行政ナレッジベースが答えを外す、その多くは取り込み前に始まっている
数字を見てほしい。ナレッジマネジメントの仕組みを導入している組織では、社員が週あたり「ものを探す」ことに使う時間は約4.6時間。導入していない組織では8.5時間だ。差は3.9時間。言い換えれば、千人ごとに98人分のフルタイム人力が、何もせずに浮いている計算になる。ナレッジマネジメント分野のある比較レポートが示した数字である。
この数字が言いたいのは、驚くほど素朴なことだ。ファイルがフォルダーにあるのと、そのファイルが実際に見つかり、使われるのとでは、まったく別の話だというだけである。
UglyPear データは、高性能なドキュメント圧縮と RAG データエンジニアリング基盤をつくっている。顧客の多くは、完全オンプレミス展開を必要とする機関だ。行政・公共部門の現場で、私たちは同じジレンマに何度も突き当たってきた。基盤は構築し、書類も放り込んだ。ところが市民や窓口の担当者が質問を投げると、返ってくる答えはしばしば的外れだ。最初の反応は決まっている。「モデルが駄目だ、もっと賢いのに替えよう」。しかし私たちの見立てでは、的外れな答えのほとんどは回答の段階で生まれていない。書類を取り込む前の時点に、すでに種がまかれている。
これは私たちだけの意見ではない。Compass Datacenters が2025年に米国で行った調査がある。必要以上のデータをため込んでいると認めた人は77%。削除はするものの、どう消せばいいか確信を持っているのはわずか10%——削除自体は95%が経験している。さらに59%は、手元のデジタル書類を整理するより皿洗いを選ぶと答えた。人間が整理する気にもならない書類が、機械の手に渡ってきちんと扱われるはずがない。取り込みの時点でぐちゃぐちゃなら、どれほど賢い回答層でも、ノイズの中を探し回るほかない。
だから本稿では、どのモデルを選ぶかは話さない。行政のナレッジベースを「デモ」ではなく「ちゃんとした工事」として捉えたとき、いちばん手前のどこから手をつけるべきかを考える。
成否を分けるのに、依頼側がなかなか口にしないことがある。検収では機能の有無だけが見られがちだ。アップロードできるか、回答できるか、画面は使いやすいか。では公開から3か月後に答えが正確かどうか——それを測る者はいない。成熟したチームは、業務ロジックを一行書く前に、ラベル付けした質問のセットを用意する。市民は実際にどう尋ねるのか。正しい答えとはどんな形か。どれが頻出で、どれが境界か。一見ナレッジベース構築とは無関係に見えるこの作業が、検索品質を「測れるもの」へと変える。ものさしがなければ、その後の改善はすべて勘依存になる。
もう一歩踏み込んで、失敗や境界にも居場所を残しておきたい。問いに誤字があったらどうする。ひとつの質問が、互いに矛盾する二つの文書にまたがったらどうする。文書が古くなっていたらどうする。こうした場面を最初に詰めておかないと、公開後に苦情チケットとして一本ずつ返ってくる。
なぜこんな遠回りをするのか。多くのチームが、いちばん最初から「すでに持っている能力」に飛びつくからだ。セマンティック検索に対応している、全件にインデックスを張った、大規模モデルをつないだ——どれも本当だ。だがそれは手段であって、問題そのものではない。
原点の問いに戻ってみる。尋ねている人は、いったい何を知りたいのか。市民は「子どもの入学に何を持っていけばいい」と言う。公文書には「義務教育段階の入学に必要な書類一覧」と白黒で書かれている。この二つは、文字としてはほとんど重ならない。関連性とは、文字列が似ているかどうかではなく、意味が噛み合うかどうかだ。そこまで理解すれば、行政の現場で純粋なキーワード検索がなぜ何度も失敗するのか、はっきりする。比べているのは字であって、意図ではないからだ。
コストの勘定も欠かせない。すべての書類にきめ細かな意味処理を施す価値があるわけではない。手続きの案内やよくある政策 Q&A には価値がある。何十年も前の会議議事録には、ないかもしれない。非可逆か可逆かは、その資料が将来だれに、どんな形で呼び出されるかにかかっている。全部を同じ精度に磨き上げれば、費用はかさむのに、戻ってくる利益は薄い。
