ハルシネーション検出の4つの方法｜比較表と業務別の運用2026

2026.11.14

記事の要約 ハルシネーション検出とは、生成された回答ごとに誤りの疑いを見つける仕組みで、発生率を下げる対策とは役割が異なります。 手法は根拠との照合・複数回生成の一致・判定モデル・人の確認の4つで、見つけられる誤りの種類とコストがそれぞれ違います。 誤りが外に出たときの影響の大きさに応じて手法を組み合わせ、しきい値（＝判定を分ける基準の値）を「通す・確認に回す・止める」の3段で決め、判定結果をログに残して見直します。 「RAGもプロンプトも整えたのに、社内FAQボットの誤答に利用者の指摘で初めて気づいた」。検出の仕組みがないと、誤りは誰かが見つけるまで残り続けます。 本記事では、ハルシネーション検出の方法を4つに分け、論文と公式ドキュメントをもとに比較します。 東京大学松尾研発のAIスタートアップとして製薬・製造業のAI開発を手がける弊社の経験も踏まえて解説します。 ハルシネーション検出とは？対策だけでは足りない理由 ハルシネーション検出（検知）とは、生成された回答を1件ずつ調べ、誤りの疑いがあるものを見つける仕組みです。発生率を下げる「対策」とは役割が異なり、起きた誤りを利用者に届く前に見つけます。 対策だけで足りない理由は、正しい文書を渡しても、モデルが読み違えたり補ったりするためです。RAG（＝文書を検索し、その内容を根拠に答えさせる仕組み）を使っても、文書と矛盾する回答や文書にない一文は残ります。 この誤りはもっともらしい文体で出るため、読み手は気づきにくくなります。社内FAQで改定前の数字が返る、契約書の要約で条件が1つ抜ける、といった誤りは、検出の仕組みがなければ利用者の指摘を待つしかありません。 対策と検出を別の設計項目として扱うことをおすすめします。検出があれば、対策の効果も疑いの件数の増減で測れます。 原因と対策は「ハルシネーション対策とは？原因と安全なAI活用法を徹底解説」、実際に起きた誤りは「ハルシネーションの事例7選｜企業・団体で起きた原因3型と対策」で解説しています。 ハルシネーション検出の4つの手法｜仕組みと見つけられる誤り 検出の手法は、何を基準に「誤り」とみなすかで4つに分かれます。渡した文書と比べるか、モデル自身の答えの揺れを見るか、別のLLM（＝大規模言語モデル。文章を生成するAIの本体）や人の目で採点するかの違いです。 このほか、トークン確率（＝モデルが各語を選んだときの確からしさ）の低さや、モデル内部の状態から誤りの疑いを推定する手法もあります。どちらもモデル内部の数値を扱う開発側の手法のため、本記事では業務担当も設定に関われる4つを扱います。 1. 根拠との照合（NLI・Faithfulness） 根拠との照合は、回答を短い主張に分け、各主張が渡した文書から言えるかを判定する手法です。判定にはLLMや、含意（＝一方の文から他方が言えること）を判定する分類モデル（NLI＝自然言語推論など）を使います。 代表的な指標は、評価ツールRagasのFaithfulnessで、文書に裏付けられた主張の割合を0〜1で表します。文書にない一文を足す誤りに強い一方、検索で改定前の規程が渡された場合のように、文書そのものが古い誤りは検出できません。 2. 複数回生成の一致（SelfCheckGPT・意味的エントロピー） 複数回生成の一致は、同じ質問に何度か答えさせ、回答どうしが食い違う箇所を誤りの疑いとみなす手法です。知っている事実は毎回同じように出て、知らない事実は生成のたびに変わる性質を利用します。 SelfCheckGPT（Manakulら、2023年）は外部文書なしで検出できます。意味的エントロピー（＝回答の意味のばらつき）を測る手法（Farquharら、Nature、2024年）は、10回の生成を意味ごとにまとめて不確かさを測ります。 弱点は、毎回同じ誤りを答える場合には検出できない点で、Nature論文もこの限界を明記しています。生成回数の分だけ費用と待ち時間も増えます。 3. 判定モデル（LLM-as-a-judge） 判定モデルは、別のLLMに採点基準を渡し、根拠のない記述がないかを判定させる手法です。LLM-as-a-judge（＝LLMに採点役をさせる方法）と呼ばれ、判定理由を文章で返せるため原因調査に役立ちます。 GPT-4の判定は80％超で人の評価と一致した一方、提示順や回答の長さに引きずられる偏りも報告されています（Zhengら、2023年）。判定役のLLMも文章の見た目から点を付けるため、長い回答や先に示した回答を高く採点しやすくなります。 そのため、判定役も誤る前提で人の確認と組み合わせることが欠かせません。判定理由を人が抜き取りで確かめれば、偏った採点に気づけます。偏りの抑え方は「ローカルLLMの評価方法｜業務データで精度を測る5ステップと指標」で扱っています。 4. 人の確認（抜き取りとエスカレーション） 人の確認は、担当者が原典と照らして判定する、誤りを拾いやすい一方で最も高くつく手法です。多くの業務で全件は現実的でないため、自動検出で疑いが出て人に引き継ぐ回答（エスカレーション）と、無作為に抜き取った回答に絞ります。抜き取りを残すのは、自動検出の見逃しを数える手段が人の確認しかないためです。 参照元：Manakul et al.「SelfCheckGPT」EMNLP 2023（2023年12月）／Farquhar et al.「Detecting hallucinations in large language models using semantic entropy」Nature（2024年6月）／Ragas「Faithfulness」（2026年11月確認）／Zheng et al.