- TOP
- スニフアウトAIメディア
- RAG
- AIエージェントの精度が上がらない原因と対策|ナレッジギャップの埋め方
AIエージェントの精度が上がらない原因と対策|ナレッジギャップの埋め方
AIエージェントの精度が出ない原因の多くは、モデルの賢さではなくナレッジギャップ(渡すべき情報と実際に渡している情報の差)です。工程ごとに生まれるギャップの見つけ方と、受け渡しの設計、埋まったかの確かめ方を解説します。
目次
AIエージェントの精度が上がらない原因の多くは、モデルの賢さではなく、ナレッジギャップにあります。ナレッジギャップとは、AIに本来渡すべき情報と、実際に渡している情報との差のことです。複数の工程をつなぐAIエージェントでは工程ごとにこの差が生まれるので、工程ごとに何を知っていれば正しく仕事ができるかを決め、それを過不足なく届けることが、精度を上げるいちばん確実な方法です。
新しいモデルが出るたびに乗り換えても、エージェントの精度はあまり変わらないことが多いです。株式会社スニフアウトの研修では、主要なモデルの賢さの差は実務ではあまり気にならない水準になっていて、成果の差はモデルの外側、つまり何を渡し、どうつなぐかでつく、と伝えています。
ナレッジギャップとは
新しく配属された部下に、何の説明もなく「この案件、やっといて」とだけ伝えたら、期待どおりの成果物はまず出てきません。人に頼むときは、背景、過去の似た案件、社内のルール、良し悪しの基準を時間をかけて共有しているのに、AIには一行の依頼だけを書いてしまいがちです。
情報が足りなくても、AIは黙りません。不動産会社の研修で、駅からの距離、築年数、広さ、間取りだけを渡して物件の紹介文を書かせると、美辞麗句が並び、物件にない設備が補われ、社内で禁じている最上級の表現まで入りました。一般的な紹介文としては成立していても、その会社の仕事としては使えません。
いちばん抜けやすいのは、本人にとって当たり前すぎて書かない情報です。社内でしか通じない言葉、この資料は部長が5分で判断するために使う、といった目的、金額は税抜で書く、といった部署の習慣がそうです。自分で書いたプロンプトを自分で使っていると、足りない前提を頭の中で補ってしまうので、抜けに気づけません。
AIの「できない」の3つの種類
AIにはできない、と言われた業務も、中身を分けると打ち手が変わります。
| 種類 | 状態 | 例 | 打ち手 |
|---|---|---|---|
| ナレッジギャップ | AIがその情報を知らない | 自社の値引きの基準を知らず、見積もりが作れない | 情報を渡せば解消する |
| 能力ギャップ | 情報は足りているが、品質が届かない | 数十ページにわたる文書の整合性、入れ子の多い判断 | 工程の分割、途中の確認、モデルの選び直しで縮める |
| 原理的な限界 | 任せてはいけない、任せられない | 責任を負う判断、正解のない価値判断 | 人が担い続ける |
研修や支援で「AIにはできない」と結論づけられた案件を調べると、その多くは1つ目のナレッジギャップでした。ただし、ギャップを埋めることは任せるための必要条件で、十分条件ではありません。埋めた先に、能力ギャップと原理的な限界の見極めが残ります。
工程ごとに生まれるギャップ
1つの依頼に1つの出力を返す使い方では、ギャップは人がモデルに渡す情報の1か所にしかありません。AIエージェントでは工程の数だけモデルへの入力があり、しかも各工程が受け取るのは、人が書いた情報より、前の工程が残した出力です。

打ち合わせで「初期版は画面上のアラート、Slack通知は将来」と決まっても、要約の工程が「通知に対応する」と1行にまとめれば、次の工程はSlack通知を初期版に含めた資料を作ります。誤りが表に出る場所と、誤りが生まれた場所は違います。最後の工程が推論を誤ったように見えても、原因は前の工程が条件を落として渡したことにある場合がよくあります。
工程のつなぎ目で起きる失敗は、おおむね次の4つです。
| つなぎ目の失敗 | 起きること | 手当て |
|---|---|---|
| 要約で範囲が落ちる | 判断を変える条件が消える | 確定か未確定か、根拠の発言を残して渡す。記載がないことを、制約がないと読ませない |
| 入れすぎ、足りない | 大事な指示が埋もれる。足りない分は推測で埋める | その工程に要る情報だけを渡す |
| 古い版、互いに矛盾する資料 | 古い要件と新しい要件が混ざる | 版、更新日、承認の状況、適用範囲を添える。食い違いは並べて示させ、採用は人が決める |
| 会話が長くなる | 最初に書いたルールが守られなくなる | 経過を要約に置き換える。会話の外のファイルに残す。仕事を分けて結果だけ持ち帰る |
精度を上げる手順:コンテキストエンジニアリング
工程ごとに、最適なモデルに、不要な情報を持たせず、必要な情報を十分に与えるように設計することを、コンテキストエンジニアリングと呼びます。ナレッジギャップの考え方を、複数のモデルとツールがつながったエージェント全体に広げたものです。
- 工程を分け、工程ごとに、何を知っていれば正しく仕事ができるかを言葉にする
- 工程のあいだで渡す情報の項目を決める
- 受け取る側の工程に、欠けや重複を確かめて前に返す役割を持たせる
- 計算や転記のように答えが決まる処理は、AIでなくプログラムに任せる
- 工程ごとの出力をファイルなどに残し、後からさかのぼれるようにする