この溝を埋めるために、業界には公開された定番のやり方がある。キーワードの正確さと意味のあいまいさを組み合わせ、双方から候補を集めてから統合するやり方。集まった候補を関連度で並べ直し、本当に適切なものを先頭へ押し上げるやり方。日常の言い回しを検索が扱いやすい形に言い換え、複雑な質問をいくつかの単純な質問に分けて別々に調べるやり方。日付、部署、機密区分といった属性で先に範囲を絞り、その中を探すやり方。長い文書をどこで切るかを決めるやり方——細かく切りすぎれば文脈が飛び、粗すぎればノイズが混ざる。
これらはいずれも業界で公開された一般的な実践であり、どのベンダーも全部やっているわけではない。選定の際は一つずつ確認するのがいい。用語を耳にしただけで完了だと思い込むと、たいてい後で痛い目を見る。こうした選定のヒントは技術ブログにもまとめている。
私たちが検索の分野で最近前に進めたのも、まさにこの方向だった。全件の資料を検索可能な意味インデックスに載せ、日常的な言い回しの質問を理解できるようにし、エンドツーエンドの回答を従来の数分から十数秒の領域へ縮めた。さらに口語と規範的な言い方の両方で回帰させ、どちらもヒットすることを確かめた。ここでの価値は数値の見栄えではない。「答えが正確だ」というスローガンを、再現できるものに変えたことにある。
コンプライアンスは、行政の現場が避けて通れない壁だ。データ主権を守るという観点からも、その重みは軽くない。文書管理がおろそだった場合の代償は、EU の一般データ保護規則の執行統計にうかがえる。文書管理の不備に関係した罰金は、平均して約420万ユーロにのぼる。この数字の裏には、冷たい事実がある。データが境界の外に出た瞬間、あるいは見てはいけない者の目に触れた瞬間、損害は技術的な問題の範囲を軽く超えてしまう。だから行政のナレッジベースにおいてコンプライアンスは、公開直前に貼り付ける言い訳ではない。出発点であり、前提条件だ。どの項目を機密情報とみなすか、取り込み時に自動で伏せ字にするか、検索時にどんな権限で絞り込むか、操作の記録を残すか。これらを最初に決めておいてこそ、システムはショールームの展示ではなく、日々の業務に入り込める。
とはいえ、ここまで並べた方法が本当に効いているのか、どうやって確かめるのか。そこで働くのが、もう半分の腕前——独立した検証だ。まともなチームは、開発や調整には一切使わないラベル付きの問題集を別に持つ。いわば検収専用の、もう一通の試験問題である。指標はオフラインで再現できるべきだ。別の人がもう一度走らせても、結果は大きく狂わない。重要な変更にはブラインドの比較テストをかけ、評価する側にどれが新版かを教えない。回帰テストは常駐させ、更新のたびに自動で走らせ、直したはずの箇所で別の箇所を壊すという典型的な罠を防ぐ。そこに実際の利用者のシグナルと外部監査を重ねて、証拠の連鎖が完成する。「うちは精度が高い」の一言だけで、再現できる説明が出せない相手は、いちおう疑って聞くのが賢明だ。
ここまでの観点を並べると、行政ナレッジベースの主な建設ルートは、次のように比較できる。
| 選定の観点 | パブリッククラウド大規模モデル直結 | キーワード検索+手作業の整理 | オンプレミス型ナレッジベース(圧縮+検索+ガバナンス) |
|---|---|---|---|
| データが外部に出るか | 出る | 出ない | 出ない |
| 回答を出典に遡れるか | 弱い | 強い | 強い |
| 日常の言い回しを理解するか | 強い | 弱い | 強い |
| 機密情報の伏せ字 | 申告に依存 | 手作業 | 自動処理が可能 |
| 更新と差し戻し | 制御不能 | 手作業 | 差分更新・差し戻しが可能 |
| 誰が品質を検証するか | ベンダー自称 | 体系的な検証なし | 独立ラベル集合と回帰検証が可能 |
