retrieval（情報検索・取得）とは、ユーザーの質問に関連する文書やその断片を、大量の情報源から探して取り出す工程です。RAG（検索拡張生成）を二段階に分けたとき、前半の「探す」がこの retrieval、後半の「探した文書を根拠に答えを書く」が generation にあたります。retrieval はAIに正しい材料を手渡す役割を担い、ここで的確な文書を拾えるかどうかが、最終的な回答の正しさを大きく左右します。
retrieval は、あるクエリ（＝検索の入力。ここではユーザーの質問）に対して、あらかじめ用意された文書の集まり（＝コーパス、あるいはナレッジベースと呼ばれる知識の保管庫）の中から、関連度の高いものを選び出して返す処理です。返す単位は文書全体のこともあれば、多くの場合は文書を数百字程度に分割したチャンク（＝意味のまとまりごとのかたまり）単位です。返される候補は通常、上位 N 件（例：上位数件〜数十件）に絞られます。この「関連度の高い順に取り出す」という点が retrieval の核心で、単に一致するものを全部返すのではなく、近いものから優先して取り出すのが特徴です。
関連度の測り方には大きく二系統があります。ひとつはキーワード検索（＝同じ単語がどれだけ含まれるかで測る、字面の一致にもとづく方式。BM25 などの古典的な手法が代表）です。もうひとつはベクトル検索（＝テキストを埋め込みという意味の数値ベクトルに変換し、意味の近さで測る方式）です。前者は型番・固有名詞のような完全一致が効く語に強く、後者は言い換えや表記ゆれを越えて意味で拾えるのが強みです。実務では両方を組み合わせるハイブリッド検索がよく使われ、それぞれの弱点を補い合います。
retrieval と、その後段にある reranking（リランキング＝取り出した候補をより高精度なモデルで並べ替える工程）を混同しないことも大切です。retrieval は「大量の中から候補を素早く絞る」役割で、速さと網羅性が重視されます。reranking は「絞り込んだ少数の候補を精密に並べ替える」役割で、精度が重視されます。retrieval が広く浅く集め、reranking が狭く深く選ぶ、という分担で、両者は連携して働きます。
AI検索対策において retrieval が決定的なのは、この工程こそが「自社コンテンツがAIの回答に採用されるかどうかの入口」だからです。生成AIは、retrieval が手渡した文書だけを見て答えを書きます。裏を返せば、retrieval で拾われなかった文書は、どれだけ内容が優れていても回答には一切反映されません。AI検索に引用されたいなら、まず retrieval の網に掛かることが絶対条件になります。「良い記事を書いた」だけでは足りず、「質問に対して retrieval が上位で拾ってくれる形で書いてある」ことが求められます。
この視点は、従来のSEO（検索エンジン最適化）とAI検索対策の違いを浮き彫りにします。従来の検索は、狙ったキーワードをページに含めることが基本でした。しかしベクトル検索が働く retrieval では、同じ単語が入っているかよりも、文章全体が質問と同じ意味の方向を向いているかが効きます。ユーザーが使う自然な言い回しに意味的に近づける、想定される多様な聞き方を意識する、といった書き方が、retrieval での拾われやすさに直結します。
さらに、retrieval の多くがチャンク単位で動くことも実務に効きます。拾われるのはページ全体ではなく、質問に最も近い1つのチャンクです。したがって、そのチャンク単体を切り出して読んでも意味が完結していること、1つのまとまりの中で話題が散らからないことが重要になります。「結論を各ブロックの冒頭に置く」「1見出し1論点にする」といったAIO実務の定石は、この retrieval のチャンク照合と正面からかみ合うからこそ効果を持ちます。
retrieval が質問から関連文書を取り出すまでの流れは、おおむね次の順序で進みます。
- 事前準備として、情報源の文書をチャンクに分割し、検索できる形（キーワード索引やベクトル）に変換して保管庫に格納しておきます。
- ユーザーの質問を受け取り、検索方式に合わせて処理します（キーワード検索なら語の抽出、ベクトル検索なら埋め込みへの変換）。
- 保管庫の中から、質問との関連度が高い候補を計算して探します。
- 関連度の高い順に上位 N 件を取り出します（＝この絞り込みが retrieval の出力）。
- 取り出した候補を、必要に応じて reranking で並べ替えてから、後段の生成AIに渡します。
候補が数百万件に及ぶと、関連度を一件ずつ総当たりで計算しては間に合いません。そこでベクトル検索では近似最近傍探索（ANN＝Approximate Nearest Neighbor。厳密な最短ではないが十分近いものを高速に見つける手法）が使われ、多少の精度と引き換えに桁違いの速さを得ています。retrieval が現実的なコストで成り立っているのは、この「速く近いものを見つける」工夫があるからです。
キーワード検索とベクトル検索（retrieval の二方式）| 観点 | キーワード検索 | ベクトル検索 |
|---|
| 探す基準 | 同じ単語が含まれるか（字面の一致） | 意味の近さ（埋め込みの距離） |
| 得意な対象 | 型番・固有名詞など完全一致が効く語 | 言い換え・表記ゆれ・意図の一致 |
| 苦手な対象 | 言い換えや同義語の取りこぼし | ごく短い固有名詞の厳密一致 |
| 代表的な手法 | BM25 など | 埋め込み＋近似最近傍探索（ANN） |
| 実務での扱い | 多くは両者を併用（ハイブリッド検索） | 同左（互いの弱点を補う） |
横にスクロールできます
retrieval の効き方は、質問と文書の言い回しがずれる場面で最もよく分かります。
