n8nで社内ナレッジRAGチャットボットを構築 問い合わせ対応を月20時間削減
「経費精算の締め日は」「有給の申請書はどこ」──就業規則にも手順書にも書いてあるのに、総務や情報システム担当が毎日答え続けている。n8n の AI Agent ノードと Vector Store ノードを組み合わせれば、社内文書を検索して答えるチャットボットを 120 分で立ち上げられます。
- 骨格は 2 本のワークフロー。社内文書をベクトルデータベースへ取り込む「仕込み側」と、質問に答える「応答側」を分けて作ります
- 核になるノードは AI Agent、Vector Store (Qdrant など)、Embeddings OpenAI、Default Data Loader、Chat Trigger の 5 つ
- 月額は ¥4,000 台から。n8n Cloud Starter が 20 EUR/月 (年払い)、AI の従量課金は月 200 件の問い合わせで ¥100 未満という編集部試算です
- 本番で Simple Vector Store を使ってはいけません。n8n 公式が開発用途限定と明記しており、再起動でデータが消え、同じ n8n を使う全員から中身が読めます
- 最大の見落としは実行回数。Chat Trigger はチャット 1 通ごとに 1 実行を消費します。プラン選定はここで決まります
- 効果は編集部のシミュレーションで 30 名規模・月 200 件の問い合わせに対し約 20 時間分の圧縮。ただし回答の確認工数は残ります
編集長の見解 ── 社内問い合わせ AI は、すでに Dify や Slack 連携型のレシピで「作らずに使う」道筋を示してきました。それでも n8n で自前で組む価値がどこにあるかというと、どの文書をどう切って、どう検索して、何を根拠に答えたかを、すべて自分の手元で調整できる点に尽きます。就業規則と製品仕様書では、そもそも文書の切り方が違う。既製の社内 AI が「なんとなく惜しい回答」を返すとき、その原因を触れるのが n8n です。逆に言えば、既製品の回答精度に不満がないなら、この記事の構成は手間の方が上回ります。判断基準はそこに置いてください。
社内問い合わせが月36時間を溶かしている
社内問い合わせが厄介なのは、1 件あたりの所要時間が短いために「コスト」として認識されないところです。答える側の時間だけを見ていると、実態の半分しか見えません。
編集部が 30 名規模・1 日あたり 10 件の社内問い合わせという条件でシミュレーションしたのが下表です。質問する側の時間も同じ表に入れました。
| 内訳 | 1 件あたり | 1 日 (10 件) | 月 (20 営業日) |
|---|---|---|---|
| 質問する側が自分で探して諦めるまで | 約 3 分 | 30 分 | 約 10 時間 |
| 質問する側が聞いて、返事を待つ | 約 2 分 | 20 分 | 約 6.7 時間 |
| 総務・情シスが該当箇所を探す | 約 4 分 | 40 分 | 約 13.3 時間 |
| 総務・情シスが引用して返信する | 約 2 分 | 20 分 | 約 6.7 時間 |
| 合計 | 約 11 分 | 110 分 | 約 36.7 時間 |
このうち AI が一次回答を返せる割合を 55% と置くと、月 約 20 時間が圧縮できる計算になります。これは編集部のシミュレーションであり、実際の削減幅は文書の整備状況で大きく変わります。
先に効果を測る方法 ── 構築前に、直近 1 か月の社内問い合わせを 20 件だけ書き出してください。そのうち「既存の文書に答えが書いてある」ものが何件あるかを数えると、それが AI に任せられる上限です。半分に満たないなら、作るべきはチャットボットではなく文書そのものです。
次のセクションでは、外部知識を参照する AI 仕組み (RAG) が何をしているのかを、n8n のノード名に置き換えて整理します。
RAG は「検索してから答えさせる」だけの仕組み
外部知識を参照する AI 仕組み (RAG) という言葉は難しく聞こえますが、やっていることは単純です。質問が来たら社内文書から関連する箇所を検索し、その抜粋を大規模言語モデル (LLM) に渡して「これを読んで答えて」と指示する。それだけです。
ChatGPT に就業規則を毎回貼り付けて質問するのを、自動化したものと考えてください。手作業との違いは、文書が 100 ファイルあっても関連箇所だけを自動で拾ってくる点にあります。
