【ITニュース解説】Agentic Search vs RAG: A Tool Call or an Index You Own

AIが自動で文章を生成する技術は、近年目覚ましい発展を遂げている。しかし、そのAIが正しい情報を元に、私たちが必要とする回答を生み出すためには、元となる情報の「探し方」が非常に重要である。この情報の探し方には、大きく分けて「Agentic Search（エージェント的検索）」と「RAG（Retrieval-Augmented Generation、検索拡張生成）」の二つのアプローチが存在する。どちらも最終的には、見つけてきた情報をAIモデルに渡し、回答を生成させる点は共通しているが、情報を探し出すまでの過程、つまり「モデルの upstream（上流）」の部分で大きく異なる。この違いを理解することが、適切なシステム設計を行う上で不可欠だ。

RAGは、私たちが「所有する」情報、つまり企業内のドキュメントやデータベースなど、管理された特定の情報源から回答を生成する仕組みである。このアプローチの最大の利点は、情報の出所を完全に制御できることにある。情報源を自分で構築し、その中から関連性の高い情報をどのように選び出すか（例えば、情報をどう分割するか、どのようなキーワードで検索するか、どの程度類似しているものを優先するかなど）のランキングロジックも自分自身で設定できる。これにより、特定の質問に対して常に同じ、予測可能な回答を高い精度で提供できる。また、企業内部の機密情報や個人情報など、外部に漏らしてはならないデータを扱う場合でも、その情報が外部に送信されることなく検索・利用できるため、プライバシーやセキュリティを確実に守れる。コスト面では、情報をシステムに取り込む際（インジェスト時）に一度だけ費用がかかるが、一度取り込んでしまえば、その後の検索（クエリ）にかかる費用は非常に少ないという特徴を持つ。しかし、RAGには限界もある。それは、取り込んだ情報しか参照できないため、取り込み後に発生した最新の出来事や、未登録の広範なWeb情報には対応できない点だ。情報の鮮度は、情報をシステムに取り込んだタイミングで決まるため、「今週何が変わったか」のようなリアルタイム性を求める質問には不向きである。

一方、Agentic Searchは、インターネット上の「ライブのWeb」を情報源として利用するアプローチだ。これは、Googleのような既存のWeb検索エンジンを使って情報を探し出すようなイメージである。この方法の最大の強みは、その情報の「鮮度」と「網羅性」にある。インターネット上の最新の情報にアクセスできるため、「今週何が変わったか」といった鮮度が求められる質問に強く、特定の情報源に限定されない広範な知識を利用できる。しかし、この利点と引き換えに、いくつかの課題も存在する。まず、情報を探し出す際のランキングロジックや、どの情報源を参照するかは、私たちが制御できない外部の検索エンジンが決定するため、予測可能性や制御性が低い。また、検索を行うたびに外部サービスに費用が発生する「従量課金」が一般的であり、利用回数が増えるほどコストがかさむ可能性がある。さらに、外部のWeb情報を参照するため、プライバシー保護の観点から機密情報を扱う用途には適さない。情報の出典も、Webページが更新されたり削除されたりすると、過去の回答の根拠が失われる可能性があり、トレーサビリティ（追跡可能性）が課題となることがある。

両者の違いは、情報の「読み込み元」、ランキングの「所有者」、「鮮度」、そして「コスト構造」に集約される。RAGは自分たちが管理する厳選された情報で、ランキングも自分で調整し、コストは初期費用が主でクエリは安価だが、鮮度には限界がある。対してAgentic Searchは、外部の広大なWeb情報から、他社のランキング機能を使って情報を取得し、クエリごとに費用が発生するが、圧倒的な鮮度と網羅性を誇る。

システムエンジニアが実際にこれらの技術を適用する際には、どちらか一方を選ぶのではなく、質問の内容に応じて最適な方法を「ルーティング」することが重要となる。例えば、「会社の規定について教えて」という質問であれば、正確性とプライバシーが求められ、情報も頻繁には更新されないため、RAGが適している。一方、「最新のITトレンドについて教えて」という質問であれば、鮮度が最も重要となるため、Agentic Searchが適している。このような判断は、「情報の鮮度」「情報の所有権（社内情報か公開情報か）」「プライバシーとライセンスの要件」「同じ質問がどれくらい繰り返されるか」「引用の正確性が必要か」という5つの基準に基づいて行うことができる。

コストについても、RAGはコーパス構築時の固定費が高く、クエリごとのコストが低い。Agentic Searchは構築費用は低いが、クエリごとにコストが発生する変動費である。このコスト構造の違いは、システムを設計する上で重要な考慮事項となる。特に、同じ質問が繰り返し尋ねられる場合、Agentic Searchを使い続けると無駄なコストが発生する可能性があるため、RAGやキャッシュを導入する方が経済的である。また、応答速度（レイテンシ）に関しても、RAGは自身のインフラの性能に依存するため制御しやすいが、Agentic Searchは外部サービスの応答速度に依存するため、制御が難しいという側面を持つ。

フレームワークを用いて実装する場合、RAGの「リトリーバー（Retriever）」はコード内で直接呼び出すコンポーネントとして扱われ、入力と出力が明確でテストしやすい。モデルに渡すパラメータもコード内で管理できる。一方、Agentic Searchの「検索ツール（Search Tool）」は、AIモデル自身がどのようにツールを使うか、どのような引数を渡すかを判断して実行する形になる。そのため、モデルが正しい引数を生成できるか、といった考慮が必要となり、テストや評価が複雑になる場合もある。また、モデルに公開するツールのパラメータは、モデルが誤解したり誤用したりするリスクがあるため、最小限にすることが推奨される。

システム構築の具体的なステップとしては、まず実際に想定される質問を20個ほど集め、「鮮度が重要か」あるいは「特定の情報源に限定されるか」を分類してみることが有効だ。この比率が、RAGとAgentic Searchのどちらに比重を置くべきかを示す重要な指標となる。そして、RAGパスの評価から始めるべきだ。なぜなら、その測定は比較的容易で、コストも安価だからである。また、Agentic Searchを導入する際は、検索ごとのコストと結果を詳細に記録し、システム全体のコストと性能を正確に把握することが欠かせない。

結論として、Agentic SearchとRAGは、それぞれ異なる強みと特性を持つ。どちらか一方が常に優れているわけではなく、それぞれの質問の性質や、システムに求められる要件（鮮度、プライバシー、コスト、制御性など）に応じて、両者を賢く組み合わせ、動的に使い分ける「ハイブリッド」なアプローチが、現代のAIシステムを構築する上での鍵となる。この二つのアプローチの深い理解が、将来のシステムエンジニアにとって、より堅牢で効率的、かつユーザーニーズに合致したAIアプリケーションを開発するための重要な土台となるだろう。