日立ソリューションズ・テクノロジーが「Hyper RAG 匠」を発売：図表を壊さずAI検索へ

社内に眠る設計書や手順書を、生成AIできちんと使える形に整えるのは意外と難しい作業です。文章だけなら検索できますが、図面や複雑な表が入ると、従来の仕組みでは意味が崩れてしまうことがありました。日立ソリューションズ・テクノロジーは、そうした課題に応える製品として、ドキュメント構造化エンジン「RAG管理ソフトウェア (Hyper RAG 匠)」を2026年10月30日より販売開始しました。本記事では、発表内容をもとに、この製品が何を解決するのか、どんな現場で役立つのか、そして導入前に確認しておきたい点を整理します。

Hyper RAG 匠とは何か

Hyper RAG 匠は、設計書や手順書、障害対応記録などの複雑な技術文書を、図表や文脈を維持したまま知識データへ変換するソフトウェアです。開発元は株式会社日立ソリューションズ・テクノロジーで、本社は東京都立川市にあります。製品の位置づけは、チャットボットそのものではなく、その前段で「AIに渡すデータをきれいに整える基盤」です。生成AIの回答の質は、モデルの性能だけで決まるわけではありません。どんな資料を、どんな形で読み込ませるかが大きく影響します。Hyper RAG 匠は、その読み込み部分の精度を上げることに特化しています。

従来の一般的なRAGでは、文書を機械的に細かく分割して文字列を拾う方法がとられることがありました。この方法では、章や節のつながりが途切れたり、図や複雑な表の構造が壊れたりする問題が起きやすかったと、発表資料では説明されています。結果として、AIが文脈を読み違えたり、的外れな回答をしたりする原因になっていたというわけです。Hyper RAG 匠は、こうした弱点を補うために、文書の構造を理解したうえで知識化する設計になっています。

図表や表のつながりを保つ仕組み

この製品の中心にあるのは、高度なドキュメント構造化技術です。資料の中の「章・節・図・表」のつながりを損なわずに整理する点が特徴として挙げられています。具体的には、図の内容をAIが理解できる言葉で要約する機能や、表の階層関係や単位、項目の意味を崩さずにデータ化する技術が紹介されています。ページをまたいで続く表を結合する仕組みも備えているとされています。

製造現場の資料を想像すると、この意味が分かりやすくなります。たとえば、ある部品の仕様が、本文の説明と図面、さらに数ページにわたる表に分かれて書かれていることがあります。ばらばらに切り分けて読めば、どの数値がどの条件に対応するのかが分からなくなります。構造を保ったまま知識化できれば、AIは「この図はこの説明に対応する」「この表の単位はこういう意味だ」という関係を保ったまま検索や回答に使えます。発表では、言葉のニュアンスまで捉える検索技術と、従来のキーワード検索を組み合わせ、見つけてきた資料が本当に正しいかをAIがもう一度精査する仕組みも組み込んでいると説明されています。

なぜ今、資料の整理が注目されるのか

生成AIを社内で使いたいという声は、多くの業種で広がっています。しかし、現場のベテランが頭の中に持っている知見や、長年積み重ねてきた業務資料は、すぐにはAIが使える形になっていないことが少なくありません。紙やPDFの形で残っている資料もあれば、部門ごとに書き方が違う資料もあります。熟練者の退職や異動が進めば、その知見が組織から失われる心配もあります。発表資料では、熟練者の頭の中にあった知見や業務資料を、文脈や図表のつながりを保ったまま知識データ化して一元管理できる点を、製品の目的の一つとして挙げています。

つまり、Hyper RAG 匠の狙いは、単に検索を速くすることだけではありません。組織の知識を、人が引き継ぎやすい形で残し、AIを通じて誰でも参照できる状態にする点にあります。製造業やインフラ関連の現場では、図面や手順書の読み違えが、そのまま作業ミスや手戻りにつながることもあります。だからこそ、資料の構造を壊さない整理が、実務での信頼につながるという考え方です。

オンプレミス対応とセキュリティ面の考え方

社内の機密情報や知的財産を含む資料を、外部のクラウドにそのまま置くことに抵抗がある組織は少なくありません。Hyper RAG 匠は、オンプレミスを含む安全な環境で実務に適した高精度なAI検索基盤を構築できると説明されています。完全にクローズドなオンプレミス環境にも対応するとされており、機密情報や個人情報を外部へ持ち出さずに使える点が、導入を検討する企業にとっての判断材料になります。