「Judging LLM-as-a-Judge」NeurIPS 2023（2023年12月） 検出手法の比較表とクラウド3社の検出機能 4つの手法は、見つけられる誤りと必要なものが重ならないため、1つで全てを賄えません。ハルシネーションの評価方法を選ぶ前に、検出対象・必要なもの・コスト・弱点の4軸で比べます。 手法検出対象必要なものコスト弱点根拠との照合文書との矛盾、文書にない記述根拠文書低〜中文書自体の誤りは見逃す複数回生成の一致モデルが作った事実複数回の生成中〜高毎回同じ誤りは見逃す判定モデル根拠のなさ、基準違反採点基準と判定用LLM中判定役の偏り人の確認多くの誤り担当者と原典高件数を増やせない 根拠文書がある業務では根拠との照合が始めやすいというのが弊社の見方です。根拠文書のない質問には複数回生成の一致を、社内基準への適合まで見るなら判定モデルを足す、という順で選びます。 根拠との照合は、主要クラウドがマネージド機能（＝クラウド側が運用する完成済みの機能）として提供しており、自前で照合用のモデルを用意せずに始められます。 3社とも、回答が渡した文書からどこまで言えるかを採点し、しきい値を下回る回答や箇所を返す点は共通です。違いは採点の単位と、結果を回答の遮断に使うか確認の印に使うかです。 1. Amazon Bedrock Guardrails：contextual grounding check 回答が根拠に基づくか（grounding）と、質問に答えているか（relevance）を別々にスコア化します。しきい値は0〜0.99の範囲で設定します。 遮断するか判定情報だけ返すかを選べるため、顧客対応チャットは遮断し、社内FAQは判定情報を注意書きに使う、と分けられます。 日本語に対応するのは既定のClassic tier（tier＝区分）ではなくStandard tierで、クロスリージョン推論（＝複数地域のサーバーで処理を分け合う方式）が前提のため、使えるリージョンも限られます。 根拠文書は10万字、回答は5,000字までのため、長い契約書は分割して渡します。 2. Azure AI Content Safety：groundedness detection 要約と質問応答の2種類のタスクで根拠にない記述を検出します。判定理由の説明や自動修正（プレビュー＝正式提供前の試験版）、医療分野向けの設定も備えます。英語以外も送信できますが、精度は英語向けに最適化されています。 また、2027年4月30日に提供終了と告知されています。提供終了が決まっているため、新規の設計では比較の候補にとどめ、代替として案内されているFoundryの評価機能や、自前で組む根拠との照合も比べます。 3. Google Cloud：check grounding API 根拠の強さを0〜1のサポートスコアで返し、主張（文）ごとに裏付けの有無を示すため、人が確認する箇所を絞れます。引用とみなす基準の既定値は0.6で、Agent SearchのRAG機能の一部として提供されています。契約書レビューなら、裏付けのない主張を、法務が確認する箇所の印に使えます。 参照元：Amazon Web Services「Use contextual grounding check」「Languages supported by Amazon Bedrock Guardrails」（2026年11月確認）／Microsoft「Groundedness detection」（2026年10月更新）／Google Cloud「Check grounding」（2026年11月確認） 業務別のハルシネーション検出の組み合わせ方 組み合わせは、誤りが外に出たときの影響の大きさで決めます。影響が小さい業務は自動検出を中心に運用し、影響が大きい業務ほど人の確認を厚くします。 業務起きやすい誤り自動検出人の確認社内FAQ改定前の規程・数字根拠との照合＋注意書き抜き取り顧客対応チャット誤った条件・料金根拠との照合（遮断）＋判定モデル疑いのある回答契約書の要約・レビュー条項の抜け・取り違え根拠との照合（主張単位）全件（法務）規制文書（GMP文書など）数値・工程・名称の齟齬根拠との照合＋文書間の突き合わせ全件と記録調べもの・下書き存在しない出典複数回生成の一致＋出典の実在確認出典の箇所 社内FAQでは、疑いの出た回答に注意書きを付けることも一つの手です。利用者が原典を確かめるきっかけになり、誤りが気づかれないまま広がる事態を防げます。 契約書や規制文書（GMP＝医薬品の製造・品質管理の基準）では、検出は確認者が見る箇所を絞る道具と位置づけます。人の確認を減らしすぎると、検出器（＝自動検出の仕組み）の見逃しがそのまま通るためです。 根拠との照合の精度は渡す文書の質に左右されます。検索の直し方は「RAG導入で精度が出ない3つの原因と改善手順【2026年版】」をご参照ください。 ハルシネーション検出を運用に組み込む型｜しきい値・ログ・見直し LLMの出力を検証する仕組みは、入れた時点ではなく、運用で数字を見直し続けて初めて機能します。モデルの更新や文書の改定で回答の傾向は変わり、導入時に合わせた設定もずれていくためです。 しきい値・ログ・検出器の点検の3点は、稼働前に決めておきます。ログは後から足しても、それ以前の回答を検証できません。 しきい値は「通す・確認に回す・止める」の3段で決める しきい値を1つだけ設けると、厳しくすれば正しい回答まで止まり、緩めれば誤りが通ります。