- ユーザーが「解約したい」と質問し、自社ページが「退会・停止のお手続き」と書かれている場合、キーワード検索は共通語が乏しく取りこぼしやすいが、ベクトル検索は意味が近いため拾えます。
- ユーザーが型番「XZ-100」を厳密に指定した場合、ベクトル検索より、完全一致に強いキーワード検索が確実に拾います。
- 料金・解約・サポートを1ページに詰め込むと、チャンク分割が甘い場合に話題が混ざり、「解約」質問への関連度が薄まって拾われにくくなります。
- 同じ内容でも、結論を段落冒頭に置き1見出し1論点で書くと、チャンク単体で意味が完結し retrieval に拾われやすくなります。
これらの例が示すのは、retrieval に拾われるかどうかは「内容の良さ」だけでなく「拾われやすい形になっているか」に強く依存するということです。想定される多様な聞き方に意味的に対応し、チャンク単位で意味が完結するよう書くことが、AI検索での可視性を大きく左右します。
retrieval がうまく働いているかは、主に二つの観点で評価されます。ひとつは再現率（リコール＝本来拾うべき関連文書を、どれだけ取りこぼさず拾えたか）です。もうひとつは適合率（プレシジョン＝取り出した文書のうち、実際に関連していたものがどれだけの割合か）です。この二つはしばしば綱引きの関係にあり、たくさん取り出せば取りこぼしは減る（再現率が上がる）一方、無関係なものも混じりやすくなる（適合率が下がる）という緊張があります。
RAG の設計では、retrieval で少し広めに候補を取り（再現率を確保し）、その後の reranking で無関係なものを落として精度を上げる（適合率を回復する）、という二段構えがよく取られます。retrieval だけで完璧を目指すのではなく、後段と役割分担する前提で「まず取りこぼさない」ことを優先する、という考え方が実務では有効です。
実際のAI検索の retrieval は、キーワード検索とベクトル検索のどちらか一方に頼るより、両方を組み合わせるハイブリッド検索を採ることが多くなっています。理由は単純で、二方式の得意・不得意がちょうど補い合うからです。ベクトル検索は言い換えや意図の一致に強い反面、型番や固有名詞のような「一字一句の完全一致が効くもの」を取りこぼすことがあります。キーワード検索はその逆で、完全一致には強いが言い換えに弱いです。両方の結果を統合すれば、意味でも字面でも拾える、取りこぼしの少ない retrieval になります。
この事実は、コンテンツを書く側の指針にも直結します。意味的に質問へ近づける工夫（多様な言い回しで内容を網羅する）と、固有名詞・型番・正式名称を正確に明記する工夫は、どちらか一方ではなく両方が効きます。前者はベクトル検索に、後者はキーワード検索に拾われやすくします。ハイブリッドが前提の retrieval では、この二面を同時に押さえておくことが、拾われやすさを底上げします。
もうひとつの注意点は、retrieval を万能視しないことです。retrieval はあくまで「集める」工程であり、集めた候補の並び順の精密化は reranking が、最終的な答えの妥当性は生成の段階が担います。retrieval が良い候補を集めても、後段でうまく使われなければ回答は良くなりません。逆に、retrieval で肝心の文書を取りこぼせば、後段がどれだけ優秀でも挽回できません。各工程の守備範囲を混同せず、retrieval には「取りこぼさず、的確に集める」役割を期待するのが正確な理解です。
- まず、自社コンテンツが「どんな質問に対して拾われたいか」を具体的な聞き方で洗い出します（ユーザーの自然な言い回しで考えます）。
- その質問に対し、答えとなる部分がチャンク単体で意味が完結する形になっているかを点検します。
- 結論を各ブロックの冒頭に置き、1見出し1論点に整理して、話題の混在でチャンクの関連度が薄まらないようにします。
- 想定される多様な言い回しに意味的に対応できるよう、同じ内容を別の表現でも触れておきます（キーワードの水増しではなく意味の網羅）。
- 公開後は、実際にAI検索でどんな質問のときに引用されるかを観察し、拾われにくい質問があれば書き方を見直します。
retrieval は各AI検索サービス側の内部工程なので、運営者が直接いじれるものではありません。だからこそ運営者にできる最善は、「retrieval が拾いやすい形で、意味の明確なコンテンツを用意する」ことに集中することです。retrieval の性質を理解しておくと、なぜその書き方が効くのかを納得したうえで対策を打てます。
retrieval と reranking は何が違うのですか。
retrieval は大量の中から関連候補を素早く広めに集める工程で、速さと取りこぼしの少なさが重視されます。reranking はその候補を、より高精度なモデルで精密に並べ替える工程で、精度が重視されます。retrieval が広く集め、reranking が狭く選ぶ、という役割分担で連携します。
キーワードをたくさん入れれば retrieval に拾われますか。
必ずしもそうではありません。ベクトル検索が働く retrieval では、同じ単語の有無より、文章全体が質問と同じ意味の方向を向いているかが効きます。語を詰め込んで意味がぼやけると、かえって関連度が下がることもあります。狙いは意味を質問へ自然に近づけることです。
運営者は retrieval を自分で調整できますか。
通常はできません。retrieval は各AI検索サービス側の内部工程です。運営者にできるのは、retrieval が拾いやすいコンテンツ（意味が明確で、チャンク単体で完結し、多様な聞き方に対応した文章）を用意することです。その考え方の土台として retrieval の性質を知っておくと役立ちます。