その「関連箇所を拾う」役目を担うのが、ベクトルデータベースです。n8n 公式ドキュメントは、これを構成する部品を次のように整理しています。
| 部品 | n8n でのノード名 | 役割 |
|---|---|---|
| 文書の読み込み | Default Data Loader | PDF や JSON を取り込み、チャンク (断片) に分割する |
| 分割ルール | Recursive Character Text Splitter | 既定は 1 チャンク 1,000 文字、前後 200 文字を重ねる |
| 数値化 | Embeddings OpenAI | テキストを数値の並びに変換する |
| 保管と検索 | Vector Store (Qdrant / Supabase 等) | 数値化した文書を保管し、意味の近い順に取り出す |
| 回答の組み立て | AI Agent | 検索結果を読んで、日本語の回答文を作る |
| 入口 | Chat Trigger | 社員がメッセージを送るチャット画面 |
n8n が用意している Vector Store ノードは 1 種類ではありません。公式ドキュメントの一覧には Simple Vector Store、Qdrant、Supabase、PGVector、Pinecone、Chroma、Redis、Weaviate、Milvus、MongoDB Atlas、Azure AI Search、Oracle Database、Zep が並びます。どれを選ぶかは後段で判断基準を示します。
次に、この部品をどうつなぐかを図で示します。
完成形のフロー
仕込み側と応答側で、通るノードが違います。まず社内文書を取り込む側です。
この流れは文書を追加・改訂したときだけ動かします。毎日動かす必要はありません。
応答側は、社員がチャットに書き込んだ瞬間に動きます。
Vector Store は AI Agent の tool コネクタに接続します。モードは Retrieve Documents (As Tool for AI Agent) を選びます。
n8n 公式は AI Agent に Vector Store をつなぐ方法を 2 通り示しています。ひとつは Vector Store ノードを直接 tool コネクタに挿す方法、もうひとつは Vector Store Question Answer Tool を挟む方法です。後者は取り出した断片を先に要約してから AI Agent に渡すため、長い規程を扱う社内ナレッジ用途では回答が安定しやすくなります。
編集部メモ ── AI Agent ノードは n8n 1.82.0 以降、エージェント種別の選択がなくなり、すべて Tools Agent として動作します。古い解説記事で「Agent Type を選ぶ」と書かれていても、いまの画面には該当項目がありません。公式ドキュメントの記述が正です。
用意するものと費用を、次に具体的な金額で見ていきます。
用意するもの と 月額の内訳
必要なのは n8n、埋め込みと回答に使う AI の API、そしてベクトルデータベースの 3 つだけです。既存の Google Drive や社内共有フォルダはそのまま使えます。
以下は 2026-07-31 時点の欧州中央銀行参照レート (1 EUR ≒ ¥184、1 USD ≒ ¥160) で換算した編集部の試算です。
| 項目 | 選択肢 | 月額の目安 | 編集部の評価 |
|---|---|---|---|
| n8n | Cloud Starter (20 EUR/月・年払い、2,500 実行) | 約 ¥3,700 | まずここ。実行回数を測ってから上位を検討 |
| n8n | Cloud Pro (50 EUR/月・年払い、10,000 実行) | 約 ¥9,200 | 全社に開放して実行回数が足りなくなったら |
| n8n | Community Edition (自社サーバー) | 約 ¥2,000 (サーバー代のみ) | ソフト代は無料。Docker の運用知識が要る |
| 文書の数値化 | text-embedding-3-small ($0.02 / 100万トークン) | ¥1 未満 | 社内文書 30 万文字でも実質ゼロ円 |
| 回答の生成 | gpt-5.6-luna ($0.20 入力 / $1.20 出力、100万トークンあたり) | 約 ¥30 (月 200 件) | 現行世代。まずはこれで十分 |
| 回答の生成 (安価案) | gpt-4o-mini ($0.15 入力 / $0.60 出力、100万トークンあたり) | 約 ¥20 (月 200 件) | 旧世代。API では現役だが後述の注意あり |
