RAG × 不動産：ナレッジベースAIで業界知識を活用する方法

汎用LLM（GPT-4、Claudeなど）は高い言語能力を持ちますが、不動産業界固有の知識——法令、地域特性、取引慣行、自社の過去データ——を十分に理解しているわけではありません。RAG（Retrieval-Augmented Generation）は、この課題を解決する技術です。

RAGとは何か

RAGは、LLMに外部知識ベースからの情報検索機能を付加する技術です。ユーザーの質問に対して：

関連する情報を知識ベースから検索（Retrieval）

検索結果をコンテキストとしてLLMに提供（Augmented）

LLMが正確な回答を生成（Generation）

この仕組みにより、LLMの「ハルシネーション（幻覚）」を大幅に削減し、正確で信頼性の高い回答を実現します。

不動産RAGの構築ステップ

ステップ1: 知識ベースの設計

不動産業界で必要な知識ベースは以下の4層構造です：

第1層: 法令・規制データ

宅地建物取引業法

建築基準法

都市計画法

不動産登記法

各自治体の条例

第2層: 市場データ

国土交通省の取引価格情報

路線価・公示地価

地域別の相場動向

再開発計画情報

第3層: 自社データ

過去の取引実績

物件情報データベース

顧客情報・問い合わせ履歴

社内マニュアル・ノウハウ集

第4層: リアルタイムデータ

REINSの最新物件情報

ポータルサイトの掲載状況

金利・経済指標

ニュース・市場レポート

ステップ2: チャンキング戦略

不動産文書のチャンキング（分割）には、業界特有の工夫が必要です。

法令文書のチャンキング

法令文書は「条→項→号」の階層構造を維持したチャンキングが重要です。

条単位でチャンクを作成し、関連する項・号をメタデータとして紐付けます。さらに、法改正日と施行日をメタデータに含め、最新の法令が優先的に検索されるようにします。

物件情報のチャンキング

物件情報は、以下の要素を1チャンクとして扱います：

基本情報（所在地、面積、築年数、構造）

価格情報（販売価格、坪単価、管理費・修繕積立金）

設備・特徴（リフォーム履歴、周辺施設）

法令情報（用途地域、建ぺい率・容積率）

ステップ3: ベクトルデータベースの選択

Bookmi Estateではpgvectorを採用しています。理由は：

PostgreSQLとの統合: 既存の取引データベースと同一インフラで運用可能

Hybrid Search: ベクトル検索とキーワード検索の組み合わせが容易

スケーラビリティ: 数千万件の物件データにも対応

コスト効率: マネージドサービス（Supabase、Neon等）で運用コストを抑制

ステップ4: Hybrid Searchの実装

不動産検索では、セマンティック検索（意味検索）とキーワード検索の組み合わせが不可欠です。

セマンティック検索が得意な例:

「日当たりの良い閑静な住宅街のマンション」→ 南向き・低層住居専用地域の物件を検索

キーワード検索が必要な例:

「港区三田2丁目」→ 正確な住所での物件検索

「建ぺい率60%」→ 数値条件での絞り込み

Bookmi Estateでは、両方のスコアを重み付けして統合するHybrid Search（RRF: Reciprocal Rank Fusion）を実装しています。

ステップ5: リアルタイム更新

不動産情報は鮮度が命です。以下の更新サイクルを設定しています：

物件情報: REINSの更新に連動（15分間隔）

価格情報: 日次更新

法令情報: 改正公布時に即時更新

市場レポート: 週次更新

導入効果

RAGを導入した不動産会社での効果：

回答精度: 法令に関する質問の正答率が72%→95%に向上

ハルシネーション: AI回答の事実誤認率が12%→1.5%に低減

業務効率: 法令調査時間が1件あたり45分→5分に短縮

顧客満足度: AI応対の満足度スコアが4.2→4.7に向上（5点満点）

まとめ

RAGは、汎用AIを不動産業界の専門家に変える鍵となる技術です。適切なチャンキング戦略、Hybrid Searchの実装、リアルタイム更新の仕組みを整えることで、正確で信頼性の高いAI Agentを構築できます。

Bookmi Estateは、不動産業界に最適化されたRAGインフラをプラットフォームの標準機能として提供しています。