HOME/ビジネス/生成AI/RAG/GraphRAG
RAG / KNOWLEDGE GRAPH

GraphRAG
知識グラフで資料の関係をたどるRAG

GraphRAG(グラフRAG)は、文書から人・組織・出来事とその関係を取り出して知識グラフにし、複数の資料にまたがる質問にも根拠つきで答えるRAGの方式です。
当社は業務の質問の整理から、設計、構築、精度の評価、運用までを、貴社の環境に合わせて支援します。

01/概要

文書のなかの人・組織・出来事とその関係をたどり、複数の資料にまたがる質問にも根拠つきで答えるRAGの方式

GraphRAG(グラフRAG)は、文書から人・組織・設備・出来事といった要素と、その間の関係を取り出して「知識グラフ」にまとめ、質問に答えるときに関係をたどって根拠を集めるRAGの方式です。RAG(ラグ・検索拡張生成)は、AIが答える前に社内の資料を検索し、見つけた内容を根拠に答えさせる方法です。通常のRAGは質問に近い文章の断片を探すため、複数の資料にまたがる質問や、全体の傾向を問う質問が苦手です。GraphRAGは資料のあいだのつながりを先に整理しておくことで、こうした質問にも答えやすくします。

その結果、「この案件に関わる人・判断・根拠を一度に見たい」「資料全体で何が問題になっているかを知りたい」といった業務の問いに、出典をたどれる形で答えられるようになります。次の図は、GraphRAGが元の資料から回答までのどこで何を受け持つかを示したものです。

GraphRAGの位置づけ(当社作図)
元の資料
契約書・規程設計書・仕様書議事録・報告書表・帳票
↓
知識グラフ(関係の地図)
人・組織設備・製品出来事・判断根拠となる資料
↓
関係をたどる検索
ひとつの対象を深く調べる検索資料全体を俯瞰する検索
↓
回答
元の資料つきの回答AIエージェントの業務処理

GraphRAGは、資料を探す前に、資料のあいだの関係を整理しておくRAGです。

02/特徴

通常のRAGで答えにくい質問に強い、4つの特徴

GraphRAGの特徴は、資料の断片ではなく、資料のあいだの関係を使って答えるところにあります。通常のRAGとの違いを、質問の種類で整理しました。

関係をたどって、複数の資料をつなぐ
特徴1「Aさんが関わった案件で、Bの設備に影響した判断は何か」のように、複数の資料を行き来しないと答えられない質問に向きます。
資料全体の傾向をまとめる
特徴2資料全体を関連するまとまりに分けて要約しておくため、「全体として何が論点か」のような俯瞰の質問にも答えられます。
根拠をたどれる
特徴3回答のもとになった要素と、その出典の資料をさかのぼれます。判断の理由を説明する場面で使えます。
担当者の頭の中にある関係を残せる
特徴4誰がどの判断に関わり、何を根拠にしたかといった、暗黙になりがちな関係を共有できる形にします。

選び分けの軸は、質問が「ひとつの答え」を探すものか、「つながり」を問うものか

特定の規程の条文を探すような質問は、通常のRAGで十分に答えられます。一方、複数の資料を横断してつなぐ質問、全体を俯瞰する質問、判断の経緯を追う質問が多い業務では、GraphRAGが効きます。グラフの作成と更新には費用がかかるため、当社は業務の質問を先に集め、通常のRAGで足りるか、GraphRAGが要るかを見極めてから設計します。

03/注目される背景

会議室の机に広げられた資料。複数の資料を行き来して情報を探す業務のイメージ
写真はイメージです

社内の資料を生成AIに使わせる取り組みが広がり、「資料の関係」をどう扱うかが課題に

生成AIを業務で使う企業は増えています。国の調査では、活用方針を定めた企業が約半数に達する一方、効果的な活用方法が分からないことや、社内情報の漏えいが導入の懸念に挙がっています。社内の資料にもとづいて答えるRAGの活用が進むなかで、複数の資料にまたがる質問や全体を問う質問に答えにくい、という課題も明らかになってきました。

数字と研究で見る背景(出典は下に記載)
49.7%生成AIの活用方針を定めた企業「積極的に活用」または「領域を限定して活用」する方針の企業。前年度は42.7%。
55.2%業務で生成AIを使っている企業日本の企業のうち、何らかの業務で使用中と答えた割合。
研究通常のRAGの限界と、その解決策Microsoft Researchは、通常のRAGが資料全体にまたがる問いを苦手とすることを示し、知識グラフを使うGraphRAGを提案。
出典:総務省「令和7年版 情報通信白書」第Ⅰ部 第2節 企業における生成AI利用の現状(調査:総務省、2024年度)。白書本文を見る →
Microsoft Research「GraphRAG: Unlocking LLM discovery on narrative private data」。ブログを見る →/論文「From Local to Global: A Graph RAG Approach to Query-Focused Summarization」。論文を見る →

