索して生成時に渡す考え方はRAGと共通します。ただし、ここでは記事制作の受け渡しを説明しており、特定の検索方式やRAG製品の導入実績を示すものではありません。

資料を集める工程と、それを使って作る工程を分けて書くと、後から間違いを確かめやすくなります。

社長から統括AI、部署、担当AIへ仕事を渡し、監査役が完了条件を満たすかを確認します。済んだ工程と次に進む工程を分け、条件を満たさない場合は理由を示して差し戻します。AIが「完成」と答えたことと、実物の条件を確かめたことは別です。

WEBMARKSでは、代表が方針を決め、統括が部署と担当へ仕事を分けます。担当が原稿と根拠をそろえ、監査役が完了条件を確かめます。不足があれば該当箇所を担当に戻します。サイトへの反映は、独立した点検、反映前の確認、デモでの確認をそろえて担当が進めます。

最初に材料を集め、その内容をまとめたファイルを設計や執筆の担当へ渡します。すでに済んだ作業を重ねず、不足があれば該当の工程へ戻す判断を統括が担います。

次の画面は、記事を作る仕組みの工程を表示した画面です。

赤枠2で検索する工程、赤枠3で材料から設計する工程を確認してください。どの資料をもとに書いたか、後からたどれるようにします。

英語の資料を記事に使うときは、訳文で意味をつかんだ後、数字・対象・条件を原文で照合します。たとえば「一部の機能が試用段階」という説明を、サービス全体が試用段階と読み替えないよう、該当箇所と版を残します。

資料を渡す依頼文
必要な部分だけ渡す：
基準とする資料：
資料が食い違う場合は、違いを残して報告する。
回答には根拠の場所を付ける。
最後に人が資料と回答を照合する。

WEBMARKSのnoteでも、基準資料を指定し、根拠を示して食い違いを報告する考え方を紹介しています。

AIエージェントとRAGの違いのよくある質問

迷ったときは、まず「資料をもとに答える仕事か」「道具を使って作業する仕事か」を分けます。代表的な疑問を確認しましょう。

答えを調べるだけなのか、作業まで進めるのかを先に決めると、必要な仕組みを選びやすくなります。

Q. AIエージェントにおけるRAGとは？

エージェントが仕事を進める途中で、外部資料を探して回答の材料を得る仕組みです。OpenAIのAgents SDKでは、ファイルを検索する道具が紹介されています。利用できる道具や権限は、製品や設定によって異なります。

Q. RAGの欠点は？

AI事業者ガイドラインの別添は、資料の最新性や信頼性への注意を挙げています。必要な部分を見つけられない場合もあります。出典の表示だけでなく、元の資料と適用条件を確かめてください。

Q. AIエージェントの欠点は？

IPAは、外部サービスとの連携に伴う情報漏えいや費用を課題に挙げています。判断や道具の利用を任せる分、誤った操作にも注意が必要です。任せる操作と、人が承認する場所を決めましょう。

Q. エージェント型RAGとは？

AIが検索の進め方を調整しながら情報を集め、回答や作業に使う形です。Microsoftのエージェンティックリトリーバルは検索計画の例です。実際の機能は製品によって異なるため、必要な正確さと待ち時間を比べます。

Q. AIエージェントがあればRAGはいらない？

エージェントがあるだけで、社内の最新資料を知っているとは限りません。外部の資料を調べる必要があれば、RAGを道具として組み合わせられます。Anthropicは、資料が少ない場合に全体を渡す方法も示しています。

AIエージェントとRAGの違いのまとめ

RAGは資料を調べて回答を支え、AIエージェントは道具を使って仕事を進めます。必要に応じて組み合わせ、資料と権限を確かめることが大切です。

今日の仕事を一つ選び、「答えるだけか」「動かすか」を書いて、基準にする資料と確認する人を決めましょう。

1. 自分の依頼を「答えるだけ」と「動かす」に分ける。
2. 渡す資料の量と、基準にする資料を決める。
3. 資料の汚染と権限について、人が確認して止める所を一つ決める。