| ベクトルデータベース | Qdrant Cloud 無料枠 (0.5 vCPU / 1GB RAM / 4GB ディスク) | ¥0 | 公式は検証・試作向けと位置づけ |
| ベクトルデータベース | Qdrant Cloud Standard (従量課金) | 要見積 | 本番運用はこちら。計算機と保存量で変動 |
現実的な着地点は月 ¥4,000 前後です。n8n Cloud Starter に AI の従量課金が乗り、ベクトルデータベースを無料枠で回している間はこの水準に収まります。前掲の月 36.7 時間を時給 ¥2,500 で換算すると約 ¥92,000 ですから、費用対効果の桁は合っています。
モデル選びの注意 ── 解説記事やテンプレートでは、いまも gpt-4o-mini が既定として使われていることが多くあります。同モデルは 2026-08-02 時点で API に現役として掲載されており、公式の提供終了一覧にも載っていないため、そのまま使っても支障はありません。ただし GPT-4o 系はすでに前世代であり、一部の版 (gpt-4o-2024-05-13) には 2026 年 10 月 23 日という提供終了日が設定されています。これから新規に組むなら現行世代を選んでおく方が、後の入れ替え作業を避けられます。n8n では Chat Model ノードのモデル名を差し替えるだけで移行できます。
なお、サーバー代を抑えて自社で n8n を持つ選択肢もあります。判断材料はn8n セルフホストの移行ガイドにまとめました。
n8n の無料トライアルを見る → ※ PR・アフィリエイトリンクを含みます
費用の見通しが立ったところで、実際の構築手順に進みます。
構築手順 120 分
以下は n8n Cloud と Qdrant Cloud の無料枠を使う前提の手順です。所要時間は編集部が想定した目安で、社内文書の量によって前後します。
指示文の書き方だけは、そのまま使える形で示しておきます。
あなたは社内規程の案内係です。回答は必ず、検索ツールが返した社内文書の内容だけを根拠にしてください。
根拠が見つからない場合は「該当する社内文書が見つかりませんでした。総務にご確認ください」と答え、推測で補わないでください。
回答の末尾には、根拠にした文書のファイル名を必ず記載してください。精度が出ないときに最初に触る場所 ── 回答がずれるとき、多くの人は AI のモデルを上位に変えようとします。編集部の見立てでは、効くのはたいてい別の 2 か所です。ひとつは Default Data Loader の分割設定 (規程のように条文が短い文書は既定の 1,000 文字だと複数条文が混ざります)、もうひとつは取り出す件数です。モデル変更は最後に試してください。
構築そのものは以上ですが、本番に出す前に必ず確認すべき落とし穴が 2 つあります。
⚠️ Simple Vector Store を本番で使ってはいけない
n8n のノード一覧を開くと、認証も外部サービスも不要な Simple Vector Store が真っ先に目に入ります。設定が要らないので、試作はこれで進むはずです。そのまま本番に出さないでください。
n8n 公式ドキュメントは、このノードについて開発用途での利用を推奨する旨を明記したうえで、2 つの制約を挙げています。
制約 1：データが残りません
Simple Vector Store はデータを n8n のメモリ上にだけ持ちます。n8n を再起動するとすべて失われ、メモリが逼迫した場合にも消えることがあります。n8n Cloud では上限 100MB・7 日間の無操作で削除という既定値が設定されています (自社サーバー版はどちらも無制限が既定)。社内文書を取り込み直す作業が、いつ発生するか分からない状態になります。
制約 2：同じ n8n の利用者全員が読めます
Simple Vector Store のメモリキーはワークフロー単位ではなくインスタンス全体で共有されます。つまり、そのワークフローに閲覧権限がない社員でも、自分で Simple Vector Store ノードを置いて同じメモリキーを選べば中身を読み出せます。給与規程や人事関連の文書を入れていた場合、アクセス制御は機能しません。
対処は単純で、保管先を外部のベクトルデータベースに変えるだけです。ノードを差し替えても、周辺の Embeddings や Default Data Loader の設定はそのまま流用できます。