04/仕組み

資料から関係を取り出して地図にし、質問に合わせてたどる5つの段階

GraphRAGは、事前に資料から関係の地図を作っておき、質問のたびにその地図をたどって根拠を集めます。次の図は、資料の取り込みから回答までの流れを示したものです。

GraphRAGの処理の流れ(当社作図)
1
資料を取り込み、小さく分ける契約書・設計書・議事録・表などの資料を読み込み、扱いやすい大きさに分けます。
資料の取り込み分割
2
人・組織・出来事とその関係を取り出すAIが各資料から要素と関係を取り出します。同じ対象の表記の違いは、ここで同じものとしてまとめます。
要素の抽出関係の抽出名寄せ
3
関係の地図(知識グラフ)を作り、まとまりごとに要約するつながりの強い要素どうしをまとまりに分け、まとまりごとの要約を作っておきます。
知識グラフまとまり(コミュニティ)の検出要約
4
質問に合わせた方法でたどるひとつの対象を深く調べる質問と、資料全体を俯瞰する質問で、たどり方を使い分けます。
ローカル検索グローバル検索
5
根拠つきで答える集めた要素と出典の資料をAIに渡して回答を作り、どの資料にもとづくかを示します。
回答の生成出典の提示

事前に関係を整理しておくため、質問のたびに全資料を読み直さずに、つながりのある根拠を集められます。

05/検索方式の種類

世代の進化と、質問・データに合わせて使い分ける主な方式

GraphRAGは2024年の登場以降、費用を抑える方向に進化しています。Microsoft Researchの解説にもとづき、世代ごとの違いを整理しました。あわせて、質問の種類やデータの置き場所に応じた方式も示します。

GraphRAGの世代と方式(当社作図)
初代 GraphRAG(2024年)
要素・関係・まとまりの要約を事前に作るローカル検索・グローバル検索
↓
低コスト化の流れ
高速インデックス(従来の言語処理で作る)LazyGraphRAG(生成AIの処理を質問時まで遅らせる)
↓
最新(GraphRAG Zero)
文章の埋め込みからグラフを作るインデックス時に生成AIを呼ばない
初代GraphRAG
Microsoft GraphRAG資料から要素と関係を取り出し、まとまりごとの要約(コミュニティレポート)を作ります。資料全体を問う質問に強い一方、構築の費用が大きい方式です。
高速インデックス
Microsoft GraphRAG生成AIを多用せず、従来の言語処理で言葉の共起関係のグラフを作ります。費用を抑えて、まず試したい場合に向きます。
LazyGraphRAG
第2世代生成AIによる処理を質問を受けるときまで遅らせ、軽いグラフで資料を整理しておく方式です。Microsoft Researchは、構築の費用が初代の0.1%と報告しています。
GraphRAG Zero
最新文章の埋め込みからグラフを作り、構築時に生成AIを呼びません。検索も生成AIなしで実行でき、Microsoft Researchは、Foundry IQでの提供を紹介しています。
ローカル検索・グローバル検索・DRIFT検索
検索方式ひとつの対象を深く調べるローカル、資料全体を俯瞰するグローバル、両者を組み合わせて調べる範囲を広げるDRIFTがあります。質問の種類で使い分けます。
グラフデータベースを使う方式
Neo4j・Azure Cosmos DB・Apache AGEなど取り出した関係をグラフデータベースに格納し、関係をたどる問い合わせとベクトル検索を組み合わせます。既存の業務データと結ぶ場合に向きます。
オントロジーから設計する方式
業務の関係の型を先に定義業務の関係(誰が・何を・どの根拠で)の型を先に決めてから資料を取り込みます。品質を厳しく管理したい業務に向きます。
通常のRAG(ベクトル検索)
比較の基準質問に近い文章を探す方式です。一つの箇所を探す質問では、GraphRAGより正確な場合があります。比較の基準として併用します。
出典:Microsoft Research「The evolution of GraphRAG」。解説を見る →/Microsoft GraphRAGの公式ドキュメント(検索方式)。世代の進化は速いため、当社は最新の方式を確認したうえで、業務の質問とデータ量に合う組み合わせを設計します。評価には、Microsoftが公開するオープンソースの評価スイート(BenchmarkQED)などの方法があります。