表は、自分の制約と突き合わせて読むものだ。データが外に出てよいかは、行政の現場ではたいてい最初の硬い制約になる。この一行だけで、クラウド直結のルートは除外される。回答を出典に遡れるかは、手続きの結果を検証できるかに関わるので、やはり硬い。ルート同士を本当に引き離すのは、最後の行——だれが品質を検証するかだ。ベンダーの自称だけをよりどころにするルートは、検収する権利をそのまま手放すのに等しい。
圧縮の役割にも、ひとこと添えたい。多くの人が圧縮を保存まわりの小さな話だと考えるが、ナレッジベースではそれは手前の工程だ。場面を描こう。行政資料にはスキャン、表、写真が混在し、一つのファイルが数十メガバイトにもなる。全部を取り込めば遅いし、場所も食う。仕組みとしては、重複や冗長な情報を取り除いて体積を減らす。手際よく処理すれば、文字や印章、図表の大事な鮮明さは残り、機械での読み取りや逆引きも邪魔されない。効き目として、同時にたくさん取り込む際、先に圧縮しておくと保存と転送の負荷が一段下がり、後ろの意味インデックスもスムーズに回る。体積はふつう六割から八割(60〜80%)へ下がり、印章や図表の鮮明さは保たれる。言い換えれば、圧縮が節約するのは場所だけではない。パイプライン全体に染み込んだ「待ち時間」だ。
だから私たちは、圧縮とナレッジベースを同じ場所でつくっている。UglyPear データのRAG データエンジニアリング基盤は、取り込み前の圧縮や形式の整えから検索・回答までを一貫して担い、13種類の AI 機密情報の自動マスキングにも対応する。これに完全オンプレミス展開を組み合わせれば、圧縮もインデックスも回答も、すべて顧客自身の環境の中で完結し、データは社内ネットワークの外に出ない。このルートの価値は、どれか一つの数値が突出していることではない。「保管する、管理する、探す、使う」を、監査でき、遡れる一本の鎖につなぐことにある。
冒頭の数字に戻ろう。3.9時間を節約し、98人分のフルタイム人力が増える——聞けば効率の話に見える。だが公共部門にとって、これはどちらかといえば信頼の話だ。市民が一言尋ねたとき、正確で、検証でき、しかもプライバシーを漏らさない答えが返ってくるかどうか。取り込みの前に手を入れ、品質を測れる指標に変え、検証する権利を自分の手に握る。それで初めて、ナレッジベースは「また的外れな答えを返す飾り」ではなくなる。
今すぐ試す
行政や公共部門のナレッジベースが的外れな答えを返す、データが外部に出ていく、品質を確かめる術がない——そんな悩みを抱えているなら、UglyPear データのやり方を見てほしい。RAG データエンジニアリング基盤と完全オンプレミス展開がその入口だ。圧縮やナレッジベースに関する実践的な考え方は、技術ブログに揃えている。
よくある質問
Q:行政のナレッジベースが的外れな答えを返す。モデルを強くすれば直る?
A:たいてい直らない。原因は取り込みの前にあることが多い——書類の散乱、適切でない分割、メタデータの欠如だ。回答層がどれほど強くても、ノイズの中を探すだけになる。データガバナンスと検索品質を測れる指標に変えてから、モデルの話をしよう。
Q:データを社外に出さずに、意味検索や日常会話の質問応答はできる?
A:できる。意味インデックスも検索も回答も、顧客自身の環境の中で完結し、データを外に出す必要はない。圧縮とマスキングを組み合わせれば、一連の流れ全体がプライベート環境内で閉じる。
Q:ナレッジベースの答えが正確かどうか、どう見極めればいい?
A:再現できる方法があるかどうかを見る。独立したラベル付き問題集、だれでも再実行できるオフライン指標、ブラインド比較、常駐する回帰テスト。「精度が高い」の一言だけで、検証の型が示せない相手は慎重に。
Q:圧縮すると印章や表がにじんだりしない?
A:手際よく処理すれば、そんなことはない。体積を減らしながら、文字・印章・図表の大事な鮮明さを保つ。圧縮後にプレビューで確認してから、後段の検索に流せる。
Q:このやり方は、パブリッククラウドでないと使えない?
A:違う。顧客の社内ネットワークにまるごと置ける。圧縮もインデックスも回答もマスキングもすべてローカルで行い、データは外に出ない。