AIベンダーの提案書で確認したい5つのAI用語｜RAG・ファインチューニング・AIエージェントの読み方【2026年8月最新】

提案書を読んでいて、こういう一文に出会ったことはないでしょうか。

「RAGにより社内文書を検索し、AIエージェントが自動で回答します。お客様のデータが学習に使われることはありません」

一見すると、必要なことが全部書いてあります。でも実際には、この一文からは何ひとつ確定していません。何を検索するのか、どこまで自動で実行するのか、学習されないのは何なのか。全部が空欄のまま、言葉だけが並んでいます。

用語の意味を知らないから困るのではありません。意味は調べれば分かる。困るのは、意味を知っていても、その提案が自社に合っているか判断できないことです。

この記事では、提案書によく出てくる5つの表現について、その言葉が出てきたら何を聞き返すべきかを整理します。辞書的な定義は最小限にとどめます。

この記事の要点

1．AIエージェント

ここでは、外部のツールやシステムを使いながら、複数の処理を進める仕組みをAIエージェントと呼びます。チャット画面で答えを返すだけでなく、必要に応じて検索、記録、通知などを行う設計です。

提案書では「AIエージェントが自動で処理します」という書かれ方をします。ここで確定していないのは、どこまでを自動で実行するのかです。

読むだけなのか、書き込むのか。メールを下書きするのか、送信までするのか。同じ「自動」でも、失敗したときの影響がまるで違います。

確認すること

何を実行できるのか。 参照、作成、更新、送信、削除のどれが含まれるかを一覧で出してもらってください。「業務を自動化します」では答えになっていません。

人の承認はどこに入るのか。 全部AIが決めるのか、送信前に人が確認するのか。ここは後から変えると作り直しになる箇所です。

どのシステムとつながるのか。 メール、チャット、基幹システム、ファイルサーバー。連携先ごとに、渡す権限の範囲が変わります。実装の方式そのものより、何と、どの権限でつながるかが判断材料です。

止め方はあるか。 想定外の動きをしたとき、誰がどうやって止めるのか。緊急停止の手順が提案に入っていないなら、それ自体が確認事項です。

権限の考え方は生成AI・AIエージェントの権限設計で詳しく扱っています。読み取りだけでよい作業に書き込み権限を渡さない、という原則がここでも効きます。

2．RAG

一言でいうと、社内の文書を検索し、関連する情報を回答の材料としてAIに渡す仕組みです。モデルそのものを追加学習する方式とは異なります。

提案書では「RAG対応」「社内データを活用」と書かれます。この4文字だけでは、実際に何が起きるかは決まりません。

RAGは一枚岩の製品名ではなく、検索対象の作り方、検索の精度、回答へ渡す情報の量、権限の扱いまで含めた設計です。たとえばOpenAIのFile Search関連リファレンスも、登録したファイルを検索して応答生成に使う仕組みとして説明しています。検索できることと、社内で安全に使えることは別々に確かめる必要があります。

確認すること

検索対象は何か。 共有フォルダの全部なのか、特定のフォルダだけなのか。PDFは読めるのか、スキャンした紙は読めるのか。Excelの表や図はどう扱うのか。 ここで対象が曖昧なまま進むと、後から「その形式は対象外です」となります。

誰が更新するのか。 社内文書は変わり続けます。規程が改訂されたとき、誰がいつ反映するのか。ここが決まっていないと、改訂前の文書を根拠に回答するおそれがあります。

権限は回答にも反映されるか。 ここが最も見落とされます。人事評価の文書を検索対象に入れた場合、一般社員が質問したときに内容が出てこないか。元のファイルにアクセスできない人が、AI経由で読めてしまうという事故は起こり得ます。

精度はどう測るのか。 「高精度」という言葉ではなく、何件のテストで何をもって正解とするかを聞いてください。測り方が決まっていないなら、後から良し悪しを判定できません。

仕組みそのものを理解したい場合はRAGとは？中学生にもわかるように解説、構築の全体像は社内AI（社内GPT・RAG）の作り方完全ガイドをご覧ください。

3．ファインチューニング

一言でいうと、用意した学習データを使い、特定の仕事でのモデルの振る舞いを調整することです。RAGが必要な情報を都度参照させる仕組みなら、ファインチューニングは出力の傾向を調整する手段です。

提案書で「御社専用にファインチューニングします」と書かれていたら、まず立ち止まってください。学習データの準備、評価、更新まで含めると、RAGより検討すべき範囲が広くなることがあります。

