※本記事は2026年7月時点の公開情報（Digeon「RAG導入実態調査」、総務省・経済産業省「AI事業者ガイドライン（第1.2版）」、IPA「情報セキュリティ10大脅威 2026」、NIST AI RMF 等）と、当社の社内RAG・閉域網AIのPoC支援の実務にもとづく内容です。守秘案件は業界・規模・概要のみに匿名化し、実名・実数は出していません。

「情シスに毎日“パスワードを忘れた”“VPNの繋ぎ方が分からない”と同じ質問が来る」「人事に有給や慶弔の手続きを何度も聞かれ、本来の仕事が進まない」——こうした社内問い合わせの対応に、貴重な工数が溶けていないでしょうか。マニュアルはあるのに読まれず、結局「人に聞いた方が早い」で終わってしまう。多くの企業に共通する悩みです。

これを解くのが、RAG（検索拡張生成）で社内FAQを自動応答させる社内問い合わせチャットボットです。従来のFAQ検索と違い、社員が普段の言葉で質問すれば、AIが社内文書を根拠に自然な日本語で答えを返します。

先に結論からお伝えします。社内問い合わせチャットボットの作り方は、次の4ステップに集約されます。

1. 問い合わせの棚卸しと仕分け（何をAIに任せ、どこから人が対応するかを決める）
2. ナレッジをRAG化する（FAQ・規程・マニュアルを整備し、検索できる形にする）
3. ソース付きで答える設計（出典リンクを添え、推測での言い切りを防ぐ）
4. 答えられない時の有人連携（解けない質問は担当者・チケットへ渡す）

そして最大のポイントは、ツール選定より前に「何を任せるか」の線引きを決めることです。ここを飛ばして高機能なツールを入れても、現場で使われないボットになります。本記事では、この作り方を実装の勘所・失敗の回避策・費用感まで含めて解説します。

なぜ今、社内問い合わせをチャットボットにするのか

社内問い合わせの大半は、実は「よくある定型的な質問」に集中しています。当社が支援する現場でも、情シス・人事・総務に来る質問の多くが月間で見ると上位20〜30パターンに収まります。裏を返せば、この定型部分をAIに肩代わりさせるだけで、対応工数の大きな山を削れるということです。

効果は数字にも表れています。生成AI・RAGチャットボットを導入した企業・組織の公開事例では、次のような成果が報告されています。

一方で、日本企業のRAG導入率は17.8%、導入意向がある企業を合わせても半数程度にとどまります（Digeon「RAG導入実態調査」2025年調査）。つまり、やれば効果は明確なのに、まだ着手できていない企業が多いのが現状です。だからこそ、今きちんと作れば差がつきます。

「そもそもRAGって何？」という方は、RAG構築の進め方｜社内文書を生成AIで検索する、社内活用の全体像は社内向け生成AIの構築方法｜RAGと社内データ活用もあわせてご覧ください。本記事はそのうち、「社内問い合わせ（FAQ自動応答）」という用途に特化して掘り下げます。

社内問い合わせチャットボットとは｜FAQ検索・シナリオ型との違い

社内問い合わせチャットボットと一口に言っても、中身は大きく3タイプに分かれます。作り方を決める前に、自社がどれを目指すのかを押さえておきましょう。

チャットボット3タイプの違い

2026年時点で急速に主流になっているのが、このRAG生成型です。Notion・SharePoint・Google Drive・社内Wikiなどに散在するドキュメントを横断的に参照でき、シナリオ型のような網羅的なQ&A作り込みが要らないため、利用率・満足度が高くなりやすいのが理由です。

「問い合わせ用途」に絞る意味

RAGは議事録分析や社内文書検索など幅広く使えますが、問い合わせ用途に絞ると設計がシンプルになります。狙いが「情シス・人事・総務への定型質問を減らす」と明確なので、投入するナレッジ（FAQ・規程・手順書）も、成功の指標（自己解決率・問い合わせ削減率）も一意に決まるからです。汎用の社内AIを一気に作ろうとして頓挫するより、まず“問い合わせ削減”という一点突破で成果を出すのが、失敗しない王道です。

