RAGエンジニアに必要なスキル──検索設計・評価・権限管理の見極め【2026年版】
技術動向
社内規程や過去の技術報告書を検索して答える生成AIのチャットを、情報システム部が試作した。デモでは質問にすらすら答えたが、各部署に試してもらうと「古い版の規程を引いている」「表の数字を読み違えている」「自分が見られないはずの部署の資料が回答に出てきた」という報告が相次いだ。担当者は「モデルを変えれば直るのか」と悩んだが、原因の多くはモデルではなく、文書の取り込み方と検索の設計、権限の扱いにあった。
社内文書を検索して回答を生成する仕組みは、RAG(Retrieval-Augmented Generation、検索拡張生成)と呼ばれ、企業の生成AI活用で広く使われる形の一つになっている。RAGの品質を決めるのは、生成を担うモデルの性能だけではない。文書をどう分けて取り込むか、どう検索するか、回答の正しさをどう測るか、誰にどの文書を見せるかといった、検索とデータとセキュリティのスキルである。
この記事では、RAGやLLMアプリを担うエンジニアに必要なスキルを6つの領域に分けて整理し、評価の方法、セキュリティと権限、著作権と個人情報の論点、採用での見極め方を扱う。AIエンジニア全般の職種の切り分けと、派遣・準委任の使い分けはAIエンジニアを派遣で確保するにはで扱っているため、本記事はRAGを担うエンジニアのスキルと見極めに絞る。
この記事の要点
RAGエンジニアのスキルは、文書の前処理、検索の設計、生成の制御、評価、セキュリティと権限、運用とコストの6領域に分けて見ると、採用で確認すべき点が明確になる。
RAGの精度の問題の多くは、文書の取り込み方と検索の設計で生じる。モデルを変える前に、どの文書が検索されたかを確かめられるエンジニアが必要である。
評価は「検索が正しい文書を拾えたか」と「拾った文書から正しく答えたか」を分けて測る。評価用の質問と正解を作った経験が、試作止まりと本番運用の経験を分ける。
AIセーフティ・インスティテュート(AISI)の評価観点ガイド第1.20版(2026年7月)は、偽誤情報の防止、プライバシー保護、セキュリティ確保など10の観点に、AIエージェント向けの「観測と制御」を加えた11の観点を示しており、RAGの品質基準を決める手がかりになる。
文化審議会の「AIと著作権に関する考え方について」はRAG等の著作権の考え方を示している。社内データの扱いは個人情報保護委員会の注意喚起も踏まえて決める。
RAGとは、検索した文書をもとに生成AIが回答を作る仕組みである
RAGは、利用者の質問に関連する文書をデータベースから検索し、その内容を生成AIに渡して回答を作らせる仕組みである。モデルを追加学習させなくても社内の最新の情報に基づいて答えられるため、規程、マニュアル、技術文書、問い合わせ履歴の活用で広く使われている。
文化審議会著作権分科会法制度小委員会の「AIと著作権に関する考え方について」(2024年3月15日)は、RAGを含む手法を「生成AIによって著作物を含む対象データを検索し、その結果の要約等を行って回答を生成する手法」と説明し、実装にあたっては、文書の内容をベクトルに変換したデータベースを作成する等の行為が生じ得るとしている。
仕組みの流れは、おおむね次のとおりである。まず、社内文書を取り込み、検索しやすい単位に分割し、内容を数値のベクトルに変換して保存する。次に、利用者の質問を受けると、質問に近い文書の断片を検索し、上位の断片を指示文とともにモデルに渡す。最後に、モデルが断片の内容に基づいて回答を作り、根拠となった文書を示す。どの段階で誤りが生じても、回答の品質は落ちる。
RAGエンジニアのスキルは6つの領域に分かれる
