小田急不動産の社内AIチャットボット、部署ごとのデータ分割で検索精度を高めた設計

部署ごとにデータストアを分け、検索時に部署名や業務名をタグとして指定できるようにしたプロンプト設計が、この仕組みの中心にあります。RAGは参照する資料の範囲が広がるほど無関係な文書を拾いやすくなるため、全社の資料をひとつの塊として扱わず、利用者の所属や業務であらかじめ絞り込む構成にした判断は、回答精度をモデルの性能任せにせず情報の置き方で確保する考え方だと読めます。部署や業務ごとにニーズを聞き取ってから機能を組み立てた順序も、この切り分けを実務の単位に合わせるうえで効いているはずです。

既製のパッケージを土台に据え、その上に足りない機能だけを作り込む二段構えも、短期間と実用性を両立させる現実的なやり方でした。基盤の構築と初期セットアップは「Google Cloud かんたん AI パック」で賄い、プロンプト設計機能、独自のアカウント管理、UI/UXの作り込みといった、その会社でなければ決められない部分に工数を寄せる。Vertex AI や Vertex AI Agent Builder、Cloud Run といったマネージドな部品で構成した点も、自前で作る範囲を意図的に狭める設計判断の一部です。

使われ続けるための仕掛けが機能側に組み込まれている点も見逃せません。ファイル添付に対応させて画像や音声も回答の材料にできるようにし、チャット履歴をCSVで一括ダウンロードできるようにしたことで、誰がどんな聞き方をしているかを後から確認できます。社内ネットワークからのアクセスに限定するIP制限を Firebase のブロッキング関数で実現し、外部サービスに依存しない権限管理を持たせた構成は、社内資料を扱ううえで避けられない管理要件を、利用のしやすさを削らずに満たすための工夫です。