OpenAIのFine-tuning API Referenceでも、ファインチューニングは学習データを用意してジョブを実行する方法として説明されています。つまり、単に社内資料を置き換える作業ではなく、「どんな入出力を正解とするか」を決める作業でもあります。

確認すること

なぜファインチューニングが必要なのか。 これが最初の質問です。社内文書の最新情報を回答に反映したい目的なら、まずRAGや検索連携で足りるかを検討します。追加学習を考えるのは、一定の出力形式や判定パターンを安定させたいなど、検索だけでは解きにくい場合です。専門用語や最新知識を参照させたいだけなら、先にRAGで解けないかを確認してください。

RAGやプロンプトで解決できないか。 この3つは目的が違います。混同したまま提案を受けると、必要のない工程に費用を払うことになります。

データはどれだけ必要か。 追加学習には、それなりの量と質の教師データが要ります。「御社のデータで」と言われたとき、何件必要で、誰が用意するのかを確認してください。ここが提案から抜けていると、着手後に工数が膨らみます。

モデルが新しくなったらどうなるか。 基盤モデルは更新されます。そのとき学習させた結果はどうなるのか、再学習の費用は誰が持つのか。運用が続く前提で聞いておく項目です。

詳細はLLMファインチューニング入門で扱っています。

4．マルチモーダル

一言でいうと、文章だけでなく、画像や音声、動画など複数種類のデータを扱えることです。ただし、すべての製品が同じ形式・同じ精度で扱えるわけではありません。

提案書では「マルチモーダル対応により、図面や写真も読み取ります」と書かれます。対応していることと、実務で使える品質で読めることは、別の話です。

確認すること

どの形式に対応しているのか。 画像、PDF、音声、動画。同じ「対応」でも、扱える範囲は製品によって違います。

自社の実物で試したか。 ここが要点です。きれいなサンプル画像なら読めても、現場で撮った斜めの写真、手書きの記入、かすれた図面は読めないことがあります。提案を受けたら、自社の実際のファイルで試してもらってください。 デモ用に用意されたデータで判断すると、導入後に落差が出ます。

読み取れなかったときどうなるか。 黙って空欄になるのか、読めなかったと返すのか。前者だと、誤りに気づかないまま処理が進みます。

サイズや枚数の上限はあるか。 1回に渡せるファイルサイズ、ページ数、解像度の制限を確認してください。実務のファイルが上限を超えることは珍しくありません。

5．「学習しません」という表現

これは用語ではありませんが、提案書で最も誤解を生む表現なので入れました。

「お客様のデータが学習に使われることはありません」と書かれていたとき、何が学習されないのかは書かれていません。

対象になり得るのは、入力したプロンプト、添付したファイル、AIが返した出力、操作ログ、そして「この回答は役に立った」といったフィードバックです。これらのどこまでを指しているのか、提案書だけでは分かりません。

確認すること

対象範囲はどこまでか。 入力だけなのか、出力やログも含むのか。項目ごとに答えてもらってください。

契約プランや設定で変わらないか。 製品名だけで判断せず、契約プラン、提供地域、管理設定まで区別して確認してください。条件が変わる場合は、どの条件で何が変わるのかを明確にします。

保存はされるのか。 学習に使わないことと、保存しないことは別です。どこに、どれくらいの期間保存されるのか。削除はできるのか。

OpenAIのデータ管理に関する説明でも、「モデル学習への利用」と「不正利用監視のためのログ保存」「機能を動かすための保存」を別の項目として扱っています。学習の有無だけで安心せず、保存・削除・閲覧範囲を分けて確認してください。

再委託先はどうか。 契約相手だけでなく、実際にデータを処理する事業者が別にいる場合があります。基盤モデルの提供元、クラウド事業者、監視サービス。それぞれの扱いを確認してください。

根拠はどこにあるか。 口頭の説明ではなく、規約や公式ページのどこに書かれているかを示してもらいます。確認した日付も控えておいてください。条件は変わることがあります。

この論点は生成AI導入のセキュリティ審査チェックリストで、審査に出す形まで整理しました。リスクの全体像は生成AI・ChatGPTの情報漏洩リスクと対策をご覧ください。

用語が分かっても、判断はできない

ここまで5つを見てきて、共通することがあります。

どの用語も、意味を知っただけでは判断できない。 RAGの仕組みを理解しても、自社の文書が検索対象に入るかは別の話です。エージェントの定義を知っても、どこまで自動化されるかは提案書を読まないと分かりません。

