グラウンディング

LLMに「当社の返品ポリシーを教えてください」と聞くと、もっともらしい回答が返ってきます。しかし、その内容が実際のポリシーと一致している保証はありません。グラウンディング（Grounding）とは、AIの回答を検証可能な情報源に基づかせ、根拠のある応答を生成させる手法の総称です。

ハルシネーション対策の核心

LLMが事実と異なる情報を自信を持って述べるハルシネーションは、ビジネス利用における最大の障壁の1つです。グラウンディングはこの問題に正面から取り組みます。モデルの内部知識だけに頼るのではなく、外部の信頼できる情報源（社内ドキュメント、データベース、API）から取得した事実に回答を結びつけることで、正確性を担保します。

RAGによるグラウンディング

グラウンディングの最も一般的な実装がRAG（検索拡張生成）です。質問に関連する文書を検索し、その内容をLLMに提供して回答を生成させます。プロンプトに「提供された情報のみに基づいて回答してください」という指示を加えることで、モデルが学習データからの推測ではなく、提示されたエビデンスに沿った回答を生成するよう促します。

ツール利用によるグラウンディング

検索以外にも、ツール呼び出しの結果をグラウンディングに活用できます。たとえば為替レートの質問には為替APIの結果を、在庫状況の質問にはデータベースクエリの結果を使います。リアルタイムデータに基づく回答が可能になるため、「今日の為替レートは？」のような時事的な質問にも正確に応答できます。Google検索の結果を組み込むGoogle Geminiの「Grounding with Google Search」は、この手法の代表例です。

引用と検証可能性

グラウンディングの重要な側面は、ユーザーが回答を検証できるようにすることです。回答にソースへの参照（「○○マニュアルの第3章に基づく」など）を付与することで、ユーザーは元の情報源を確認して正確性を判断できます。この透明性がAIシステムへの信頼構築に直結します。

完全なグラウンディングの難しさ

ただし、グラウンディングは万能ではありません。検索で関連文書が見つからない場合や、複数の情報源が矛盾する場合、モデルは不完全な情報から回答を補完しようとすることがあります。「回答に必要な情報が見つかりません」と正直に返せる設計も、グラウンディングの品質を高める上で重要な要素です。