そこでスコアの高い順に「通す」「注意書きを付けて確認に回す」「止める」の3段で運用します。 値は、例として「0.8以上は通す、0.5未満は止める」のように仮置きし、自社データで調整します。仮置きから始めるのは、正誤を付けた自社の回答が集まるまで、止めすぎと通しすぎが釣り合う値が分からないためです。 AWSもStandard tierの会話用途では0.7を出発点に挙げ、tierを変えるときは自社データでしきい値を試すよう求めています。 調整では、正誤を付けた回答で「止めた正しい回答」と「通した誤り」を数えます。どちらを減らすかは業務で決まり、法務や規制文書では通した誤りを減らす側に寄せます。 ログに残す項目：入力・根拠・スコア・最終判断 ログは、誤りが見つかったときに「どこで間違えたか」をたどれる細かさで残します。次の項目を1件ごとに記録します。 質問文と回答文、日時、モデルと設定の版 渡した根拠文書とその版 各手法のスコアと3段の判定結果 人の確認結果と修正内容 文書の版まで残すのは、原因が「モデルの読み違い」か「文書の古さ」かを切り分けるためです。原因を取り違えると直す場所を誤ります。個人情報を含む業務では、ログの閲覧権限と保存期間も先に決めます。 検出器そのものを定期的に評価する 検出器も誤るため、抜き取りで人が付けた正誤と検出器の判定を定期的に突き合わせます。見る数字は、誤りのうち検出できた割合（再現率）と、検出のうち本当に誤りだった割合（適合率）の2つです。止める範囲を広げると再現率は上がり、適合率は下がりやすくなります。 見直しの目安は、モデルの更新、根拠文書の改定、利用部門の追加です。前の設定のまま運用すると、見逃しが増えても気づきにくくなります。 しきい値や確認の流れを本番前に確かめる場として、弊社はAI PoC（＝本番前に小さく行う技術検証）サービス「ココロミ」（スリムプラン月々99万円〜、スタンダードプラン月々250万円〜）を提供しています。 ココロミ の詳細はこちら 製薬の品質保証向けには、承認書や製造手順書など複数文書の齟齬を段落単位で自動検出する「QAI Checker」もあり、根拠との照合を文書確認に組み込む選択肢になります。 ハルシネーション検出に関するよくある質問 Q. ハルシネーションを自動で完全に検出できますか？ できません。見逃しはゼロにならないため、自動検出で疑いを絞り、重要な業務では人の確認を残します。 Q. RAGを使っていれば検出は不要ですか？ 不要にはなりません。文書の読み違いは残るためです。むしろRAGは根拠文書が手元にあるので、根拠との照合を低コストで組み込めます。 Q. 検出の仕組みづくりは誰が担うべきですか？ 開発者に、業務担当と法務・品質保証の担当が加わる体制が望ましいといえます。どの誤りをどこまで許すかは業務判断だからです。 まとめ ハルシネーション検出は、起きた誤りを利用者に届く前に見つける仕組みです。要点は次のとおりです。 4つの手法は検出対象とコストが異なり、1つでは見逃しが残る 根拠文書がある業務では根拠との照合が基本で、契約書や規制文書では人の確認と組み合わせる しきい値は3段で決め、判定をログに残し、検出器も定期的に評価する ハルシネーション検出の設計を検討している段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 ハルシネーション検出の設計を、本番前に検証しませんか AI PoCサービス「ココロミ」はスリムプラン月々99万円〜・スタンダードプラン月々250万円〜の月額制です。まずは無料相談からどうぞ。 無料で相談する ココロミを見る

RAGの精度向上｜分割・再ランク・評価と改善の順番5ステップ

2026.11.14

記事の要約 RAGの精度向上は、誤答の原因が「検索で正しい根拠を拾えていない」のか「拾えた根拠から正しく答えられていない」のかを切り分けることから始まります。 Anthropicの検証では、チャンクへの文脈付与・BM25・再ランクを重ねると、関連情報のうち上位20件に入らない割合（検索失敗率）が5.7％から1.9％へ67％下がりました。 改善は評価セット（＝質問と正解を組にした検証用データ）で検索と生成を分けて測り、分割、ハイブリッド検索、再ランク、生成側の調整の順に1つずつ変えて効果を確かめます。 「型番を聞くと別製品の手順書を返す」「根拠の文書は合っているのに、回答に文書にない条件が混ざる」。RAGの精度向上で開発者や情報システム部門の方が直面しやすい悩みです。 本記事では、誤答の切り分け方、検索精度を上げる手法、評価指標と改善の順番を解説します。 東京大学松尾研発のAIスタートアップとして製薬・製造業のAI開発を手がける弊社が、Anthropic・Microsoft・Cohereなどの公開資料をもとに整理しました。 RAGの精度が出ないときは「検索か生成か」を先に切り分ける RAG（検索拡張生成）は、文書を検索し、その内容を根拠に生成AIに答えさせる仕組みです。その精度は、検索の精度（必要な文書を拾えるか）と回答の精度（拾った文書から正しく答えるか）に分けて考えます。 そのため最初にすべきことは、手法を足す前に、誤答が検索と生成のどちらで起きているかを特定することです。 切り分けでは、誤答した質問ごとに、取り出したチャンク（＝検索の単位として文書を区切った断片）の中身を確認します。正解の箇所が候補に入っていなければ検索側、入っているのに誤答なら生成側です。 正解のチャンクが候補にないと、生成AIは手元の別の断片や自身の知識で答えを埋めます。その結果、文書にない条件が混ざったもっともらしい誤答になり、生成側の誤りに見えます。 