だから、用語を勉強してから発注に臨む必要はないと思っています。必要なのは、その言葉が出てきたときに何を聞き返すかを持っておくことです。

質問への答え方も、ベンダーを見極める材料です。書面や具体的な資料で前提を説明できない場合は、契約後の運用まで見通せているかを慎重に確認したほうがよいでしょう。

発注前に決めるべき項目の全体像はAI開発の要件定義とRFP、検証の設計は生成AIのPoCの進め方、契約段階の確認はAI開発の契約で失敗しない確認項目にまとめています。

よくある質問

Q. 用語を知らないまま発注するのは危険ですか

意味を丸暗記する必要はありません。ただ、提案書の言葉をそのまま受け取ると、後から想定と違うものが出てくることがあります。この記事の確認事項を手元に置いて、聞き返せる状態にしておけば足ります。

Q. ベンダーに細かく聞くと、面倒な客だと思われませんか

質問を歓迎するかどうかより、書面や具体的な資料で答えられるかを見てください。前提が曖昧なまま進むと、発注側も受注側も後から困ります。説明が抽象的なままなら、進め方を慎重に見直しましょう。

Q. RAGとファインチューニングを両方提案されました

目的が違うので、両方必要な場合もあります。ただし、それぞれ何のために入れるのかを説明してもらってください。「念のため両方」という提案なら、費用に見合うか検討の余地があります。

Q. 「精度95%」と書かれていました

何を分母に、何を正解として測った95%かを確認してください。テスト件数、データの種類、判定者が分からない数字は、比較にも判断にも使えません。

Q. 提案書に用語が多すぎて読み切れません

全部を理解しようとせず、自社の業務に直接関わる部分だけ確認すれば十分です。どの業務にAIを使うかが決まっていれば、読むべき箇所も絞れます。対象業務の決め方は生成AIの業務棚卸しガイドを参考にしてください。

提案を評価する側に立つために

提案書を読む側が確認事項を持っていると、商談の質が変わります。AIworkerは、導入を売り込むのではなく、自社にとって必要な範囲を一緒に見極めることを大切にしています。

AIネイティブX研修｜判断できる目を社内につくる

自社の業務を題材に、AIへ任せる範囲と人が確認する範囲を切り分ける演習を行います。どこまでなら使えるかを自分で見極められるようになるため、外部の提案を評価する力が社内に残ります。

AIネイティブX伴走｜要件の整理から検証まで並走する

対象業務の棚卸し、確認事項の整理、ベンダーへの質問設計、検証の合否条件づくりまで一緒に進めます。提案を受ける前の準備段階から入るため、比較の軸が揃った状態で選定できます。

業務AIプロ｜必要な範囲だけを自社仕様で作る

汎用ツールで届かない業務に対して、社内データや既存システムと接続したAIを個別に開発します。権限、ログ、例外処理、保守まで設計し、担当者が変わっても動き続ける形にします。

受け取った提案書の内容をどう評価すべきか迷っている段階でも、対象業務とデータ、体制を伺いながら、確認すべき点を一緒に整理できます。

▶️ サービス資料のダウンロード（資料請求）

▶️ 無料カウンセリング・AI活用診断のご予約

著者情報

株式会社AIworker

企業の生成AI導入・人材育成・業務改善を支援しています。1,000件を超える企業商談から得た課題を基に、生成AI研修、業務AI・AIエージェント開発、現場に入る伴走支援を提供。「研修して終わり」ではなく、AIが実際の業務で使われ続ける状態づくりを重視しています。

株式会社AIworker：https://ai-worker.net/

この記事が参考になりましたら、今後の記事づくりの励みになるので、スキをお願いします。

参考資料

• File Search関連リファレンス｜OpenAI｜2026年8月27日閲覧

• Fine-tuning API Reference｜OpenAI｜2026年8月27日閲覧

• Data controls in the OpenAI platform｜OpenAI｜2026年8月27日閲覧

#AI用語 #生成AI #AI #RAG #ファインチューニング #AIエージェント #マルチモーダル #提案書 #ベンダー選定 #AI開発 #発注 #要件定義 #RFP #PoC #契約 #情報漏洩 #学習 #データ利用 #セキュリティ #権限設計 #ガバナンス #情シス #法務 #経営企画 #DX #DX推進 #AI導入 #業務改善 #業務効率化 #社内AI #社内GPT #精度 #ハルシネーション #プロンプト #LLM #ChatGPT #Claude #Copilot #株式会社AIworker #AIworker