作り方の全体像｜RAGで社内FAQを自動応答する4ステップ

ここからが本題です。社内問い合わせチャットボットの作り方を、冒頭の4ステップに沿って具体的に見ていきます。

Step1：問い合わせの棚卸しと仕分け

最初にやるのは、ツール選びでも文書の準備でもなく、「今どんな問い合わせが、どこに、どれだけ来ているか」の棚卸しです。

• 情シス・人事・総務それぞれの受付チャネル（メール・チャット・電話メモ・チケット履歴）から、直近数か月の質問を集める
• 内容ごとに束ね、月間の頻出トップ20〜30を洗い出す
• 各質問を「AIに任せる／人が対応する」に仕分けする

例えば情シスなら「パスワード再発行の手順」「VPNの繋ぎ方」「アカウント申請の場所」、人事なら「有給の申請方法」「慶弔休暇の条件」「福利厚生の使い方」、総務なら「備品の発注先」「押印・稟議の回し方」——このあたりは典型的なAIに任せる側です。逆に、個別事情の判断が要る相談や、機微情報を伴う手続きは人が対応する側に残します。

当社が情シス・総務の問い合わせ削減を支援したPoC（BtoBサービス業・数百名規模、匿名）でも、受付履歴を束ねてみると、件数ベースでおおむね6〜7割が上位20〜30パターンの定型質問に集中していました。裏を返せば、この“太い部分”だけをAIに任せるだけで、対応工数の山を大きく削れるということです。逆に、棚卸しを飛ばして「とりあえず全マニュアルを読ませる」と、AIは何でも答えようとして精度が落ち、現場の信頼を最初に失います。このステップの丁寧さが、完成度をほぼ決めるというのが、支援現場で繰り返し得た実感です。

Step2：ナレッジをRAG化する

任せる範囲が決まったら、その回答の根拠になるドキュメントを整えます。

• 対象はStep1で任せると決めた質問に関係する文書だけでよい（就業規則、各種申請手順、IT機器申請、情報セキュリティポリシー等）
• PDF・Word・社内Wikiなど既存資料をそのまま読み込ませてベースを作る。完璧なFAQを書き上げてから始める必要はない
• 文書を意味のまとまりで分割（チャンク化）して検索できる状態にする

RAGは「質問→社内文書を検索→ヒットした抜粋をAIに渡す→その根拠で回答生成」という流れで動きます。したがって検索がヒットしなければ、AIは正しく答えられません。ここが作り方の技術的な肝で、詳しい進め方はRAG構築の進め方に譲りますが、問い合わせ用途では「1問1答に対応する粒度で文書を区切っておく」ことが効きます。

Step3：ソース付きで答える設計

社内問い合わせで最も怖いのは、AIがそれらしい誤り（ハルシネーション）を自信満々に返すことです。「特別休暇は5日」と誤って答えれば、規程違反や手戻りに直結します。

これを防ぐ最有力の設計が、回答に必ず出典（根拠文書へのリンク）を添えることです。

• 回答の下に「参照：就業規則 第○条／申請手順書 p.3」のように出典を表示する
• 該当文書が見つからない質問には、無理に答えさせず「該当情報が見つかりません。担当へおつなぎします」と返す
• 制度・法令・セキュリティなど正確性が必須の領域は、必ずソース提示＋人のレビュー導線を併設する

出典があれば、社員は自分で一次情報を確認でき、担当者も回答の妥当性をすぐ検証できます。「AIの言うことをそのまま信じる」のではなく「AIが根拠まで案内する」——この設計が、社内で安心して使ってもらうための前提です。

Step4：答えられない時の有人連携

最後に、ボットが解けなかった質問の受け皿を必ず用意します。これが抜けると、社員は一度「使えない」と感じた瞬間に二度と使わなくなります。

推奨は、一次対応をボットが引き受け、解決できない時だけ人へエスカレーションする「pre-deflection（先行自己解決）」型です。

• 一次対応：定型質問はボットが即答（自己解決）
• 未解決：ワンクリックで担当者チャットへ引き継ぐ／問い合わせチケットを自動起票する
• 履歴：やり取りを残し、「答えられなかった質問」を次の改善ネタにする