次のセクションで、その選び方を整理します。
ベクトルデータベースをどう選ぶか
n8n が対応している 13 種類すべてを比較する必要はありません。中小企業が現実的に選ぶのは、下表の 4 択に収まります。
| 選択肢 | 初期費用 | 向いている状況 | 編集部の評価 |
|---|---|---|---|
| Simple Vector Store | ¥0 | 動作確認と試作のみ | 本番不可。公式が開発用途と明記 |
| Qdrant Cloud | 無料枠あり (0.5 vCPU / 1GB RAM / 4GB ディスク) | 社内文書だけを扱い、他システムと共有しない | 最短。無料枠で始めて従量課金へ移れる |
| Supabase Vector Store | 無料枠あり | すでに Supabase で顧客データを持っている | 認証や台帳と同じ基盤に載せられる |
| PGVector Vector Store | ¥0 (自社サーバー) | 社内に PostgreSQL の運用体制がある | 文書を社外に出さずに済む。運用工数は自前 |
判断の分かれ目は「社内文書を社外のサーバーに置けるか」です。就業規則や業務手順書なら Qdrant Cloud で問題にならないことが多い一方、顧客情報や図面を含む文書なら PGVector を自社サーバーに置く構成が現実的です。
見落としやすい前提 ── どの構成を選んでも、文書の内容は数値化のために OpenAI の API へ一度送信されます。ベクトルデータベースを自社に置いても、そこは変わりません。文書そのものを一切社外に出せない場合は、数値化と回答生成の両方をローカルで動かす構成が必要です。その考え方はn8n と Ollama で請求書を自社完結処理するレシピで扱いました。
もうひとつ、費用に直結する落とし穴が残っています。
実行回数の落とし穴 — チャット 1 通が 1 実行
n8n の料金はステップ数ではなく ワークフローの実行回数で決まります。ここに Chat Trigger 特有の性質が絡みます。
n8n 公式ドキュメントは Chat Trigger について、メッセージが届くたびにワークフローが実行されると明記しています。1 人の社員が 10 往復すれば 10 実行です。
編集部の試算で並べると次のようになります。
| 想定 | 月間メッセージ数 | 必要プラン | 月額の目安 |
|---|---|---|---|
| 総務 3 名で試験運用 (1 日 5 通) | 約 100 | Starter (2,500 実行) | 約 ¥3,700 |
| 30 名に開放 (1 人 1 日 1 通、平均 3 往復) | 約 1,800 | Starter (2,500 実行) | 約 ¥3,700 |
| 100 名に開放 (1 人 1 日 1 通、平均 3 往復) | 約 6,000 | Pro (10,000 実行) | 約 ¥9,200 |
仕込み側のワークフローも実行回数を消費しますが、文書の追加・改訂時にしか動かさないため、月に数十回程度です。実行枠を食うのはほぼチャット側だと考えて設計してください。
なお、同じ n8n でも AI を要約用途に使うだけなら、チャット形式より定期実行の方が実行回数はずっと少なくて済みます。その設計例はSlack スレッドを毎朝要約するレシピを参照してください。
導入前後の変化を、最後に整理します。
導入前後の比較
- 質問する側が探して諦める 月 約10時間
- 総務・情シスが該当箇所を探す 月 約13.3時間
- 引用して返信する 月 約6.7時間
- 待ち時間 月 約6.7時間
- 合計 月 約36.7時間
- AI が一次回答 (想定 55%) 月 0時間
- 人が答える残り 45% 月 約16.5時間
- AI の回答内容を確認・訂正 月 約2時間 (追加)
- 文書の追加・改訂の取り込み 月 約1時間 (追加)
- 合計 月 約19.5時間
差引 月 約17時間の圧縮。前掲の 20 時間より小さいのは、確認工数と文書メンテナンスを差し引いたためです。
数字が示すとおり、この仕組みは問い合わせ対応をゼロにするものではありません。「探す」工程だけを消し、「判断する」工程は人に残すのが、現実的な着地点です。
中小企業での活用シナリオ
社内規程以外にも、同じ構成がそのまま使える場面があります。編集部が特に効果が出やすいと見ているのは次の 3 つです。
- 製造業の作業手順書: 現場からスマートフォンで型番や工程名を尋ね、該当する手順書の箇所を返す。紙のファイルを探しに戻る往復が消えます