この確認を省くと、根拠が渡っていない誤答をモデルの入れ替えで直そうとする無駄な作業が生じます。症状と打つ手の対応は次のとおりです。 症状原因の側主な原因打つ手型番・条番号を含む質問だけ外す検索側ベクトル検索が完全一致に弱いハイブリッド検索正解の文書は候補に出るが上位に来ない検索側順位付けが粗い再ランク表や規定の例外だけが答えから抜ける検索側意味の途中でチャンクが切れている見出し単位の分割・重なり「本規定」など指示語の多い文書で外す検索側チャンク単体で文脈が分からないチャンクへの文脈付与言い回しを変えると外す検索側質問と文書の言葉のずれクエリ変換根拠は渡っているのに誤答する生成側指示や渡し方の不備根拠限定の指示・渡す件数の調整 原因の全体像やモデル変更の判断は「RAG導入で精度が出ない3つの原因と改善手順【2026年版】」で整理しています。 RAGのチャンク分割と埋め込みで「探せる単位」に整える 文書をどの単位で切り、どう数値に変えるかで、後段の検索が拾える候補が決まります。 チャンク分割の基本は、見出しや条項など意味の切れ目で切り、1チャンクを大きくしすぎないことです。固定字数で機械的に切ると、規定の本文と例外が別のチャンクに分かれ、片方だけが検索に掛かります。 Microsoftは2023年、同社の顧客データ4種から作ったベンチマークで、チャンクを512トークン（＝文章の長さを数える単位）から8,191トークンまで変えて検索の再現率（＝拾うべき箇所のうち拾えた割合）を比べました。 上位50件の再現率は、512トークンで42.4、8,191トークンで34.9でした。大きなチャンクは複数の話題を1つの数値にまとめるため、個々の話題との近さが薄まり、検索で埋もれやすくなります。 同じ検証の512トークンのチャンクでは、隣と25％重ねる分割が最も高い値でした。重ねると、境目にまたがる記述がどちらかのチャンクに丸ごと残るためです。設定値は評価セットで比べて決めます。 改訂前の規程や重複ファイルが索引に残ると、古い条件のチャンクが上位に来て、根拠は渡っているのに古い答えが返ります。旧版と重複を検索対象から外し、版や改訂日などのメタデータ（＝文書に付ける属性情報）で絞り込むと防げます。 埋め込み（＝文章を意味の近さで比べられる数値の列）では、モデル選びより先にチャンク単体で主語や対象製品が分からない状態を補います。この欠落があると、どのモデルでも質問と結び付きにくくなります。 その手法がAnthropicのContextual Retrieval（文脈付与）で、各チャンクの前に文書内での位置づけを示す短い説明をLLM（＝生成AIの中核となる言語モデル）で付けてから索引を作ります。 同社は、関連する情報のうち上位20件に入らなかった割合（1−Recall@20）を失敗率とし、コードや論文などのデータで測りました。文脈付きの埋め込みだけで失敗率は5.7％から3.7％に下がり、モデルを替えずに漏れを減らせたことになります。 文脈の生成費用は、プロンプトキャッシュ（＝入力の再処理を省く機能）を使う前提の試算では文書100万トークンあたり約1.02ドルで、索引作成時に一度だけ掛かります。 同社は、検索対象の文書全体が20万トークン（約500ページ）未満なら、RAGを使わず全文をプロンプトに入れる方法も挙げています。 日本語の埋め込みモデルの選び方は「ローカルLLMでRAG構築｜社内文書検索を安全に作る5ステップ」で解説しています。 参照元：Microsoft「Azure AI Search: Outperforming vector search with hybrid retrieval and reranking」（2023年9月・2024年11月更新）／Anthropic「Introducing Contextual Retrieval」（2024年9月） ハイブリッド検索・再ランク・クエリ変換で検索精度を上げる 分割と埋め込みを整えても残る検索漏れは、検索の方式と順位付けで補います。再ランクとクエリ変換は索引を作り直さずに足せることが多く、ハイブリッド検索もキーワード用の索引を加えて組むのが一般的です。 以下、取りこぼしを補うハイブリッド検索、並びを整える再ランク、言葉のずれを埋めるクエリ変換の順に仕組みを説明します。 ハイブリッド検索は型番・条番号の取りこぼしを防ぐ ハイブリッド検索とは、ベクトル検索とキーワード検索を並行して実行し、結果を1つの順位にまとめる方式です。キーワード側にはBM25（＝語の出現頻度などで文書に点数を付ける方式）が広く使われます。 ベクトル検索は文の意味の近さで比べるため、言い換えに強い一方、製品コード・専門用語・日付・人名のような完全一致が要る質問に弱い性質があります。 一字違いの型番を同じものとみなし、別製品の手順書を上位に出すのはこのためで、文字の一致で採点するキーワード検索で補います。 Microsoftの同じ検証（2023年・同社の顧客データ4種のベンチマーク）では、上位3件の並びの良さを示すNDCG@3が、ベクトル単独43.8に対してハイブリッドは48.4でした。 キーワード単独は40.6で、どちらか一方より両方を併せたほうが高い結果です。2つの検索は外す質問の種類が異なり、片方が落とした正解をもう片方が拾うためと考えられます。 再ランクは「LLMに何を渡すか」の質を上げる 再ランク（＝検索候補を別のモデルで並べ直す処理）は、最初の検索で多めに取った候補を採点し直し、上位だけをLLMに渡す手法です。 最初の検索は質問と文書を別々に数値にして比べるため速い反面、細かな関連を見落とします。