グラウンディング（Grounding）とは、生成AIの回答を実在する情報源に結びつけ、事実に基づいた出力を得るための技術である。モデルが内部に記憶した知識だけで答えるのではなく、社内文書や最新の検索結果といった外部の根拠を与えたうえで回答させる。もっともらしい嘘を生成するハルシネーションを抑える最も実践的な対策として、業務システムへの生成AI導入では前提となる考え方だ。
大規模言語モデルは、学習時に読み込んだ膨大な文章から統計的に次の語を選んでいる。そこには「知らないことを知らないと答える」仕組みが本質的に備わっていない。結果として、存在しない製品名や架空の条文をよどみなく書いてしまう。グラウンディングは、モデルに「この資料の範囲で答えよ」という足場を与えることで、この構造的な弱点を補う。
グラウンディングの仕組み
基本的な流れは、質問を受け取ってから回答を返すまでの間に「根拠を探して渡す」工程を挟むことにある。
まず利用者の質問を受け取り、それをもとに情報源を検索する。社内文書であれば、あらかじめベクトル化して蓄えておいた文書群から意味の近いものを取り出す。最新情報が必要な場合は、外部の検索エンジンやデータベースに問い合わせる。
次に、取り出した文書の断片を質問と一緒にプロンプトへ組み込み、「以下の資料のみを根拠として回答せよ」という指示を添えてモデルに渡す。モデルは記憶ではなく目の前に提示された文章を読んで回答を組み立てるため、根拠のない内容が混ざりにくくなる。
最後に、回答と一緒に参照した文書の出典を利用者へ提示する。どの資料のどの箇所に基づいた回答なのかが見えることで、利用者自身が正しさを検証できる。この検証可能性こそが、グラウンディングが単なる精度向上策にとどまらない理由である。
グラウンディングの手法
- 検索拡張生成（RAG）：社内文書を検索して根拠として渡す、最も一般的な方式
- Web検索との連携：外部の検索エンジンを呼び出し、最新情報を根拠にする
- 構造化データの参照：データベースへ問い合わせ、数値や在庫状況などを正確に取得する
- ナレッジグラフの活用：エンティティ間の関係を明示した知識基盤を参照させる
- ツール呼び出し：計算や日付処理など、モデルが苦手な処理を外部機能に任せる
いずれも「モデルの外に正解を置き、それを読ませる」という発想は共通している。扱う情報が文書か、数値か、関係性かによって適した方式が変わる。
グラウンディングのメリット
第一に、ハルシネーションを大きく減らせる。根拠が手元にある状態で書かせるため、モデルが想像で補う余地が狭まる。資料に書かれていない事柄については「記載がない」と答えるよう指示することで、誤った断定そのものを避けられる。
第二に、最新情報や独自情報に対応できる。モデルの学習データには締め切りがあり、それ以降の出来事や社内の非公開情報は含まれない。外部から根拠を与える方式なら、モデルを再学習させることなく、今日更新された規程にも即座に追随できる。
第三に、回答の根拠を示せる。出典つきで回答することで、利用者は元資料にあたって確認できる。誤りが見つかった際にも、モデルの問題なのか元資料の問題なのかを切り分けられるため、運用上の改善が進めやすい。
第四に、情報の管理範囲を制御できる。参照させる文書を限定すれば、権限のない情報が回答に混ざることを防げる。部署ごとに参照範囲を分ける設計も可能で、企業導入における要件を満たしやすい。
グラウンディングのデメリット・注意点
根拠の検索が外れると回答も外れる。グラウンディングの品質は、渡す資料をどれだけ的確に選べるかに依存する。関連しない文書を渡せばモデルはそれをもとに答えてしまい、かえって誤りを助長する。検索の精度が全体の上限を決める点は見落とされやすい。
元資料そのものが誤っていれば、誤りは是正されない。古い規程や更新漏れのある手順書を参照させれば、モデルは忠実にその内容を答える。情報源の鮮度と正確さを保つ運用が不可欠であり、これは技術ではなく管理の問題である。
また、根拠を与えても逸脱は完全には防げない。長い資料を渡すと中間部分が軽視されやすく、指示に反してモデル自身の知識を混ぜることもある。「資料のみを根拠とせよ」という指示の遵守度合いはモデルによって差があり、検証が必要になる。
応答速度とコストにも影響が出る。検索の実行と、取り出した文書をプロンプトに含める分だけ処理量が増える。渡す文書が多いほど入力が長くなり、課金される単位も増えるため、精度と費用の釣り合いを取る設計が求められる。
グラウンディングの活用例
- 社内ヘルプデスク：就業規則や申請手順を根拠に、従業員の質問へ出典つきで回答する
- カスタマーサポート：製品マニュアルと過去の問い合わせ履歴を参照し、正確な案内を返す
- 契約書の確認：自社の契約書を読み込ませ、条項の内容を根拠つきで説明させる
- 技術文書の検索：設計書やソースコードを参照し、仕様に関する質問に答える
- 市場調査：外部の検索結果を根拠に、最新の動向を出典つきでまとめる
- 在庫・価格照会：データベースへ問い合わせ、その時点の正確な数値を回答に反映する
グラウンディングとファインチューニングの違い
| 観点 | グラウンディング | ファインチューニング |
|---|---|---|
| 知識の持たせ方 | 回答のたびに外部から渡す | モデル内部に学習させる |
| 情報の更新 | 元資料を差し替えれば即反映 | 再学習が必要 |
| 出典の提示 | できる | できない |
| 得意なこと | 事実に基づく正確な回答 | 文体や形式、振る舞いの習得 |
| 初期コスト | 検索基盤の構築が必要 | 学習データの用意と学習が必要 |
| 実行時コスト | 入力が長くなり割高 | 追加負荷は小さい |
両者は代替関係ではない。事実を正確に答えさせたいならグラウンディング、話し方や出力形式を整えたいならファインチューニングというように、目的が異なる。実務では、口調をファインチューニングで整え、知識はグラウンディングで与える併用構成が多い。
グラウンディングを扱う際のポイント
情報源の整備を先に行うべきである。検索対象となる文書が古かったり重複していたりすると、どれだけ検索技術を磨いても正しい回答にはならない。文書の棚卸しと更新責任者の明確化は、システム構築より前に片づけておきたい。
「資料に記載がない場合は、その旨を答える」という指示を必ず含める。これがないと、モデルは空白を埋めようとして推測を書く。答えられないことを答えられないと返せる状態が、業務利用における信頼性の基礎となる。
出典の表示は、文書名だけでなく該当箇所まで示すのが望ましい。数百ページの規程のどこかに書いてあると言われても検証は進まない。見出しやページ番号まで返せる設計にしておくと、利用者の確認負荷が下がる。
評価では、回答の自然さではなく根拠との整合を見る。想定質問と正解の根拠文書を対にした検証データを用意し、意図した文書が検索で取り出せているか、回答がその内容から逸脱していないかを分けて測定すると、改善すべき箇所を特定しやすい。
まとめ
- グラウンディングは、生成AIの回答を実在する情報源に結びつけて事実性を担保する技術である
- 質問から根拠を検索し、それを渡して回答させることでハルシネーションを抑える
- 再学習なしで最新情報や社内情報に対応でき、出典を示せる点が大きな利点である
- 検索の精度が全体の上限を決め、元資料が誤っていれば誤りはそのまま出力される
- 入力が長くなるため、応答速度とコストへの影響を織り込んだ設計が必要になる
- 事実はグラウンディング、文体はファインチューニングと役割を分けて併用するのが実務的である