RAGを担うエンジニアのスキルは、文書の前処理、検索の設計、生成の制御、評価、セキュリティと権限、運用とコストの6領域に分けて確認するとよい。生成AIのAPIを使えることは前提であり、差がつくのは検索とデータ、評価の領域である。
領域 | 主なスキル | 採用で確認したいこと |
|---|---|---|
文書の前処理 | PDF・表・図を含む文書の取り込み、分割の単位の設計、版や部署などの付帯情報の付与 | 表や図を含む文書をどう扱ったか、分割の単位をどう決めたか |
検索の設計 | ベクトル検索と全文検索の併用、検索結果の並べ替え、付帯情報による絞り込み | 検索が外れたときに、原因をどう切り分けたか |
生成の制御 | 指示文の設計、根拠の提示、根拠がない場合に答えない設計 | 誤った回答を減らすために、指示文と出力形式をどう工夫したか |
評価 | 評価用の質問と正解の作成、検索と生成を分けた指標、改善前後の比較 | 何件の評価データで、どの基準を満たしたら本番に出したか |
セキュリティと権限 | 利用者の権限に応じた文書の絞り込み、指示文の乗っ取りへの対策、ログの管理 | 見てはいけない文書が回答に出ない仕組みをどう作ったか |
運用とコスト | 文書の更新の反映、応答速度と費用の監視、利用者の評価の収集 | 本番に出したあと、何を定期的に見て改善したか |
経済産業省とIPAのデジタルスキル標準ver.2.0(2026年4月公表)は、AIエージェントの学習項目の一つに「知識接続」を挙げ、データ基盤のスキルの例として「データベース(RDB、ベクトル、グラフ等)」を示している。RAGエンジニアに求められるのは、生成AIとデータ基盤の両方にまたがるスキルだと言える。
文書の前処理が、RAGの精度の土台になる
RAGの精度の問題は、文書の取り込みと分割の段階で生じることが多い。前処理を設計できるエンジニアは、回答が外れたときにモデルのせいにせず、元の文書がどう取り込まれたかを確かめにいく。
企業の文書は、本文だけでなく、表、図、注記、改訂履歴を含む。PDFから文字を抜き出すと、表の行と列が崩れたり、図の中の文字が抜け落ちたりする。規程のように版が改訂される文書では、古い版と新しい版が混在すると、検索が古い版を拾ってしまう。前処理の段階で、表を構造ごと取り込む、版と施行日を付帯情報として付ける、廃止された文書を除外する、といった設計が必要になる。
分割の単位も精度を左右する。細かく分けすぎると前後の文脈が失われ、大きすぎると質問と関係のない内容が混ざる。見出し単位で分ける、条文単位で分ける、表は丸ごと一つの単位にする、など文書の種類ごとに設計を変えた経験があるかは、面接で具体的に聞く価値がある。
検索の設計は、ベクトル検索だけに頼らない
検索の設計では、意味の近さで探すベクトル検索と、語句の一致で探す全文検索を組み合わせ、結果を並べ替えて上位を選ぶ設計が一般的になっている。型番、規格番号、社内の略語のように、意味ではなく文字列の一致が重要な質問は、ベクトル検索だけでは拾えないことがあるためである。
検索のスキルを見るときは、検索が外れた事例をどう分析したかを聞くとよい。経験のあるエンジニアは、質問ごとにどの文書の断片が上位に来たかを記録し、正しい断片が検索結果に含まれていなかったのか、含まれていたが下位だったのか、上位にあったのにモデルが使わなかったのかを切り分ける。原因によって、取り込みを直すのか、検索の方式を変えるのか、指示文を直すのかが変わる。
付帯情報による絞り込みも欠かせない。部署、文書の種類、版、公開範囲といった情報を文書に付けておけば、質問の内容や利用者の属性に応じて検索の対象を絞れる。これは精度の改善だけでなく、次に述べる権限管理の基盤にもなる。
評価のスキルは、検索と生成を分けて測れるかで見る