再ランクは両者を一緒に読んで採点するので精度は高いが遅く、最初の検索は速さ優先、再ランクは精度優先と役割を分けます。 Microsoftの同じ比較で、上位50件を並べ直すセマンティックランカー（同社の再ランク機能）を加えると、NDCG@3が48.4から60.1に上がりました。渡す上位3件に正解に近い文書が並ぶようになったという意味です。 Anthropicの検証でも、候補150件をCohereの再ランクモデルで上位20件に絞ると、文脈付与とBM25の併用で2.9％だった失敗率が1.9％になり、当初からの削減率は67％に達しました。 Cohere Rerankは関連度を0〜1の点数で返します。点数が2倍でも関連度が2倍とは限らないため、足切りの閾値は自社の代表的な質問30〜50件で決める方法が公式に示されています。各質問と関連性がぎりぎりの文書を組にして点数を出し、その平均を目安にします。 クエリ変換は質問と文書の言葉のずれを埋める クエリ変換とは、質問をそのまま検索せず、言い換えや分解をしてから検索する手法です。利用者が「有給」と書き、規程が「年次有給休暇」と書くようなずれは、検索方式を変えても残ることがあります。 一方で検索回数とLLMの呼び出しが増え、意図と違う言い換えが混ざる危険もあります。ハイブリッド検索と再ランクで残った漏れを確かめてから足すのが安全です。 参照元：Microsoft Learn「ハイブリッド検索の概要」「セマンティック ランキングの概要」（2026年8月更新）／Cohere「Rerank Overview」「Best Practices for using Rerank」 RAGの精度を測る評価指標は検索側と生成側で分ける 評価では、検索の当たり具合と回答の忠実さを別々の数値で測ることが改善の手掛かりです。回答の正誤だけでは、点数が下がっても検索の取りこぼしか生成の逸脱かを区別できず、直す場所を誤ります。 代表的な指標は、オープンソースの評価ライブラリRagasが定義する次の3つです。 指標測るもの低いときに疑う箇所Context Recall正解に必要な情報を検索で拾えた割合分割・ハイブリッド検索・クエリ変換Context Precision関連するチャンクが上位に並んでいるか再ランク・渡す件数Faithfulness回答の主張のうち根拠で裏付けられる割合生成側の指示・プロンプト Faithfulness（忠実性）は0〜1で表し、Context Recallが高いのに忠実性が低いなら、生成側を直す合図です。 根拠は正しく拾えているのに回答に別の規程の条件が混ざる場合がこの形で、検索には触れず生成側の指示を見直します。 LLMが採点する方式を使う場合は、採点そのものに誤りが混ざる点に注意が必要です。最初の数十件は人の判定と突き合わせ、ずれを確かめてから自動評価に任せます。 採点の偏りへの対処は「ローカルLLMの評価方法｜業務データで精度を測る5ステップと指標」で扱っています。 参照元：Ragas「Context Recall」「Context Precision」「Faithfulness」 RAG精度向上の改善の順番5ステップ 手法を一度に入れると、精度が上がっても下がっても、どれが原因か分からなくなります。弊社は、評価の土台を作り、上流から1つずつ変えて測る順番が最も手戻りが少ないと考えています。上流の不備は後段のどの手法でも取り戻せないためです。 たとえば分割で切れた例外条項は、再ランクやプロンプトをどれだけ調整しても回答に現れません。 1. 評価セットで検索と生成を分けて測る 最初に、現場の質問と外れやすい質問、正解の箇所を集め、Context Recallと忠実性の現状値を記録します。基準値がないまま手を入れると、改善したのか悪化したのかを判断できません。 質問の集め方や件数の目安は「RAG導入で精度が出ない3つの原因と改善手順【2026年版】」で解説しています。 2. 取り込みとチャンク分割を直す 検索側で外れる質問では、PDFの表の崩れや、本文と例外条項を分ける分割が原因になっていることがあります。分割は後段の手法の入力になるため、ここを飛ばして再ランクを足しても、候補に正解がなければ並べ直しようがありません。チャンクへの文脈付与も、この段階で試します。 3. ハイブリッド検索で取りこぼしを減らす 型番や条番号を含む質問の漏れは、キーワード検索を併用すると減らせます。Microsoftの比較でも併用は単独より高い値を示しており、追加の手間に比べて効果が大きいと考えられるため、分割の次に試す手法として適しています。 4. 再ランクで上位の質を上げ、渡す件数を決める 候補に正解が入ったら、再ランクで上位に寄せ、LLMに渡す件数を評価で決めます。Anthropicは5件・10件・20件を比べて20件が最も良かったと報告していますが、件数と再ランクの呼び出しが増えるほど費用と処理時間も増えます。 5. 生成側の指示とクエリ変換を調整する 検索が当たっているのに誤答が残る場合は、文書外の知識で答えない指示や根拠箇所の併記を加えます。言葉のずれによる漏れが残ればクエリ変換を足し、埋め込みモデルの入れ替えは全文書の再登録が要るため、それでも届かない場合に検討します。 生成側の対策は「ハルシネーション対策とは？原因と安全なAI活用法を徹底解説」で解説しています。 こうした改善を本番開発の前に小さく検証したい場合に向けて、弊社はAI PoCサービス「ココロミ」（スリムプラン月々99万円〜、スタンダードプラン月々250万円〜）を提供しています。 