06/活用の論点

品質・更新・費用・使わない判断の4つの論点

GraphRAGは導入すれば精度が上がる、という方式ではありません。当社の技術検証では、次のような論点が実際に出ています。

表記の揺れと誤りの混入
品質同じ対象が別の名前で登録されたり、関係が誤って取り出されたりします。名寄せと人による点検の手順を、最初から設計に入れます。
更新したときの結果の変動
更新資料を更新して再構築すると、結果が変わることがあります。更新の範囲と、変動の確認方法を決めておきます。
グラフ作成の費用
費用関係の取り出しには生成AIの呼び出しが多く必要です。対象を絞り、費用の見積もりを先に出します。
使わないという判断
適用判断質問が単純な業務では、通常のRAGで足ります。費用や効果を比べ、GraphRAGを対象外にする判断も含めて提案します。

07/当社の支援内容

業務の質問の整理から、運用・全社展開までの4つの支援

当社はGraphRAGの構築で終わらず、精度を測って育て続けるところまでを支援します。次の図は、最初の相談から全社展開までの4つの段階を示したものです。

支援の流れ(当社作図)
1
診断・設計業務の質問、資料、利用者、必要な根拠を整理し、通常のRAGで足りるか、GraphRAGが要るかを判断します。関係の型(オントロジー)、取り出す要素、格納先を設計します。
質問の整理適用判断関係の型の設計格納方式の選定
2
構築資料からの要素・関係の抽出、名寄せ、知識グラフの構築、まとまりごとの要約、検索方式の実装を進めます。
知識の抽出名寄せグラフ構築検索方式の実装
3
運用・改善回答の精度を評価用の質問で測り、表記の揺れ、孤立した資料、弱い出典、資料間の矛盾を点検して直します。
精度評価品質点検更新手順費用の管理
4
全社展開検索をAIエージェントや業務アプリに接続し、権限と更新の統制を整えて、他の業務にも広げます。
エージェント連携権限設計更新・版の統制内製化の支援

設計と構築の中心となる関係の整理は、当社のグラフエンジニアリングの支援範囲です。

08/当社の特長

研究発表・開発・技術検証の裏付けがある、業務への実装力

当社は、GraphRAGを試すだけでなく、公開された研究・開発・技術検証と、複数分野での検証・開発に取り組んできました。公開できる範囲の裏付けを整理します。

学会での研究発表
公開2025年度人工知能学会全国大会で、DATA IMPACTと共同で「大規模言語モデルとGraphRAGを用いたシナリオ自動翻訳」を発表しました。キャラクター性や世界観の一貫性を保つ多言語翻訳の方式を提案し、評価しています。
保険の引受け査定エージェントの開発
公開2025年6月の公式プレスリリースで、帳票の解析、GraphRAGとマルチエージェントによる複雑なケースへの対応、査定ログを使ったルール改善、担当者向けUIの開発を紹介しました。
公開した技術検証
公開Microsoft GraphRAGの環境構築、Azure上での構築、検索方式の比較、グラフの可視化に取り組み、表記の揺れや再構築時の結果の変動といった課題も記録しています。
金融・ゲームなど複数分野での検証・開発
顧客名は非公開財務経理の分析支援、ゲームシナリオの翻訳の一貫性など、分野の異なる業務で検証・開発に取り組んできました。個別の成果は、お打ち合わせでお伝えします。
関係の設計から接続までの一貫した対応
サービス関係の型の設計、知識の抽出・統合、品質の点検、根拠つき検索、AIエージェントへの接続、更新・統制の設計までを、グラフエンジニアリングとして提供しています。
Microsoftのデータ・AI基盤での構築
サービスAzureのMicrosoft FoundryやMicrosoft Fabricなど、貴社が使うMicrosoftの基盤の上で、データの置き場所と権限を踏まえて設計します。
公開の裏付けは、研究発表と公式プレスリリースの範囲を原文のとおりに示しています。顧客案件の本番での運用期間や定量的な改善効果は、案件ごとに異なるため、このページには記載していません。

