GoogleがAgentic RAG発表：足りない情報を再検索、Geminiの事実精度が34%向上

従来のRAG（検索拡張生成）の多くは、ユーザーの質問に対して1度だけ社内データを検索し、集まった断片をもとに回答を生成する「一発勝負」に頼っていました。

しかし、情報が複数のデータベースにまたがっている場合、最初の検索で断片が揃わなければ、AIは推測で知ったかぶりをするか「情報がありません」と匙を投げてしまいます。

Google ResearchとGoogle Cloudは、Gemini Enterprise Agent Platform向けの新しいフレームワーク「Agentic RAG」を発表しました。検索を1回で終わらせず、不足している情報を自律的に判断して再検索を行うマルチエージェント構造です。

事実性ベンチマークにおける精度は標準的なRAGと比べて最大34%向上し、遅延時間の増加もごくわずかに抑えられています。

回答の下書きを審査する「品質管理者」

このシステムは、単一のモデルにすべてを任せるのではなく、役割分担された複数のエージェントが連携して動きます。

全体を指揮するルートエージェント、課題を分解するプランナー、検索キーワードを最適化するクエリリライター、そして複数のデータ源へ並行検索をかけるRAGエージェントが配置されています。

最大の特徴は、回答の直前に控える「十分なコンテキストエージェント（Sufficient Context Agent）」です。工場のライン末端にいる品質検査員のような役割を果たします。

このエージェントは、取得したテキスト片と、そこから作られた回答の下書きをチェックします。例えば質問に3つの要素が含まれているのに、2つ分の情報しか手に入っていない場合、「情報不足」と判定します。

単に却下するだけでなく「何が足りないのか」の理由を明確に特定し、不足している情報だけを狙ったピンポイントの追加検索を指示します。必要な材料が完全に揃って初めて、最終回答が出力されます。

なぜ重要か

私たちが注目すべきなのは、Googleが示した「自ら不足に気づいて探しに戻る」という設計パターンの実用性です。

業務システムでAIを活用する際、データが点在しているマルチホップな質問は最大の障壁でした。これまでのようにモデルを巨大化させたり延々と自己反省プロンプトを回したりするのではなく、下書き評価と差分検索を切り分けたことで、遅延を増やさずに34%の事実精度向上を達成したのは見事なアプローチです。

業界全体にとっても、従来のシングルステップ型RAGがいかに不完全だったかを突きつける結果となりました。Google Cloudの利用者でなくとも、このエージェント型パイプラインの設計思想は今後のエンタープライズ検索の標準テンプレートになるはずです。

ただし、自律的な再検索には特有のリスクもあります。社内文書のノイズが多い環境では、不足判定が誤作動して無駄な検索ループを繰り返し、APIコストが跳ね上がる懸念も残ります。理論上の美しさを実運用の泥臭いデータの中でどこまで維持できるかが、今後の見極めどころです。