社内資料にAIが根拠つきで答える仕組みを構築します

▼こんな方におすすめです ・社内に資料はあるが、どこに何があるか分からず毎回誰かに聞いている ・ベテランしか答えられない質問が多く、休むと止まる ・RAGを作ったが、資料をまたぐ質問や社内の略語に答えられない ▼社内データをAIに渡す道は3つあります 1.RAG:文書を細かく分けてベクトル検索で引く方法。導入が速く、資料の量にも強い方式です。 2.LLM Wiki:先に知識をWikiページ群へ編纂しておく方法。テーマごとに1ページへまとめ、要約・事実・別名・関連リンク・出典を持たせ、AIはリンクを辿って読みます。資料をまたぐ質問と社内の略語に強いのが利点です。 3.MCPサーバー:ClaudeやChatGPTの画面から、自社DBを参照させたり社内システムを操作させたりする口を作る方法です。 どれが向くか、組み合わせるかの判断も基本料金に含みます。 ▼料金の考え方 基本料金(5万円)は「手持ちの資料100ページで試作し、質問30件で精度を測る」検証です。構成案・費用・期間の資料まで出します。 本開発は有料オプションを。基本料金は差し引いてあり、総額はスタンダード40万円(納期30日)です。さらに「プレミアム追加分」を併用すると総額85万円(納期45日)で、MCPサーバー・権限制御・自動取り込みまで含みます。 ▼ご依頼の例 ・社内文書のAI検索(RAG):マニュアル、仕様書、議事録を取り込み、根拠つきで答えます ・LLM Wikiでの構築:資料をWikiページ群に編纂し、辿って読める形にします ・MCPサーバーの構築:AIツールから自社DB・社内システムを直接使えるように ・既存RAGの改善:「作ったが精度が出ない」を原因調査から ▼正直に申し上げること:精度は100%になりません 最も多い失敗は、「AIが全部答える」と期待して作り、実際は7割しか答えられず使われなくなることです。原因は多くの場合、資料が古い・版が複数ある・図表が中心、といった資料の側にあります。そのため基本料金での検証を強くおすすめします。「今の資料では割に合わない」という結論になることもあり、その場合はそう申し上げます。 ▼「分からない」と言わせる設計をします ・根拠になった文書とページを必ず表示する ・関連する文書が無ければ「分かりません」と答える ・答えられなかった質問を記録し、「次に整備すべき資料」の一覧として確認できる ▼情報の扱いについて 使うAIサービス(Claude / Gemini / OpenAI / 社内完結)、学習に使わせない設定、保存場所、閲覧範囲をご要望に合わせて決めます。 ▼対応できる技術・環境 Claude、Gemini、OpenAI、MCP、RAG、LLM Wiki、PostgreSQL(pgvector)、Supabase、Next.js、Python、AWS ▼これまでの経験 ・日本酒の教科書を対象としたRAG検索とMCPサーバーの構築・公開 ・取り込んだ資料から解説・問題を自動生成するパイプラインの実装 ・生成AIを組み込んだWebサービスの本番運用(Gemini+検索連携) ・業務システム開発8年以上／応用情報技術者 ▼ご購入後の流れ ヒアリング(60分)→資料のお預かり→試作と精度測定→構成の決定→実装→社内での試用→納品・運用説明 ▼お受けできないこと ・紙資料のスキャン・電子化作業 ・回答精度の数値保証 ・医療・法律・税務など、誤答が直接損害になる判断の自動化 ・社内ネットワーク・サーバー機器の調達