Step3｜RAG・ノートブック型AIで情報を整理する

生成AIに社内資料や規程を読ませて活用する際、やり取りが長くなったり参照する資料が増えたりすると「なぜか回答が雑になる」「最初に伝えたルールを守らなくなる」といった経験はないでしょうか。これはAIが過去の会話を記憶しているのではなく、質問のたびにすべての履歴を読み直していることで、途中の情報が埋もれてしまうために起こる現象（コンテキストロット）です。

本授業では、会話スレッドに資料を次々と追加する運用の限界を整理し、必要な情報だけをスマートに参照させる「RAG」の考え方や「ノートブック型AI（Gemini Notebookなど）」を活用したナレッジ整理・運用の実践ノウハウを解説。1本のスレッドに頼る運用の壁を乗り越え、必要な情報だけをスマートに参照する方法を身につけましょう。

【このコースについて】

• 全5回の授業です。
   

【この授業で学べること】

• チャット型AIで会話が長くなると回答精度が落ちる仕組みと原因
• 資料を外部に置いて必要な情報だけを参照させる「RAG」の考え方
• Gemini Notebookなどのノートブック型AIを活用したナレッジ整理の実践手順
• 社内規程や業務マニュアル、顧客情報を安全かつ正確にAIに読み込ませる運用方法
   

【利用シーン】

• 社内規程や業務ルールに関する問い合わせ対応をAIで効率化・正確化したいとき
• 過去の商談履歴や議事録を顧客ごとに整理しチーム内でナレッジ共有したいとき
• 長時間使ったAIチャットの回答が曖昧になり前提ルールからズレてきたと感じた場面
   

【授業構成】

• チャット型AIで参照情報が増えると回答精度が落ちる仕組みと原因
• 資料を外部に置いて必要な情報だけを参照させる「RAG」の考え方
• Gemini Notebookなどのノートブック型AIを活用したナレッジ整理の実践手順
• 社内規程や業務マニュアル、顧客情報を安全かつ正確にAIに読み込ませる運用方法
   

【こんな人におすすめ】

• 生成AIに社内資料や長文を読ませて業務に活かしたいが回答のズレや精度低下に悩んでいる方
• 毎回同じ前提条件やプロンプトを入力し直す手間を減らし業務を効率化したい方
• チームや部署内で蓄積された業務ノウハウ・資料をAIで安全に整理・活用したい方
   

【対象職位】

• 職位指定なし