RAG × MCP で社内ナレッジを資産化。
検索時間を短縮し、
開発・営業の品質を標準化。
自社開発事例として「gaibot（社内ナレッジハブ）」を構築。Amazon Bedrock と Amazon Kendra を活用した高精度 RAG、さらに Model Context Protocol (MCP) による IDE 連携を実現し、情報検索コストの削減と業務品質の標準化を達成しました。
導入前の課題と背景
情報の散在と属人化による業務効率の低下
社内では、組織拡大に伴う情報のサイロ化と、それに起因する業務効率の低下が課題となっていました。
検索コストの増大
提案書や仕様書が Google Drive や Wiki に散在しており、Google Drive の検索機能だけでは目的の資料（特に中身の記述）に辿り着くのに多大な時間を要していました
ナレッジの属人化
特定の有識者しか知らない情報が多く、質問への回答待ち時間が発生したり、過去に類似の検証をしているにも関わらず「車輪の再発明」をしてしまう無駄が発生
コンテキストスイッチの発生
開発中（VS Code 利用中）に仕様やナレッジを確認するためにブラウザへ切り替える手間が発生し、集中力が途切れる要因となっていました
解決策と導入プロセス
Amazon Bedrock と Kendra を活用した高精度 RAG と職種最適化インターフェース
Amazon Bedrock と Amazon Kendra を活用した「社内ナレッジハブシステム（gaibot）」を開発し、職種に応じた最適なインターフェースを提供することで課題を解決しました。
AWS フルマネージドによる高精度 RAG の構築
マルチソース対応の検索エンジン
ベクトルストアとして Amazon Kendra を採用。Google Drive や社内 Wiki など異なるソースの権限を考慮しながらインデックス化し、高精度な検索基盤を構築
生成 AI による回答要約
Amazon Bedrock を組み合わせることで、単なる検索結果の提示だけでなく、ドキュメントの内容に基づいた具体的な回答生成を実現
職種に最適化されたインターフェース（MCP の活用）
利用者の業務フローを阻害しないよう、インターフェースを最適化しました。
Slack 連携（営業・全社向け）
日常的に使用する Slack に FAQ ボットとして統合。メンションひとつで過去の提案ナレッジを引き出せるようにしました
VS Code 連携（開発者向け）
Model Context Protocol (MCP) を採用し、IDE（VS Code）から直接ナレッジベースにアクセス可能に。エンジニアはエディタを離れることなく仕様確認やコード支援を受けることができます
導入効果と成果
gaibot の導入は、社内の情報検索とナレッジ活用のあり方を大きく変革しました
定量・定性的な成果
リードタイムの短縮
顧客からの技術的な問い合わせに対し、過去の類似回答や資料を即座に参照できるため、回答作成までの時間が大幅に短縮されました
品質の標準化（属人化の排除）
経験の浅いメンバーでも、トップレベルのエンジニアや営業が作成した過去のドキュメントに基づいて回答を作成できるようになり、アウトプットの品質が均一化されました
開発効率の向上
MCP の活用により、開発者はコーディングのコンテキストを維持したまま必要な情報にアクセスできるようになり、開発体験（DevEx）が向上しました
今後の展望
「検索・回答」から「エージェント」へ進化
今後は「検索・回答」に留まらず、アクションを自動化する「エージェント」へと進化させていきます。
エージェント機能の実装
チャット経由で GitHub の Issue 起票や資料の下書き作成など、具体的なタスクを実行できる機能の実装を計画しています
外販サービス化（SaaS/PaaS）
社内運用で得られた知見と実績を元に、同様の課題を持つエンタープライズ企業へ向けたサービス提供（SaaS 型または環境デプロイ型）を目指します
FOLLOW US
SNS 公式アカウント
gaipack の最新情報を SNS で発信しています