RAGの評価では、検索が正しい文書を拾えたかと、拾った文書から正しく答えたかを分けて測る必要がある。両者を分けずに「回答が正しいか」だけを見ると、改善の打ち手が分からなくなる。
評価の対象 | 指標の例 | 評価データの作り方 |
|---|---|---|
検索 | 正しい文書の断片が上位の何件以内に含まれたか | 質問ごとに、根拠となる文書と該当箇所を業務部門と一緒に決める |
生成の正確さ | 回答が根拠の文書の内容と矛盾していないか | 正解の回答例を作り、人手または別のモデルで照合する |
根拠の提示 | 回答に示した根拠の文書が、実際に回答を支えているか | 根拠の文書を開いて、該当箇所があるかを確認する |
答えない判断 | 根拠がない質問に、推測で答えずに「分からない」と返せたか | 社内文書に答えがない質問を意図的に混ぜる |
権限 | 利用者が閲覧できない文書が、検索結果や回答に出ていないか | 権限の異なる利用者の設定で同じ質問を流す |
評価データは、最初は数十件でも構わないが、業務部門が実際に聞く質問から作ることが重要である。エンジニアだけで作った質問は、実際の利用とずれやすい。評価データを業務部門と一緒に作り、改善のたびに同じデータで比べる手順を回した経験があるかどうかが、本番運用の経験を見分ける最も確かな手がかりになる。
セキュリティと権限は、AISIの評価観点を手がかりに基準を決める
RAGのセキュリティでは、利用者が閲覧できない文書を回答に出さないこと、文書や質問に紛れ込んだ不正な指示で動作を乗っ取られないこと、ログに残る情報を管理することが中心になる。品質の基準を決める際は、AIセーフティ・インスティテュート(AISI)の評価観点ガイドが参考になる。
AISIの「AIセーフティに関する評価観点ガイド」は2024年9月に初版が公開され、2026年7月7日に第1.20版に改訂された。有害情報の出力制御、偽誤情報の出力・誘導の防止、公平性と包摂性、ハイリスク利用・目的外利用への対処、プライバシー保護、セキュリティ確保、説明可能性、ロバスト性、データ品質、検証可能性の10の観点に、第1.20版でAIエージェントシステム向けの「観測と制御」が加わった。RAGに当てはめると、次のように確認項目に落とせる。
AISIの評価観点 | RAGでの確認項目の例 |
|---|---|
偽誤情報の出力・誘導の防止 | 根拠のない回答を作らない、古い版の文書を根拠にしない |
プライバシー保護 | 個人情報を含む文書の取り込み範囲、回答への個人情報の出力の制御 |
セキュリティ確保 | 文書や質問に紛れ込んだ不正な指示への対策、利用者の権限に応じた検索 |
説明可能性 | 回答の根拠となった文書と該当箇所を示せる |
データ品質 | 取り込む文書の版管理、重複・廃止文書の除外 |
検証可能性 | 質問・検索結果・回答のログを残し、後から確認できる |
権限の扱いで重要なのは、検索の段階で利用者が閲覧できる文書だけを対象にすることである。回答を作ったあとに出力を隠す方式では、断片が回答に混ざる危険が残る。既存の文書管理システムや社内ポータルの権限と、RAGの検索対象の権限をどう同期させたかは、面接で確認しておきたい重要な項目である。
著作権と個人情報──RAGで押さえておく法的な論点
RAGで扱う文書に社外の著作物や個人情報が含まれる場合は、著作権と個人情報保護の観点から取り込みの範囲と出力の仕方を決める必要がある。エンジニアに法的な判断までは求めないが、論点を理解して設計に反映できることは求めたい。