「AIで全部を無人化する」のではなく、AIで定型を減らし、人は本当に判断が要る問い合わせに集中する。この役割分担こそ、当社が掲げる“現場主義 × AI”の考え方そのものです。

回答精度を上げる実装の勘所

「作ったのに、思ったより答えてくれない」——PoCで最初にぶつかるのが精度の壁です。当社の社内RAG・閉域網PoCの経験から、効果が大きかった打ち手を3つに絞って共有します。

1. チャンク（文書の分割単位）を最適化する：長すぎると無関係な情報が混ざって回答がぼやけ、短すぎると文脈が切れて答えられません。外部の実装ベストプラクティス（Databricks等が公開する2025〜2026年のガイド）では、400〜800トークン程度・15〜20%のオーバーラップ、そして章立てや箇条書きの構造を尊重した「意味単位の分割（セマンティックチャンキング）」が推奨されています。当社のPoCでも、規程やマニュアルを文字数だけで機械的に区切ると回答が目に見えて劣化し、見出し・箇条書きの構造に沿って区切り直すと精度が改善しました。RAGの精度向上の多くは、この地味なチャンク・索引・埋め込みの調整から生まれます。
2. 検索をハイブリッドにする：意味の近さで探す「ベクトル検索」だけでなく、製品名・型番・略語などを取りこぼさない「キーワード検索」を併用します。さらに検索結果を並べ替えるリランカーを挟むと、渡す根拠の質が上がります。前掲の実装ガイドでも、検索（retrieval）のチューニングだけで、同じAIモデルでも回答精度が大きく改善すると報告されています。
3. 評価データで測りながら直す：Step1で集めた頻出質問に「模範解答」を紐づけたテストセットを作り、変更のたびに正答率を測ります。“なんとなく良くなった”ではなく、数字で改善を確認する運用が、精度を継続的に伸ばします。

精度改善の具体的な打ち手はRAGの精度を上げる方法｜検索精度・回答品質を改善する打ち手でさらに詳しく整理しています。

社内で失敗しないための注意点

作り方そのものより、運用でつまずくケースが実は多数です。当社が現場で見てきた典型的な失敗と回避策をまとめます。

• 「入れたけど使われない」：最も多い失敗です。Slack/Teamsなど社員が普段いる場所にボットを置き、社内アナウンスで使い方を告知し、初期は「これも聞けるよ」と用途を広げていく“社内マーケティング”が要ります。
• 例外の受け皿がない：Step4の有人連携が甘いと、答えられない一度の体験で離脱します。エスカレーション導線は最初から作り込みます。実際、当社が支援した前述のPoCでも、初回は「まずボット単体で」とリリースした結果、AIが答えられなかった数件の体験だけで利用が伸び悩みました。未解決時にワンクリックで担当者へ引き継ぐpre-deflection型へ作り直して初めて、自己解決率と継続利用が安定しました。有人連携は“後付け”ではなく“前提”として設計すべきものです。
• 精度を過信する：制度・法令・金額など、間違えると影響が大きい領域は、必ず出典提示＋人の確認を挟みます。無理に100%無人化しないこと。
• セキュリティを後回しにする：社内問い合わせのナレッジには、就業規則や社内手順など外に出せない情報が含まれます。どのデータをAIに渡してよいかの線引き、アクセス権限、ログの管理は初期から設計します。機微情報を扱う場合は、外部にデータを出さない閉域網で生成AIを使う方法や、生成AIのセキュリティ対策も検討してください。

NIST AI RMFでも、AIの統制はまず「どこで何が使われているかを把握し、方針を定める（GOVERN／MAP）」ことから始まると位置づけられています。便利さと統制を両立させる設計を、作る前に一度描いておくことをおすすめします。