SOLIZE PARTNERS株式会社とのPoCでは、設計ナレッジの提案支援を含む2テーマを検証し、過去の資料を探す手間を減らせる見通しを得ました。 参照元：Anthropic「Introducing Contextual Retrieval」（2024年9月）／株式会社EQUES「SOLIZE PARTNERS 導入事例」 ココロミ の詳細はこちら RAGの精度向上に関するよくある質問 Q. チャンクのサイズはどのくらいから試せばよいですか？ 文書の構造と質問の粒度で変わります。まず見出し単位で切り、長い節だけを512トークン前後（Microsoftの検証で最も高い値だった設定）に分けたうえで、評価セットで2〜3通りを比べてください。 Q. ハイブリッド検索と再ランクはどちらを先に入れるべきですか？ 型番や固有名詞の漏れが目立つならハイブリッド検索、正解は候補に入るが上位に来ないなら再ランクが先です。 Q. 古い版の文書が回答に混ざるときは？ 旧版や重複文書が候補に残るためです。版や日付のメタデータで検索対象を絞ってください。 まとめ RAGの精度向上は、原因の切り分けと評価から始め、上流から1つずつ直します。 正解の箇所が検索候補になければ検索側、あるのに誤答なら生成側の問題として扱う 検索側は分割と文脈付与で土台を整え、ハイブリッド検索・再ランク・クエリ変換で漏れを減らす Context Recall・Context Precision・忠実性を分けて測り、手法は1つずつ変えて確かめる どこから直すべきか迷っている段階でも、お気軽にご相談ください。 RAGの精度改善を、評価の設計から相談しませんか AI PoCサービス「ココロミ」はスリムプラン月々99万円〜・スタンダードプラン月々250万円〜の月額制です。まずは無料相談からどうぞ。 無料で相談する ココロミを見る

AI導入補助金2026｜中小企業が使える4制度と申請の順番

2026.11.14

記事の要約 中小企業がAI導入に使える国の主な制度は、ツール・設備・新事業・研修という費用の使い道で4つに分かれ、IT導入補助金はデジタル化・AI導入補助金に改称されました。 デジタル化・AI導入補助金の交付申請は2027年1月7日17時まで（一部類型を除く）で、GビズIDプライムは書類申請の審査に最大1か月かかるため早めの取得が必要です。 補助金は交付決定前に契約・発注した経費が対象外となり、国の他の補助金と経費が重複する申請も認められないため、発注の順番と経費の切り分けが要点です。 「AI導入の費用を補助金で賄えないか」「IT導入補助金の名前が変わったが、何をいつ申請すればよいのか」。中小企業の経営者や推進担当の方が抱えやすい悩みです。 本記事では、2026年11月時点の公式情報で4制度を一覧にし、申請の順番と失敗例を整理します。 東京大学松尾研発のAIスタートアップとして製薬・製造業のAI開発を手がける弊社が、AI活用を計画する立場から解説します。 2026年度にAI導入で使える補助金・助成金の一覧（2026年11月時点） AI導入に使える国の主な制度は、何に費用を払うかで4つに分かれます。登録済みのツールならデジタル化・AI導入補助金、人手を減らす設備なら省力化投資補助金、新製品・新事業なら新事業進出・ものづくり商業サービス補助金、社員の研修なら人材開発支援助成金です。 デジタル化・AI導入補助金（旧IT導入補助金）は、事務局に登録されたAIを含むITツールの導入費を、通常枠で1/2以内・最大450万円補助する制度です。 制度名対象経費（AI関連）補助率上限公募状況公式URLデジタル化・AI導入補助金2026（通常枠）登録済みITツール（AIを含む）、クラウド利用料最大2年分1/2以内（条件により2/3）業務プロセス1〜3つは5万〜150万円未満、4つ以上は150万〜450万円以下7次締切は12月1日17時、最終の8次締切は2027年1月7日17時（スマートレジ・POSレジ類型を除く）公式省力化投資補助金（カタログ注文型）カタログ登録製品1/2以下最大1,000万円（賃上げ時1,500万円）。2026年12月の制度改定で変わる可能性あり随時受付中（2026年12月3日に制度が変わる予定）公式省力化投資補助金（一般型）現場に合わせた設備・システム構築中小企業1/2（特例2/3）750万〜8,000万円（特例で最大1億円）第9回：12月下旬締切（予定）公式新事業進出・ものづくり商業サービス補助金機械装置・システム構築費など（新事業進出枠は建物費でも可）革新的新製品・サービス枠は中小企業1/2同枠の上限は従業員数に応じ750万〜2,500万円（特例で最大3,500万円）第2回：12月25日15時締切公式人材開発支援助成金（事業展開等リスキリング支援コース）DX化に関連する訓練の経費と賃金中小企業は経費の75％1事業所1年度1億円計画届は訓練開始の6か月前〜1か月前公式 上限の差は、制度が想定する投資規模の違いから生まれます。数百万円までのツール導入か、数千万円の設備投資かで候補が変わります。先に投資額の見当をつけると、制度も次の節で見る申請の起点も決まります。 参照元：中小企業庁「デジタル化・AI導入補助金2026の概要」（2026年3月）、事務局「事業スケジュール」／中小機構「省力化投資補助金」「新事業進出・ものづくり補助金 概要」／J-Net21「統合制度の公募要領公開」（2026年7月）／厚生労働省「人材開発支援助成金」（2026年11月確認） 制度ごとの対象経費と、AI導入で使える場面 4制度は補助率や上限だけでなく、申請の起点も異なります。ツールは登録制、設備と新事業は自社の事業計画、研修は事前の計画届から手続きが始まります。 