神奈川県横浜市の選挙管理委員会が、公職選挙法約4,500ページと過去の質疑応答約3,000件をRAG(検索拡張生成)に連携し、職員向けAIアシスタントで問合せ回答精度9割を達成した、という事例です。
「自治体だからボリュームが違うでしょ」と思った方、注目したいのは規模ではありません。 本質は「若手職員がまずRAGで条文と過去事例を確認してから先輩に相談する」という運用フローの設計です。 AIが問合せを直接返すのではなく、職員の頭の使い方を変えた点にヒントがあります。
僕が注目したのは、RAGの技術面より「過去質疑応答3,000件を素材にした」ところです。 FAQを新規に書き起こしたのではなく、既にあった質疑応答記録を活かした。ここが中小企業でも真似できる勘所です。
選挙業務における問合せ対応の課題
選挙管理委員会に限らず、専門性の高い問合せ業務では次のような負荷が発生します。
- 選挙期に問合せが急増し、少数のベテランに集中する
- 公職選挙法・関連通知が数千ページ単位で、条文検索が重い
- 過去の判断事例(Q&A)が担当者の手元メモに散らばっている
- 若手職員が独力で回答を組み立てるのが難しく、都度上司確認が必要
このボトルネックは、士業事務所・BPO業者・法務部門など「専門文書×問合せ対応」を抱える民間組織でも構造的にほぼ同じです。
RAGをどう導入したか
公開情報(NTT東日本 公式コラム、2026-02-25)の範囲では、以下の構成です。
- 対象業務: 選挙管理委員会の問合せ業務
- 中核技術: RAG(検索拡張生成) + 生成AI
- 投入データ: 公職選挙法の法令データ約4,500ページのPDF + 職員蓄積の質疑応答記録約3,000件
- 運用フロー: 若手職員がまずRAGの回答で条文・過去事例を確認 → 必要なら先輩に相談
ポイントは、AI回答を「市民に直接返す」のではなく「職員の一次調査ツールに位置づけた」ことです。 自治体の回答責任は職員が引き取る前提で、AIは検索と草案生成に徹する分業設計。 これは民間の専門業務でも参考になる線引きです。
回答精度9割の内訳と実態
コラムで報告された主要な数値は以下です。
- 回答精度: 約9割
- 投入文書: 公職選挙法データ約4,500ページ + 過去質疑応答約3,000件
- 効果: 業務効率化と組織的な知識共有の両立
- 位置づけ: 横浜DX戦略における「専門性の高い業務向けRAG」
注意点として、9割は「RAG出力の正答率」であり、残り1割は誤答・不足回答が起こる前提です。 最終回答を市民に返すのは職員側なので、AIが間違える1割を人間が拾える運用が組めていることが、精度9割の裏側にあります。
中小企業で再現するなら
ここからが本題です。年商5〜30億規模で、専門文書を扱う士業・BPO・法務部門で再現するならどう削るか。
構成
| 項目 | 横浜市選管 | 中小事務所/専門部門(年商5〜30億・専任1〜3名) |
|---|---|---|
| 対象 | 選挙業務問合せ | 業界特化の一次照会(税務・労務・契約書チェック等) |
| データ | 法令4,500p + Q&A3,000件 | 業界標準テキスト+社内FAQ・過去回答記録(数百〜数千件) |
| ツール | RAG+生成AI | Dify or LangChain + Claude/GPT Enterprise + ベクトルDB(月2〜5万円、2026年4月時点。要最新価格確認) |
| 月額費用 | (非公開) | 推定 月3〜10万円(AI API+ベクトルDB+利用者3〜5名分) |
| 初期費用 | (非公開) | 推定 80〜200万円(データ整備+RAG構築+運用設計) |
| 体制 | 選管職員+DX担当 | 業務担当1名+外部エンジニア月10〜20時間 |
| 期間 | 段階展開 | 2〜4ヶ月でPoC→本格運用 |
評価軸スコア
| 評価軸 | スコア |
|---|---|
| ROI(投資対効果) | ★★★☆☆ |
| 再現性(中小企業) | ★★★☆☆ |
| 難易度(低いほど簡単) | ★★★★☆ |
(難易度=数字小さいほど簡単)
スコア根拠は以下です。
- ROIは中程度。回答時間短縮の金額換算がしづらく、繁忙期の負荷分散が主効果になる
- 再現性は中程度。データ量が数百件未満だとRAG化のオーバーヘッドが割に合わない
- 難易度は高め。ベクトルDB選定・チャンク分割・プロンプト調整で試行錯誤が必要
前提条件・必要データ
- 過去のQ&A記録が数百件以上、テキスト形式で残っている
- 参照する業界文書(法令・ガイドライン・社内マニュアル)がPDF/テキストで用意できる
- 「AI回答→人間確認」の運用に耐えられる社内文化がある
- 情シスまたは外部エンジニアの支援が確保できる
失敗条件・適用しないケース
- 過去Q&Aが個人メモ・紙・チャット断片で散っており、テキスト化に半年以上かかる
- 参照文書の改定頻度が極端に高く、RAGのインデックス再構築が追いつかない
- 「AIが返した回答をそのまま顧客に転送」を狙う(1割の誤答が事故につながる)
- 問合せ量が月10件未満で、そもそも人力で回る規模
「RAGを入れれば専門業務の問合せが9割自動化される」わけではありません。
過去Q&Aの棚卸し→参照文書の整備→RAG構築→職員の一次調査ツールとして運用→定期メンテ、という段取りで初めて、精度9割の裏付けができます。
大事なのは「AIを回答者にしない」設計。横浜市の運用フローは、精度9割を安全に活かす前提として学ぶ価値があります。
出典・参考
市野
愛知県岡崎市でAI活用支援を手がける一人社長。 中小企業の現場でAIを実装してきた経験から、他社事例を「うちで再現するには」の視点で読み解いて発信中。
愛知県岡崎市を拠点に、中小企業向けのAI活用支援を提供。ChatGPT・Claude Code等を活用した業務自動化やSEO・広告運用の内製化を支援。経営者が自らAIを使いこなせる体制づくりをサポートしている。
＞＞詳細なプロフィールはこちら