費用と期間の目安

社内問い合わせチャットボットは、小さく始めるほど成功率が上がります。いきなり全社・全部門を対象にせず、効果の出やすい1部門・1業務から着手するのが定石です。

• 期間の目安：1か月目に問い合わせの棚卸しとツール選定、2か月目にデータ投入とテスト、3か月目に一部門で段階リリース——おおむね3か月で最初の成果検証まで到達できます。
• 費用の目安：ノーコード系のツールを使った小規模トライアルなら月額数万円台から。自社データ連携や閉域網、既存システム連携まで作り込む場合は、要件に応じて開発費が乗ります。

投資判断や本格開発の費用感は、生成AI開発・PoC支援｜サービス内容と進め方・費用・事例で内訳の考え方を解説しています。

PoCの進め方とKPI｜まず一点突破で成果を出す

「作り方は分かった。では、どう始めるか」——おすすめは、小さなPoC（概念実証）で効果を数字で確かめてから広げる進め方です。ここでKPIと撤退基準をあらかじめ決めておくのが、投資を無駄にしないコツです。

• 対象：Step1で洗い出した頻出質問のうち、効果が出やすい1部門（例：情シスのアカウント・機器系）に絞る
• KPI例：ボットでの自己解決率、対象問い合わせの削減率、担当者の対応時間削減
• 撤退・見直し基準：一定期間で自己解決率が目標に届かない場合は、ナレッジ整備・チャンク設計・対象範囲を見直す

PoCの設計・KPI・撤退基準の考え方は生成AIのPoCの進め方｜失敗しない設計とKPI・撤退基準に詳しくまとめています。

【無料ダウンロード】生成AI PoC企画テンプレート
社内問い合わせチャットボットを含む生成AIの取り組みを、目的・対象業務・KPI・撤退基準まで1枚に落とし込めるテンプレートです。PoC企画の“抜け漏れ”を防ぎ、社内説明にもそのまま使えます。
👉 生成AI PoC企画テンプレートを無料でダウンロードする

「自社の問い合わせをどう仕分けし、どこから自動化すべきか相談したい」という方は、無料相談はこちらからお気軽にお問い合わせください。

まとめ

社内問い合わせチャットボットの作り方は、次の4ステップに集約されます。

1. 問い合わせの棚卸しと仕分け：頻出トップ20〜30を洗い出し、AIに任せる範囲を決める
2. ナレッジをRAG化する：関連文書を整備し、意味単位でチャンク化して検索可能に
3. ソース付きで答える設計：出典を添え、ハルシネーションを防ぐ
4. 答えられない時の有人連携：一次対応はボット、解けない質問は人へ

そして成否を分けるのは、高機能なツールを入れることではなく、「何を任せるか」を決め、出典付きで答え、答えられない時の受け皿を作ることです。技術より前に、業務の棚卸しと役割分担の設計がある——これは私たちが業務改善とAI導入の両方を現場で手がけてきたからこそ、確信を持ってお伝えできる勘所です。

まずは効果の出やすい1業務でPoCを回し、数字で手応えを掴んでから広げていきましょう。生成AIの社内活用全体を俯瞰したい方は社内向け生成AIの構築方法や生成AIによる業務効率化とは？仕組み・できること・始め方もあわせてご覧ください。

監修：大槻 伸夫（キュリオシティ株式会社 代表取締役CEO）
“現場主義 × AI”を掲げ、業務改善コンサルティングと生成AI・RAGの導入支援を一体で提供。社内問い合わせ対応をはじめとする定型業務の自動化PoCを、閉域網・セキュリティ要件を踏まえて数多く支援しています。

主な参考・出典
– Digeon「RAG導入実態調査」（2025年12月実施／PR TIMES 2026年公開）
– 総務省・経済産業省「AI事業者ガイドライン（第1.2版）」
– IPA「情報セキュリティ10大脅威 2026」
– NIST「AI Risk Management Framework（AI RMF 1.0）」
– 各社公開事例（近畿大学／カカクコム／リンクアンドモチベーション ほか）およびRAG実装のベストプラクティス（2025–2026）