AIが“答え”も“コード”も生み出す時代！？
RAG技術とバイブコーディングで実現した問い合わせ業務の変革

近年、労働人口の減少に伴い、人手不足が大きな課題となっています。特に、自社製品に関する問い合わせ対応業務では、限られた人員で多様な質問に対応しなければならず、担当者の負担が増大していました。さらに、お客さまからの問い合わせに迅速かつ的確に回答することも、重要な課題となっていました。
そこで担当者の負担を減らし、お客さまへの対応品質を維持・向上させるために、生成AIの活用による抜本的な効率化を模索し始めました。

RAGは「Retrieval-Augmented Generation」の略称で、日本語では「検索拡張生成」と訳されます。
これは、生成AIに外部のドキュメント検索機能を連携させ、回答生成の直前に信頼できる情報源（ナレッジベース）を参照させることで、より正確で信頼性の高い回答を実現する技術です。

従来の生成AIが学習済みデータに依存し、情報が古くなったり不正確になったりするハルシネーションのリスクを抱えるのに対し、RAGは最新の専門知識を参照できるため、回答の精度と信頼性を大幅に向上させることが可能です。
本システムでは、製品マニュアルはもちろん、社内で蓄積されたノウハウ集といった、現場で実際に活用されている情報をRAGのデータベースとして組み込みました。
さらに、回答の正確性を利用者が確認できるよう、システムでは生成AIの回答と同時に、その根拠となったドキュメント名と該当箇所を画面上に明示する機能を実装しました。

これにより、利用者は「AIがどこからその情報を得たのか」をすぐに確認でき、回答の信頼性と納得感を飛躍的に高めることができます。

RAG技術の有用性やシステムの使い勝手を検証するため、「実際に動作するシステム」を迅速に開発する必要がありました。従来の開発プロセスでは、仕様の策定から実装、テストまで長い時間が必要となり、改善サイクルを高速で回すことは困難です。
そこで私は、具体的なコードを書く代わりに、自然言語で生成AIに要件や仕様を伝えることで、生成AIがコード生成やテストを自動化する開発手法「バイブコーディング」を採用しました。

この手法を取り入れたことで、開発のスピードは劇的に向上しました。
例えば、「参照ドキュメント情報をポップアップ表示する機能」は、「回答に参照番号を表示し、参照番号を選択すると参照ドキュメントの名前と内容をポップアップで表示する。」のように自然言語で要件を指示するだけで、わずか数分でコードを生成することができました。
もちろん、生成されたコードは必ず人間が内容を確認し、修正や最適化を行うことで、品質と安全性を確保しています。
人間は「何を作るか（要件）」に集中し、「どう作るか（実装）」の大部分を生成AIに任せることで、アイデアをすぐに形にし、検証・改善のサイクルを圧倒的な速度で回すことが可能となりました。

バイブコーディングでは、部分的な修正や機能追加の際に、以前は正常に動作していた機能が意図せず動かなくなるデグレードが時折発生しました。こうした問題を防ぐため、変更後は必ず既存機能を含めた小まめな動作確認を行い、品質を保つことに注力しました。
開発したシステムは、「社内試行→社外試行→本番運用」と段階的に進めていくことにしました。

本システムを実際に社内で試行した結果、問い合わせ対応の効率化や回答品質の向上など、さまざまな効果が確認できました。
一方で、実運用を見据えた課題や改善点も明らかになりました。以下に、主な成果と今後の課題についてまとめます。

社内試行では、営業・SE・設計・品質保証といった複数部門から参加者を募り、合計数百件の問い合わせを試行しました。回答の正確性などいくつかの評価軸に基づき回答結果を検証した結果、社外試行へ進むための十分な有用性が確認できました。
最大の成果は、劇的な効率化です。従来、数千ページに及ぶマニュアルや資料から必要な情報を探し出すのに案件によっては数十分から数時間を要していた作業が、本システムの導入によってわずか数十秒で完了するようになりました。
利用者からは「問い合わせ対応の効率が大幅に向上し、コア業務に集中できるようになった」といった声をいただきました。

・課題1: ナレッジベースの拡充
試行の中で、製品マニュアルだけでなく、PowerPoint資料など、他の関連ドキュメントもRAGの参照先として組み込む必要性があることが分かりました。
この課題に対しては、実際に必要なファイルを順次追加登録し、ナレッジの拡充を図りました。

・課題2: 曖昧な質問に対してAI側から聞き返す仕組み
実際の運用では、利用者の質問が曖昧であったり、情報が不足していたりするケースが散見されました。
AIが一方的に回答するだけでは、結果的に不正確な回答を招くリスクがあります。
そのため、曖昧な質問に対してAIが能動的に追加情報を尋ねる対話的な「聞き返し」機能が不可欠であると判明しました。
今後は、この「聞き返し」機能を実装し、さらなる回答精度の向上をめざします。
現在、社内試行で得られた貴重な知見をもとに、社外のお客さまにご協力いただき、さらなるフィードバックや実運用での効果検証を進めている段階です。

本記事では、生成AIとRAG技術を活用した問い合わせ対応業務の効率化プロジェクト、そして社内試行で得られた具体的な成果と課題についてご紹介しました。
生成AIの導入により、現場の負担軽減や回答品質の向上といった効果を実感していますが、さらなる改善の余地も見えてきました。

今後、本システムの開発・運用で得られた知見やノウハウを、他の自社製品やサービスにも積極的に展開していく方針です。