受け渡しが十分かは、後ろの工程の担当がその情報だけで判断できるかで確かめます。人への引き継ぎ資料として通用するなら、AIにも足ります。4つ目の分担は、研修では、読み取りはAI、計算と転記はプログラム、判断は人、と伝えています。引き合いのメールから項目を抜き出すのはAI、単価を掛けて金額を出すのはプログラム、その見積もりで進めてよいかを決めるのは人です。これはシステム開発の要件定義にあたる作業で、ここを誤ると精度が出ず、毎回直すくらいなら自分でやったほうが早いと判断されて、エージェントは使われなくなります。
ギャップを埋める手段
ギャップを埋める手段は、手間の軽い順に4つあります。
| 手段 | 内容 | 使いどころ |
|---|---|---|
| プロンプトに書く | ルールや前提を指示に書き込む | まずここから |
| ファイルを渡す | マニュアルや過去の成果物を添付する | プロンプトと合わせて、まずここまでで品質を確かめる |
| RAG | 社内文書を検索して、必要な箇所を参照させる | 参照する文書が多すぎて、毎回渡しきれないとき |
| ファインチューニング | モデルを追加で学習させる | 文体や出力形式を固定したいとき。事実を覚えさせる用途には向かない |
何を書けばよいか迷ったら、抜けやすい7つの情報を順に確かめます。目的、読み手、前提と制約、判断の基準、出力の形式、過去の良い成果物などの実例、禁止事項です。私たちが見てきた現場でいちばん多いのは禁止事項の書き漏れで、「資料に記載のない金額を推定しない。不明な項目は記載なしと書く」と一文足すだけで、成果物の信頼性は大きく変わります。
自分では抜けに気づけないので、依頼の最後に、判断に必要なのに書かれていない情報があれば作業の前に質問してください、と加えるのも効きます。AIが挙げた不明点は、AIに推測で埋めさせず、人が答えるか、元の資料で確かめます。画面の操作や話し方のように文字に起こすと欠ける情報は、画像や音声のまま渡します。
RAGは手段の1つにすぎません。全社の文書を1つの検索の仕組みにまとめると、関係の薄い文書や古い版が混ざり、さきほどの入れすぎと古さの問題がそのまま起きます。検索の範囲はユースケースごとに絞ります。原因の切り分け方はRAGの精度が上がらない原因と対策に、社内で設計から改善まで回せるようにする学び方はRAG技術研修にまとめています。資料を渡しているのにAIが正しく読めていない場合は、データの側の問題です。表や図が混ざった資料をAIが読める形に変える方法はAgentic Document Extractionの記事で扱っています。
自律型エージェントによるギャップの補完
Claude Code や Codex のような自律型のエージェントは、作業を進めながら、手元のフォルダや接続されたデータベース、Web から足りない情報を自分で探して埋めます。検索の仕組みを別に作らなくても、フォルダを開き、ファイル名を見て、中身を確かめるという、人が資料を探すのと同じことをします。
ただし、探せるのは触れられる場所にある情報だけです。過去の提案書、会議の記録、作成ルールを作業するフォルダに置き、置き場所が分かれているなら、どこに何があるかを指示に書いておきます。人が探しやすいフォルダはAIも探しやすく、ベテランが頭の中で使っている「この顧客はこういう出力を喜ぶ」といった感覚も、文字にしてフォルダに置けばAIが使えるようになります。
ギャップが埋まったかの確かめ方
書いた指示は、新しい会話を開いて、その指示だけを渡して実行させます。直前の会話には文脈が残っているので、書き漏らしがあってもそれなりに動いてしまうからです。出力を見て横から補足したくなったら、その補足の内容がまだ埋まっていないギャップです。
出力が思いどおりでないときは、原因を2つに分けます。内容が薄い、一般論に寄っているなら情報不足で、背景や実例、社内のルールを足します。内容は合っているのに形式や粒度が毎回違うなら指示不足で、出力の形式を具体的に固定します。修正は1回に1か所だけにします。まとめて直すと、どの変更が効いたのかわからなくなります。
エージェント全体の精度は、比べる相手を完璧な仕事に置かず、いまその仕事をしている人に置いて測ります。過去に実際に処理した10〜20件と、そのとき人が出した成果物を先に揃え、合格ラインを決めてから、同じ仕事をさせます。使えなかったものは1件ずつ、必要な情報を渡していなかったのか、渡したのに読み違えたのかを分け、工程ごとの出力をさかのぼって、ずれ始めた工程を探します。
それでも埋められないギャップはあります。判断の基準がベテランの頭の中にしかないなら、まず書き出す作業が要ります。本人も言葉にできない感覚や、組織の外にしかない情報は、その工程を人が担い続ける前提で設計します。人がどこで、どう関わるかはHuman-on-the-LoopとHuman-out-of-the-Loopの記事で書きました。
まとめ
精度が出ないときに最初に疑うのは、モデルより、渡している情報です。工程ごとに何を知っていれば正しく仕事ができるかを決め、受け渡す項目を固定し、決まった処理はプログラムに回し、新しい会話と、過去に実際に処理した10〜20件で埋まったかを確かめます。工程の分け方と受け渡しの設計は、FDE育成研修で、コンテキストエンジニアリングとして演習しています。
よくある質問
ナレッジギャップとは何ですか?
モデルを新しいものに変えれば、AIエージェントの精度は上がりますか?
RAGを入れればナレッジギャップは埋まりますか?
ギャップが埋まったかは、どう確かめればよいですか?
この記事に関連するサービス

東京大学大学院 複雑理工学専攻卒業。理論物理学・ヒューマンインターフェースを専門とし、大手化粧品メーカー・ゲーム会社で AI/機械学習の開発に従事。2022年11月に株式会社スニフアウトを創業。RAG と AI エージェントの解説書を執筆している。



