Google：Gemini Enterprise向けAgentic RAG — 精度90.1%、ファクト性が最大34%向上

Google ResearchとGoogle Cloudは2026年6月5日、Gemini Enterprise Agent Platform向けのマルチエージェントRAGフレームワークを発表した。その中心的な新機軸はSufficient Context Agent — 検索されたコンテキストが信頼できる回答に十分かどうかを評価するコンポーネントである。要求の厳しいベンチマークで、このフレームワークは大幅に改善されたファクト性を伴って90.1%の精度を達成した。

RAGとは何か、なぜ重要か？

RAG（retrieval-augmented generation、検索により増強された生成）は、モデルが回答を組み立てる前に知識ベースから関連文書を検索する技術である。学習中に習得したものだけに依拠する代わりに、モデルは自らの回答を具体的な出典に基づかせる。

これにより二重の利点が得られる。モデルが事実を作り出す傾向が減り、回答のファクト性が高まる。RAGは、回答が企業の内部文書に基づいていなければならないビジネス環境で特に重要である。

Sufficient Context Agentはどのように働くか？

古典的なRAGに対する最大の前進はSufficient Context Agentである。その任務は、検索されたコンテキストが信頼できる回答の基礎とするのに本当に十分かどうかを評価することである。もしエージェントがコンテキストは十分でないと結論すれば、不完全な回答を返す代わりに反復的な検索を開始する。

このメカニズムは、検索された資料が問いを完全にはカバーしていないときでもモデルが回答してしまう、標準的なRAGのよくある弱点を解決する。反復的なアプローチにより、システムは最終的な回答を形成する前に追加情報を収集できる。

アーキテクチャはどのエージェントで構成されているか？

フレームワークは専門化されたエージェントの集合として編成されている。Orchestrator（コーディネーター）、Planner（プランナー）、Query Rewriter（問い合わせの書き換え）、Search Fanout（検索の拡散）、そしてSynthesisエージェント（回答の合成）がある。

各エージェントは明確に定義された役割を果たし、それらが合わさって、問い合わせを分解し、検索を計画し、必要に応じて問い合わせを書き換え、最終的に回答を合成するパイプラインを成す。このような分業により、処理の各ステップに対するより精密な制御が可能になる。

FramesQAベンチマークでの結果はどうか？

フレームワークは、824件の問い合わせと2,676件のPDF文書にまたがるFramesQAベンチマークでテストされた。回答が複数の出典からの情報の連結を要するクロスコーパスのシナリオで、90.1%の精度を達成した。

標準的なRAGに対して、フレームワークは最大34%のファクト性の向上をもたらした。その際、レイテンシの増加は平均で3%以内にとどまり、これは質の利得が回答の著しい遅延なしに達成されたことを意味する。

これはビジネスユーザーにとって何を意味するか？

自社の文書に基づいた信頼できる回答を望む企業にとって、高い精度と向上したファクト性、そしてわずかなレイテンシ増加の組み合わせは実践的な前進をなす。このシステムはGemini Enterprise Agent Platform内でpublic previewとして利用可能であり、これによりGoogleは現実の条件での試用のためにそれをビジネスユーザーに提供している。

特別な価値をもたらすのがSufficient Context Agentであり、これはシステムが不十分な情報に基づいて回答するリスクを減らす。誤った回答が現実の帰結をもたらしうるビジネスの文脈では、システムがデータが十分でないときを認識し、推測する代わりに検索を続ける能力は、精度そのものと同じくらい重要である。こうしてAgentic RAGは、ビジネスプロセスへの本格的な適用の前提条件である信頼性を狙っている。