ただし、オンプレミス対応だからといって、すべてのセキュリティ対策が自動で済むわけではありません。誰がどの資料にアクセスできるのか、回答の根拠として表示される資料の範囲は適切か、ログをどう残すのかといった運用ルールは、導入する組織側で決める必要があります。発表では、既存のチャットボットや社内システムと接続し、回答の根拠を確認できる形で使う想定も紹介されています。根拠を確認できることは、AIの回答をうのみにせず、原資料に立ち返って確かめる習慣を支えます。重要な技術数値や安全に関わる手順については、最終的には原資料で確認する運用が欠かせません。

導入前に確認したい点

Hyper RAG 匠の初期費用やライセンス費用は、発表資料では個別見積もりとされています。そのため、導入を検討する場合は、対象となる資料の量や種類、利用する人数、オンプレミスかクラウドかといった条件を整理したうえで、見積もりを取る流れになります。価格だけで判断せず、まずは自社の資料でどの程度うまく構造化できるのかを、試しに確かめることが大切です。図面の多い資料、表の多い資料、手書きに近い資料など、資料の種類によって結果が変わる可能性があります。

また、今後の機能拡張として、図内文字の構造化への対応や、Agentic RAGやGraph RAGへの拡張が計画として挙げられています。これらは今後の方向性であり、販売開始時点でそのすべてが使える機能として提供されているわけではない点には注意が必要です。発表内容と実際の提供機能を区別して確認し、自社が今すぐ必要とする機能が含まれているかどうかを、導入前にチェックしましょう。開発にあたっては、株式会社日立システムズと共同で、複雑なデータや図表の取り込み精度の向上に取り組んだとされています。

現場での使い方のイメージ

実際の使い方をイメージしてみましょう。たとえば、設備の保守担当者が、過去の障害対応記録を探したい場面を考えます。従来のキーワード検索では、似た言葉を含む記録が大量に出てきて、どれが今回の症状に近いのかを人が一つずつ開いて確かめる必要がありました。構造化された知識データがあれば、章や図、表の関係を保ったまま検索できるため、関連する記録を絞り込みやすくなります。回答と一緒に根拠となる資料が示されれば、担当者はその資料を開いて、数値や手順を自分の目で確かめることができます。

設計部門でも、似た使い方が考えられます。新しい設計をするときに、過去の設計書や類似製品の仕様を参照する作業は欠かせません。図と本文の対応が保たれた状態で検索できれば、過去の判断理由や条件をたどりやすくなります。もちろん、AIの回答が常に正しいわけではありません。発表資料でも、誤回答の抑制に貢献すると説明されていますが、誤りがゼロになるとまでは述べられていません。AIの出力を下書きや候補として扱い、最終判断は人が行う姿勢が、現場では大切になります。

この発表をどう受け止めるか

Hyper RAG 匠の発表は、生成AIの話題がモデルの性能競争に偏りがちな中で、「入力データをどう整えるか」という地味ながら重要な部分に光を当てたものだと言えます。図表を含む技術文書は、製造業やインフラの現場では日常的に使われる資料です。その資料を壊さずにAIへ渡す仕組みが整えば、社内検索の使い勝手は大きく変わる可能性があります。一方で、製品の効果は、導入する組織の資料の状態や運用ルールによっても変わります。きれいに整理された資料がそろっている組織と、書き方がばらばらな資料が多い組織では、同じ製品でも手間のかかり方が違ってくるでしょう。

発表は2026年10月30日のもので、製品は同日から販売開始とされています。導入を検討する場合は、発表資料の内容を出発点として、自社の資料で実際に試すこと、提供機能の範囲を確認すること、そして回答の根拠確認やアクセス管理といった運用面をあわせて設計することが、失敗を減らす近道になります。AIの力を現場で生かすには、新しいモデルを追うことと同じくらい、足元の資料を丁寧に整える作業が欠かせないのです。

Frequently Asked Questions

Hyper RAG 匠はチャットボットそのものですか

いいえ、発表資料の位置づけでは、チャットボットそのものではなく、設計書や手順書などの技術文書を図表や文脈を保ったまま知識データへ変換するドキュメント構造化エンジンです。既存のチャットボットや社内システムと接続して使う想定が紹介されています。

どんな資料の整理に向いていますか

設計書や手順書、障害対応記録など、図表や複雑な表を含む技術文書が主な対象として挙げられています。章や節、図、表のつながりを保ったまま構造化する点が特徴とされています。

機密性の高い資料でも使えますか

発表では、オンプレミスを含む安全な環境での構築や、完全にクローズドなオンプレミス環境への対応が説明されています。ただし、アクセス権やログ、根拠資料の扱いといった運用ルールは、導入する組織側で決める必要があります。重要な数値や手順は、最終的に原資料で確認する習慣が大切です。