09/顧客価値

資料を横断する調査の効率化、根拠の説明、判断の共有

GraphRAGを活用することで、次のような価値が得られます。立場ごとに得られることを整理しました。

経営・DX推進の担当
展開を進める資料の関係をたどる根拠つきの回答を示せるため、AI活用の判断を社内で説明しやすくなります。
情報システムの担当
統制して運用するデータの置き場所、権限、更新の手順を決めたうえで運用できるため、属人化を避けられます。
現場の担当
調べる時間を減らす複数の資料を行き来して調べる作業が減り、確認が必要な点に集中できます。
専門家・熟練者
知識を残す担当者の頭の中にある、誰が何を根拠に判断したかという関係を、共有できる形で残せます。
新任・異動してきた担当
早く立ち上がる案件の経緯、関係者、過去の判断を、つながりのまま追えるため、引き継ぎの負担が下がります。
監査・品質管理の担当
説明を求められたとき回答の根拠となった資料をさかのぼれるため、判断の理由を示しやすくなります。

10/ユースケース・適性

タブレットとノートパソコンで資料を分析するチーム。複数の資料を見ながら判断する業務のイメージ
写真はイメージです

関係をつないで答える価値が出やすい4つの業務

財務・経営の分析
数値と背景をつなぐ数値、背景の情報、担当者の判断を関係づけ、レポート作成や要因の分析を支える知識基盤にします。当社の金融業向けのAIエージェントと併せて検討できます。
コンテンツ・翻訳
設定の一貫性を保つキャラクターの属性、関係、世界観を取り出し、生成物の一貫性を保つ業務に組み込みます。
保険・金融の審査
複雑なケースを分ける帳票から取り出した情報と、規程・過去の査定結果の関係から、複雑なケースの判断を支えます。
製造・保全のナレッジ
熟練者の判断を残す設備、不具合、対処、根拠の関係を整理し、熟練者の知識を引き継ぎます。製造業向けのAI活用とつなげて検討できます。

向く場合と、通常のRAGで足りる場合

GraphRAGが向く場合
・複数の資料にまたがる質問が多い
・全体の傾向や論点を知りたい
・判断の経緯や関係者を追いたい
・回答の根拠の説明が求められる
通常のRAGで足りる場合
・規程や手順書の特定の箇所を探す
・FAQの回答を返す
・資料の数が少なく、関係が単純
・更新の頻度が高く、費用を抑えたい

11/想定ROI

調査・分析を担う20名の部署での、月間工数の試算

複数の資料にまたがる調査や、判断の経緯の確認に、月間でかけている工数を比べた試算です。関係をたどる検索と根拠の提示をGraphRAGが受け持ち、人は確認と判断を行う前提です。数値は当社が置いた仮の前提による試算で、実測値ではありません。

月間の工数の比べ方(試算・当社作図)
複数の資料をまたぐ調査
現在
720時間
導入後
360時間
前提:20名×月12件×3時間。導入後は1件あたり1.5時間になる。
回答の根拠の確認・突合
現在
240時間
導入後
140時間
前提:20名×月12件×1時間。導入後は、根拠をたどれるため35分になる。
新任・異動者の経緯の把握
現在
160時間
導入後
100時間
前提:月2名×80時間。導入後は50時間になる。
月間の合計1,120時間 → 600時間(520時間の削減)1時間あたり2,800円(年収559万円÷年間2,000時間)で換算すると、月約146万円(年約1,750万円)に相当します。
試算の前提:件数・時間・削減率は、当社が置いた仮の値です。実際の効果は、業務の質問の種類、資料の量、品質の点検にかける人手で変わります。構築・運用の費用は含めていません。診断の段階で、貴社の業務に合わせて前提を置き直した試算をお出しします。

12/ガバナンス・安全

キーボードの上に浮かぶ盾と鍵。情報を守る仕組みのイメージ
写真はイメージです

権限・出典・更新の3つを、最初の設計に入れる

知識グラフは、複数の資料の内容を一か所に集めます。そのため、元の資料の権限を引き継ぐ設計が欠かせません。当社は次の点を、最初の設計に入れます。

権限の引き継ぎ
誰が何を見られるか元の資料を見られない人に、その内容が回答として出ないように、利用者の権限を検索に反映します。Microsoft Entra IDなどの認証基盤との連携を設計します。
出典の追跡
何にもとづくか回答に使った要素から、元の資料の該当箇所までさかのぼれるようにします。人が確認できる形で出典を示します。
更新と版の管理
いつの情報か資料が更新されたときの反映範囲、知識の版、更新できる人を決めます。変更後は評価用の質問で結果を確かめます。