同じAIでも、月額の生成AIサービスと検査工程に組み込むAI装置では使う制度が変わります。自社の使い方がどれに当てはまるかを、対象経費から順番に確認します。 デジタル化・AI導入補助金：登録済みのAIツールを導入する 対象は事務局に登録されたITツールに限られます。公募要領（＝募集の条件と手続きを定めた公式文書）はITツールを「ソフトウェア（ＡＩを含む。）」などの総称と定め、クラウド利用料は最大2年分が対象です。 申請はIT導入支援事業者（＝ツールを提供し申請を支える登録事業者）と共同で行います。未登録のAIサービスは対象外のため、ツール選びと事業者選びが同時に進みます。 省力化投資補助金：AIを組み込んだ設備で人手を減らす 対象は人手不足の工程を設備やシステムで置き換える投資です。カタログ注文型は登録製品から選び、一般型は現場に合わせた設備やシステム構築を支援します。 中小機構は一般型で採択された生成AI活用の計画例も公表しており、売上データの集計や会議アジェンダの自動作成が並びます。 製造現場の進め方は「製造業の自動化を成功に導く！AI導入のメリットと費用・補助金まで徹底解説」で解説しています。 新事業進出・ものづくり商業サービス補助金：AIで新事業をつくる 2026年度に新設された統合制度で、革新的な新製品・サービスの開発や新市場への進出が対象です。AIを組み込んだ装置で新しい検査サービスを始める計画などが当てはまります。 同じ補助金の新事業進出枠は補助下限が750万円のため、小規模なAIツール導入には向きません。事業計画は、外部の助言を受けても申請者自身が作成する決まりです。 人材開発支援助成金：AIを使いこなす研修費を補う 事業展開等リスキリング支援コースは、DX化に関連する業務に必要な専門知識を学ぶ訓練（＝この制度での研修の呼び方）が対象です。中小企業は訓練経費の75％と、賃金として1人1時間1,000円が助成されます。 ツールを入れても使える人がいなければ効果は出ないため、導入と研修を同じ計画に入れます。ただし、既存のアプリやシステムの操作方法を習得するだけの訓練は対象になりません。 研修の選び方は「【2026年】生成AI研修おすすめ15選と失敗しない選び方・助成金活用法」をご覧ください。 参照元：事務局「公募要領（通常枠）」（2026年8月改訂）／中小機構「生成AIを活用した事業計画例」（2026年4月）、「公募要領（第2回）」（2026年11月）／厚生労働省「リスキリング支援コース支給要領」（2026年8月3日版） AI導入補助金の公募スケジュールと申請の順番 2026年11月時点で公表されている締切は、12月から2027年1月上旬に集中しています。新事業進出・ものづくり商業サービス補助金は12月25日締切です。 デジタル化・AI導入補助金の交付申請（＝補助金を受けるための申請）は、7次締切が12月1日17時、最終の8次締切が2027年1月7日17時です（最終締切は2026年10月30日の事務局発表。スマートレジ類型・POSレジ類型を除く）。 交付決定（＝事務局が補助金の交付を決めた通知）は、12月1日締切分が2027年1月19日、1月7日締切分が2027年2月17日の予定で、発注できるのは交付決定の後です。 1. GビズIDプライムを取得する GビズIDプライム（＝行政の電子申請に使う法人向けID）は、助成金以外の3つの補助金で申請の前提です。書類申請では審査に最大1か月かかるため（2026年7月に最大2週間から変更）、制度を決める前に取得しておくのが安全です。 デジタル化・AI導入補助金では、SECURITY ACTION（＝IPAのセキュリティ対策自己宣言）も要件で、こちらはID発行に概ね2〜3日かかります。 2. 対象業務を1つに絞り、制度を決める 次に、AIで減らしたい作業を1つ選び、その現状の時間や人数を書き出します。デジタル化・AI導入補助金は労働生産性の向上目標を、省力化投資補助金の一般型は投資回収期間の根拠資料を求めるため、現状の数字がないと計画が書けません。 業務の選び方は「AI導入の第一歩｜中小企業向けの事例と始め方」もあわせて参考になります。 3. 支援事業者と計画をつくり、申請する デジタル化・AI導入補助金は、IT導入支援事業者から申請マイページの招待を受けて共同で申請します。ツール情報は事業者が入力し、最後に申請者が宣誓して提出します。 新事業進出・ものづくり商業サービス補助金は申請者自身が電子申請します。人材開発支援助成金は、訓練開始日の6か月前から1か月前までに計画届を出します。 4. 交付決定を待ってから契約・発注する 交付決定の後に、契約・発注、納品、支払い、実績報告（＝導入と支払いを終えたことの報告）の順に進めます。補助金は実績報告の後に交付されるため、代金をいったん自社で払う資金計画が必要です。 デジタル化・AI導入補助金は交付後も効果報告が続くため、運用担当者も申請前に決めておきます。 参照元：事務局「申請の流れ」（2026年11月確認）／中小機構「一般型 公募要領（第9回）」 補助金を使ってAIを導入した中小企業の事例 公式の事例集から、AI機能を含むツールや設備を補助金で導入した中小企業を3社紹介します。どの事例も、AIより先に減らしたい作業が決まっていた点が共通しています。 作業を1つに絞ったから、効果を日数や人数で示せています。自社でも、測れる作業を1つ決めてから製品を探すと、手順2で書く計画の根拠がそのまま揃います。 1. 有限会社田中住建：見積もりの短縮と、AIによる図面の3D化 東京都の工務店（従業員3人）が、IT導入補助金2024の通常枠で住宅営業支援システム「ALTA Revolution」を導入しました。