議事録・図面・契約書・マニュアル。社内に蓄積されたドキュメントを AI で横断検索できる仕組みを構築します。
オンプレ／プライベートクラウド対応、出典明示、部署別アクセス制御まで含めた、企業向けの社内RAG基盤です。
社内ドキュメントは年々増えるのに、必要なときに必要な資料が見つからない。社内Wikiは整備したが使われない。ChatGPTに社内データを聞きたいがセキュリティ的に NG。多くの組織が、同じ壁にぶつかっています。
議事録・図面・契約書・提案書が、共有フォルダの深い階層に散在。検索しても古い版と新しい版が混在し、どれを参照すべきか分からない。
「あの案件のときの判断、なんでそうしたんだっけ」が、退職と同時にブラックボックス化。組織として知見が積み上がらない。
同じ質問に何度も答えるベテラン社員。OJTの時間がスケールせず、新人の立ち上がりにも時間がかかる。
SharePointやGoogle Driveの全文検索は、キーワード一致しかしない。「最新の」「現行案件の」といった文脈を理解してくれない。
機密情報を外部クラウドに送信できない。情報システム部からも「業務利用は禁止」と通達。便利さと安全のジレンマ。
整備した直後は使われたが、半年後には更新が止まり、誰も見なくなった。情報の在処を「人に聞く」文化に逆戻りしている。
社内ドキュメントは、会社そのものです。
── 外に出さずに、AIに聞ける状態へ。
社内ナレッジは、その会社の競争力の源泉です。機密性の高い情報を外部クラウドに送らずに、社内で完結する検索基盤を構築します。オンプレミス／プライベートクラウド構成、既存ファイルサーバー・SharePoint・Google Drive からの自動取込まで対応。一社ずつ、データの性質と運用体制に合わせて設計します。
§03 — WITH RAG
単なる全文検索ではなく、ハイブリッド検索（Embedding + BM25）・差分自動更新・部署別アクセス制御・出典明示まで含めた、実運用に耐える社内RAG基盤を構築します。これらはすべて、弊社の実装実績とブログ知見の中にある技術です。
意味検索（Embedding）と語彙一致（BM25）を組み合わせ、専門用語・略語・固有名詞も取りこぼさない検索精度を実現します。
関連記事を読む →ファイルサーバー・SharePoint・Drive を監視し、追加・更新・削除を差分検知して自動でインデックスを更新。常に最新版を検索対象に保ちます。
関連記事を読む →人事・法務・経営層しか参照できない文書を、適切な権限の人にしか返さない。Active Directory / Workspace のグループ情報と連動した認可設計が可能です。
関連記事を読む →AIの回答に必ず参照元ドキュメント名・該当ページ・該当段落を添付。誤った情報を鵜呑みにしないための「根拠を確認できる」設計です。
関連記事を読む →外部API（OpenAI / Anthropic）を一切使わず、社内サーバー上のオープンソースLLMで完結する構成も提供。機密データを外に出さない選択肢です。
関連記事を読む →静的ドキュメントだけでなく、kintone・freee・Salesforce の業務データも横断検索。「あの取引先の過去案件は？」に一発で答えられる業務AIへ。
関連記事を読む →
どんなに優秀な検索基盤も、入っているデータがバラバラのままでは機能しません。何年も前の議事録、退職者のローカルPCに残ったままの図面、複数の版が並行して存在する契約書。これらが整理されていない状態でRAGを構築しても、ノイズだらけの回答が返ってきます。
本サービスで最初に取り組むのは「データ棚卸し」。何を取り込み、何を取り込まないか。誰がアクセスでき、誰がアクセスできないか。この整理ができて初めて、RAGは「使われる仕組み」になります。
「AI人材を採用してRAGを内製したい」というご相談、よくいただきます。ですが、データサイエンティストやMLエンジニアを採用するコストと比べたとき、本サービスのほうが結果的に安く、効果も早く出ます。
同じ予算でも、AI人材を1人増やすのではなく、すでに知見を持つ外部チームと組んだほうが、立ち上がりは圧倒的に早い。3年スパンで見れば、コストも成果も逆転します。
RAG基盤の設計、Embedding/LLMの選定、業務データとの統合、現場への定着支援。本来、別々に契約しないと揃わない領域を、はてなベースは社内に持っています。社内RAGは、この4つを同時に動かす仕事です。
RAG基盤のアーキテクチャ設計、Embedding モデル選定、ベクトルDB構築、ハイブリッド検索の実装、フロントエンドUI。kintone / freee / Salesforce の MCP 連携まで一気通貫で担当します。
オープンソースLLM（Llama / Qwen等）の選定、オンプレGPU環境構築、プロンプト設計、Embedding/BM25 のチューニング、出典明示UIの設計。AI実装の中核を担当します。
「使われずに止まる」のが最大のリスク。各部署の利用者と管理者それぞれに、RAG活用のための研修を提供。人材開発支援助成金の対象になる構成です。
アクセス制御設計、Active Directory / Workspace 連携、監査ログ、データ保管要件の整理。情報システム部門とのコミュニケーションも代行します。
いきなり全社展開しません。効果が早く出る部署から、段階導入します。各フェーズの完了時点で、必ず社内に成果が残るよう設計しています。
何を取り込み、何を取り込まないかを整理。アクセス権限・更新頻度・保管期限のガバナンスを設計します。
ベクトルDB、Embedding モデル、ハイブリッド検索を構築。出典明示・部署別アクセス制御も含めて初期実装します。
パイロット部署から順次公開。実際の質問ログを見ながら、Embedding の重み付けと検索ロジックをチューニング。
「答えられなかった質問」「回答品質が低かった質問」を蓄積し、ドキュメント側を整備。RAGの精度が継続的に向上する運用体制へ。
現状ヒアリング・取込対象データの整理・初期構成のご提案までを、初回30分で行います。資料一式（サービス概要・概算費用テーブル）は、相談後にお送りします。