著作権について、「AIと著作権に関する考え方について」は、RAG等のためのデータベースの作成に伴う複製等が、データベースの作成に用いた既存の著作物の創作的表現を出力することを目的としないものである場合は、著作権法第30条の4が適用され得るとしている。一方、創作的表現の全部又は一部を出力することを目的とする場合は、同条は適用されないと考えられるとしている。また、同条が適用されない場合でも、回答の生成に際して既存の著作物を利用することについては第47条の5第1項の適用が考えられるが、利用は「軽微利用」に限られ、その程度を超える場合は原則として著作権者の許諾が必要になると整理している。社外の記事や書籍を取り込む場合は、回答で原文をどこまで示すかを設計で制御する必要がある。
個人情報について、個人情報保護委員会は2023年6月2日の注意喚起で、個人情報取扱事業者が個人情報を含むプロンプトを生成AIサービスに入力する場合は、利用目的の達成に必要な範囲内かを十分に確認すること、本人の同意なく個人データを含むプロンプトを入力する場合は、提供事業者がその個人データを機械学習に利用しないこと等を十分に確認することを求めている。RAGでは、検索した文書の断片が指示文としてモデルに渡るため、社外の生成AIサービスを使う場合は、取り込む文書に個人データが含まれるかどうかと、サービスの利用条件を事前に確認しておく。
社内の規程づくりの基準としては、総務省・経済産業省のAI事業者ガイドライン第1.2版(2026年3月31日公表)が、開発者・提供者・利用者ごとに取り組む事項を示している。
スキルの見極めは、書類・面接・実技課題の3段階で行う
RAGエンジニアの見極めは、書類で担当した段階と規模を確かめ、面接で原因の切り分けと評価の手順を聞き、実技課題で実際の設計を見る、という3段階で行うと精度が上がる。
段階 | 確認すること | 見るべき兆候 |
|---|---|---|
書類 | 担当した段階(試作・本番化・運用改善)、文書の量と種類、利用者の規模 | 本番の運用と改善を担った期間が書かれている |
面接 | 検索が外れた事例の原因の切り分け、評価データの作り方、権限の設計 | 具体的な件数、基準、改善前後の比較を話せる |
実技課題 | 匿名化した文書と質問を渡し、検索・回答・評価の仕組みを作ってもらう | 評価の方法と結果を説明し、次の改善案を示せる |
実技課題は、数時間〜1日程度で取り組める規模にし、表を含む文書や、答えが文書にない質問を意図的に混ぜておくと、前処理と「答えない判断」のスキルが見える。課題の完成度よりも、評価をどう設計したか、うまくいかなかった点をどう説明するかを重視するとよい。海外在住の候補者を含めた技術面接と経歴確認の設計は、海外エンジニアをどう見極めるかで整理している。
社内で育てるか、外から採るか
RAGのスキルは、検索・データ・評価の経験が土台になるため、社内の検索システムやデータ基盤の担当者を育成する方法と、本番運用の経験者を外から採る方法がある。最初の本番化では経験者を採り、その間に社内の担当者に運用と評価を引き継ぐ形が現実的である。
社内で育てる場合は、データベースや検索システムの運用経験があるエンジニアが近い位置にいる。文書の前処理と検索の設計は、既存のスキルの延長で身につけやすい。一方、評価データを業務部門と一緒に作って改善を回す経験は、実際のプロジェクトでしか積めないため、最初のプロジェクトに経験者を入れて手順を残してもらう価値が大きい。
外国人エンジニアは、RAGの開発の中核を英語の文書とコードで担えるため、受け入れやすい。ただし、取り込む社内文書が日本語であれば、日本語の文書の構造や表記の揺れを理解できるか、日本語の担当者と評価データを作れる体制があるかを確認する必要がある。時期の目安として、弊社の実績では、日本在住で技人国の在留資格を持つ方は内定から就業開始まで1〜2か月程度で進むことが多く、海外から招へいする場合は数か月〜約6か月かかった例がある。技術情報を扱う場合の輸出管理の確認はみなし輸出管理と外国人エンジニアの採用をご覧いただきたい。
よくある質問
Q. RAGエンジニアに必要なスキルは何ですか。