少人数のため、見積書の作成に時間がかかることが課題でした。 導入後は、少人数のまま約1.5か月かかっていた見積書作成が最短5日に短縮されました。AIで図面を3D・VR化し、完成イメージも顧客と共有しやすくなっています。 2. 株式会社ニッセイ：AIの自動仕訳で経理を効率化 東京都で修繕・リフォームを手がける同社（従業員25人）は、IT導入補助金2024の、通常枠とは別のインボイス枠（インボイス対応類型）でクラウド会計ソフトを導入しました。勤怠管理と給与計算が別々で、振込までの日程が厳しいことが課題でした。 勤怠から振込までを一連で処理できるようにしたうえで、AIが勘定科目を提案する自動仕訳で経理作業を標準化し、給与計算の人員を最大3名から1名に削減しました。 3. 桑都ビル管理株式会社：AI清掃ロボットで1人分を自動化 東京都のビルメンテナンス会社（従業員60人）が、省力化投資補助金のカタログ注文型でAI機能付きの自律走行清掃ロボットを導入しました。郊外の宿泊施設で採用難が続いていたことが背景です。 手作業が必要なトイレや客室は外し、共用部の床清掃に絞った結果、共用部清掃の1人分の作業量がゼロになりました（各階への移動と給水・汚水回収は人手）。 製造業の事例は「中小製造業のAI導入事例6選｜費用・補助金2026と始め方」でも紹介しています。 参照元：事務局「活用事例」（田中住建、ニッセイ）／中小企業庁「カタログ注文型活用事例集」（2025年12月） AI導入の補助金でよくある失敗例と防ぎ方 公募要領が繰り返し注意しているのは、AIの性能ではなく手続きの順番と経費の切り分けです。 第1に、交付決定前の契約・発注です。デジタル化・AI導入補助金は交付決定前に契約や支払い等を行うと補助金を受けられず、省力化投資補助金の一般型はいかなる理由でも事前着手を認めていません。 見積書と申込書が一緒に届き、急いで押印した日が契約日になるのが典型です。先に発注した経費は全額が自己負担になります。交付決定までは見積もりの取得にとどめ、契約日は交付決定日より後にしてください。 第2に、国の他の補助金との経費の重複です。新事業進出・ものづくり商業サービス補助金は経費が重複する事業を対象外とし、他の補助金の記載漏れは虚偽申請として不採択になります。 設備とツールの補助金を並行して申請し、同じソフトの費用を両方に載せると起こるため、経費は申請ごとに分けます。 第3に、事業計画の作成を外部に任せることです。新事業進出・ものづくり商業サービス補助金は外部の助言を認めつつ、作成自体を申請者以外が行うことは認めず、発覚すれば不採択や交付決定取消になります。申請支援の業者が計画書を書き、申請者が中身を説明できないまま出すと起こります。 第4に、制度の趣旨に合わない経費を含めることです。省力化投資補助金の一般型は将来的な対外向け販売を前提とする開発や、パッケージソフト（＝市販の既製ソフト）等を単体で導入する事業を対象外としています。 このように、補助金の成否は申請前の「どの業務にAIを使うか」という計画で大きく決まると弊社は考えています。その計画づくりを支えるため、弊社は「AI×DX寺子屋」を提供しています。 東大出身のAI専門家集団にチャットで相談でき、プランAは月額20万円で相談し放題・月1回のオンラインミーティング付きです。補助金申請支援の株式会社Essencimo（約30名）でも、AIを使える業務領域の再認識につながりました。 開発前に、AIで実現できるかを確かめたい場合は、AI PoC（＝本番前の小規模な技術検証）サービス「ココロミ」もご相談いただけます。 参照元：株式会社EQUES「株式会社Essencimo 導入事例」 AI×DX寺子屋 の詳細はこちら AI導入の補助金に関するよくある質問 Q. 生成AIの月額サービスも補助の対象になりますか？ 登録済みのITツールなら、月額のクラウド利用料も最大2年分が対象です。公式のITツール検索で、登録の有無とAI機能を確認できます。 Q. 自社専用のAIシステム開発に使える補助金はありますか？ 省力化投資補助金の一般型か、新事業進出・ものづくり商業サービス補助金の革新的新製品・サービス枠が候補で、どちらも機械装置・システム構築費が必須です。新事業進出枠は、それか建物費のどちらかが必要です。 Q. 2027年度も同じ制度で申請できますか？ デジタル化・AI導入補助金の事務局は、確定した募集回のみを公表し随時更新するとしています。人材開発支援助成金の事業展開等リスキリング支援コースは令和8年度（2026年度）までの期間限定です。 まとめ AI導入補助金の活用は、費用の使い道で制度を選び、GビズIDプライムの取得から交付決定後の発注まで順番を守ることが要点です。 AI導入に使える国の主な制度はツール・設備・新事業・研修の4つで、上限は数百万円から数千万円まで差がある 締切は12月から2027年1月上旬に集中し（デジタル化・AI導入補助金は1月7日まで、一部類型を除く）、GビズIDプライムは書類申請の審査に最大1か月かかる 交付決定前の発注、経費の重複、計画の丸投げは対象外や取消の対象になる 自社のAI活用をどの制度に当てはめればよいか迷う段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 補助金を使ったAI導入の計画を、専門家に相談しませんか AI×DX寺子屋はトライアル無料（初回オンライン相談30分）です。プランAは月額20万円でチャット相談し放題です。 無料で相談する AI×DX寺子屋を見る