AI活用全体の統制は、AIガバナンスの支援と合わせて進められます。

13/当社について

AIエージェントと生成AIの開発を、企画から運用まで支援するヘッドウォータース

ヘッドウォータースは、AIエージェントと生成AIの開発を、企画から構築、運用まで支援しています。GraphRAGは、RAGの精度改善、コンテキストエンジニアリング、グラフエンジニアリングの延長にあり、AIに業務の文脈を渡す知識基盤の設計として提供しています。

14/はじめ方

業務の質問の整理から始め、小さな検証で効果を確かめる

最初から全社の資料を対象にせず、ひとつの業務に絞って始めることをおすすめします。

はじめ方の流れ(当社作図)
1
ご相談解きたい質問と、対象になりうる資料をお聞きし、GraphRAGが合うかを一緒に判断します。
2
業務の質問と資料の棚卸し代表的な質問を集め、通常のRAGで答えられるものと、関係をたどる必要があるものに分けます。
3
小さな検証ひとつの業務で知識グラフを作り、評価用の質問で通常のRAGと比べます。結果を見て、本格的な構築に進むかを決めます。

15/関連ソリューション・事例

RAGシステム開発

RAGシステム開発・精度改善

社内の資料にもとづいて答える生成AIの開発と、精度改善を支援します。通常のRAGから始める場合はこちらです。

RAGを見る →

グラフエンジニアリング

グラフエンジニアリング

業務の関係の設計、知識の抽出・統合、品質の点検、AIエージェントへの接続までを支援します。

グラフエンジニアリングを見る →

Microsoft Fabric

Microsoft Fabric・Fabric IQ

データを集めて意味づけし、AIエージェントに業務の文脈を渡すデータ基盤です。

Fabric IQを見る →

Microsoft Foundry

Microsoft Foundry

AIエージェントの開発・評価・運用の基盤です。GraphRAGと組み合わせた企業向けのAI活用を支援します。

Microsoft Foundryを見る →

16/よくあるご質問

Q.GraphRAG(グラフRAG)とは何ですか。
A.文書から人・組織・出来事とその関係を取り出して知識グラフにし、質問に答えるときに関係をたどって根拠を集めるRAGの方式です。複数の資料にまたがる質問や、資料全体の傾向を問う質問に向きます。
Q.通常のRAGとの違いは何ですか。
A.通常のRAGは質問に近い文章の断片を探します。GraphRAGは資料のあいだの関係を先に整理しておくため、複数の資料をつなぐ質問や俯瞰の質問に答えやすくなります。一方で、グラフの作成と更新に費用がかかります。
Q.どんな業務に向きますか。
A.複数の資料を行き来して調べる業務、判断の経緯や関係者を追う業務、回答の根拠の説明が求められる業務に向きます。規程の特定の箇所を探すような業務は、通常のRAGで足ります。
Q.すでにRAGを使っています。GraphRAGに置き換える必要がありますか。
A.置き換える必要はありません。通常のRAGで答えられる質問はそのまま使い、答えにくい質問だけにGraphRAGを併用する構成が現実的です。当社は評価用の質問で効果を比べてから提案します。
Q.どのくらいの費用と期間がかかりますか。
A.対象とする資料の量と、取り出す関係の範囲で変わります。まずひとつの業務に絞った小さな検証から始め、費用の見積もりを先にお出しします。
Q.社内の権限はどう扱いますか。
A.元の資料の権限を引き継ぐ設計をします。資料を見られない人に、その内容が回答として出ないように、利用者の権限を検索に反映します。
Q.回答が間違っていないか、どう確かめますか。
A.回答に使った要素から元の資料までさかのぼれるようにし、評価用の質問で精度を測ります。表記の揺れや資料間の矛盾は、点検の手順を決めて人が補います。
Q.Azureやオンプレミスのデータを使えますか。
A.貴社が使うMicrosoftの基盤(Azure、Microsoft Fabricなど)の上での構築に対応します。データの置き場所と権限を踏まえて、格納方式と構成を設計します。
Q.グラフエンジニアリングとの関係は何ですか。
A.GraphRAGは、知識グラフを使って検索し、答えるための方式です。その土台となる、業務の関係の設計、知識の抽出・統合、品質の点検は、グラフエンジニアリングとして支援しています。

GraphRAGの活用についてのご相談

次のようなお悩みがあれば、お気軽にご相談ください。

・RAGは使っているが、複数の資料にまたがる質問に答えられない・資料全体の論点や、判断の経緯を、根拠つきで知りたい・GraphRAGが自社の業務に合うか、費用と効果を先に見極めたい・熟練者の知識や判断の関係を、AIが使える形で残したい
お問い合わせ