文書の前処理、検索の設計、生成の制御、評価、セキュリティと権限、運用とコストの6領域のスキルです。生成AIのAPIを使えることは前提で、差がつくのは文書の取り込み方、検索が外れたときの原因の切り分け、評価データを使った改善の経験です。
Q. RAGの回答精度が低いとき、モデルを変えれば改善しますか。
改善する場合もありますが、多くの原因は文書の取り込み方と検索の設計にあります。まず、質問ごとにどの文書が検索されたかを確認し、正しい文書が検索されていないのか、検索されていたのに使われなかったのかを切り分けることが先です。
Q. RAGエンジニアの面接では何を聞けばよいですか。
検索が外れた事例の原因をどう切り分けたか、評価用の質問と正解を何件、どのように作ったか、利用者の権限に応じた検索をどう実装したかを聞くと、本番運用の経験の深さが分かります。
Q. RAGで社外の記事や書籍を取り込んでも問題ありませんか。
取り込みと回答の仕方によって考え方が変わります。文化審議会の「AIと著作権に関する考え方について」は、既存の著作物の創作的表現を出力することを目的としないデータベースの作成には著作権法第30条の4が適用され得る一方、回答で既存の著作物を利用する場合は軽微利用の範囲に限られるとしています。個別の判断は専門家にご確認ください。
Q. RAGのセキュリティで最も重要な点は何ですか。
利用者が閲覧できない文書を検索の対象から外すことです。回答を作ったあとに出力を隠す方式では、文書の断片が回答に混ざる危険が残ります。既存の文書管理システムの権限と検索対象の権限を同期させる設計が必要です。
Q. RAGの評価データは何件くらい必要ですか。
最初は数十件でも始められますが、件数よりも、業務部門が実際に聞く質問から作ることが重要です。答えが社内文書にない質問や、権限の異なる利用者の質問を混ぜておくと、本番で起きる問題を事前に見つけやすくなります。
まとめ
RAGエンジニアのスキルは、文書の前処理、検索の設計、生成の制御、評価、セキュリティと権限、運用とコストの6領域で確認する。
精度の問題の多くは文書の取り込みと検索で生じる。どの文書が検索されたかを確かめ、原因を切り分けられるエンジニアが必要である。
評価は検索と生成を分けて測り、業務部門と一緒に作った評価データで改善前後を比べる。
セキュリティでは、検索の段階で利用者の権限に応じて文書を絞る。AISIの評価観点ガイドが品質基準の手がかりになる。
社外の著作物や個人情報を扱う場合は、文化審議会の考え方と個人情報保護委員会の注意喚起を踏まえて取り込みと出力の範囲を決める。
見極めは、書類・面接・実技課題の3段階で行い、評価の設計とうまくいかなかった点の説明を重視する。
淡路グローバルゲートウェイ(AGG)では、RAG・LLMアプリ開発を担う外国人エンジニアの派遣と人材紹介をご支援しております。日本在住で就労可能なエンジニアのご紹介のほか、求めるスキルの整理や実技課題の設計、着任時期の見通しもご相談いただけます。無料相談フォームからお気軽にお問い合わせください。
エンジニアの派遣・紹介とあわせて、技能実習・特定技能での受け入れもご検討の場合は、優良監理団体のIBCAをご紹介しております。IBCAの受け入れ実績とIBCAへのお問い合わせはこちらからご確認いただけます。
あわせて読みたい関連記事:「生成AIエンジニアの採用」、「データエンジニアの採用」、「MLOpsエンジニアの採用」、「画像認識エンジニアの採用」、「AIエンジニアの年収相場」
監修者
三谷 直矢 /淡路グローバルゲートウェイ(AGG) 事業統括責任者
インドITエンジニアの可能性に着目し、AGGのIT人材部を設立しました。事業統括責任者として、エンジニア派遣事業の戦略立案と実行を担っています。