- 士業事務所の過去回答集: 顧問先からの定型的な質問に対し、過去に自分が書いた回答文を検索して下書きにする。回答の言い回しを事務所として揃えられます
- 新入社員の導入支援: 入社 1 か月に集中する「これはどこ」「誰に聞けば」を吸収する。教育担当の割り込み対応が減ります
いずれの場合も、取り込む文書を最初から欲張らないことが成功の条件です。まず 1 領域、10 ファイル程度から始めて、回答が実用に耐えるかを確かめてから広げてください。
よくある質問
Q1. プログラミングの知識は必要ですか。 基本構成であれば不要です。ノードを並べて接続し、画面のフォームに値を入れる操作が中心になります。ただし、うまく動かないときの原因切り分けには、どのノードが何を受け取っているかを読み解く姿勢が要ります。
Q2. 既製の社内 AI サービスと比べて、どちらを選ぶべきですか。 文書を入れるだけで使い始めたいなら既製サービスが速く、Dify を使った Slack 連携のレシピが近道です。文書の切り方や検索件数を自分で調整したい、他の業務自動化と同じ基盤にまとめたい、という場合に n8n が向きます。
Q3. 回答が間違っていた場合の責任はどうなりますか。 AI の回答はあくまで一次案内であることを、チャット画面の説明文と回答文の両方に明記してください。特に労務・税務に関わる問い合わせは、最終判断を人が行う運用を先に決めてから公開することを編集部は勧めます。
Q4. Slack から使えるようにできますか。 できます。Chat Trigger の代わりに Slack のトリガーを入口にすれば、同じ AI Agent と Vector Store をそのまま流用できます。ただし入口を変えても実行回数の考え方は同じです。
Q5. 社内文書を社外に出さずに構築できますか。 数値化と回答生成をローカルの大規模言語モデル (LLM) で行えば可能です。構成の考え方はAnythingLLM を使った社内文書 RAG の記事と、前掲の Ollama を使ったレシピが参考になります。
出典・参考情報
- n8n 公式ドキュメント — Simple Vector Store (開発用途推奨の記載、非永続性、メモリキーがインスタンス全体で共有される点、n8n Cloud の 100MB / 7 日間の既定値。2026-07-30 アクセス)
- n8n 公式ドキュメント — Chat Trigger (メッセージ 1 通につき 1 実行を消費する旨、Hosted Chat / Embedded Chat、認証方式)
- n8n 公式ドキュメント — AI Agent (1.82.0 以降はすべて Tools Agent として動作、ツール接続の必須要件)
- n8n 公式ドキュメント — Qdrant Vector Store (4 つの動作モードと AI Agent への接続パターン)
- n8n 公式ドキュメント — Default Data Loader (Simple 設定時の分割サイズ 1,000 文字・重なり 200 文字)
- n8n 公式ドキュメント — Store and search data with vectors (埋め込み・リトリーバー・文書ローダーの役割)
- n8n 公式 — 料金プラン (Starter 20 EUR / 2,500 実行、Pro 50 EUR / 10,000 実行、いずれも年払い時。Community Edition の記載)
- OpenAI 公式 — API 料金 (text-embedding-3-small $0.02、gpt-5.6-luna 入力 $0.20 / 出力 $1.20、gpt-4o-mini 入力 $0.15 / 出力 $0.60、いずれも 100 万トークンあたり。2026-08-02 アクセス)
- OpenAI 公式 — API モデルの提供終了一覧 (gpt-4o-mini は掲載なし＝現役、gpt-4o-2024-05-13 は 2026-10-23 提供終了・代替は gpt-5.6-sol。2026-08-02 アクセス)
- Qdrant 公式 — 料金 (無料枠 0.5 vCPU / 1GB RAM / 4GB ディスク、Standard は従量課金)
為替は 2026-07-31 の欧州中央銀行参照レート (1 EUR = 184.03 円、1 USD = 160.24 円) を用いました。
関連レシピ
- n8n セルフホストで Zapier の月額固定費を月¥2,000 に圧縮、中小企業向け OSS 自動化 移行ガイド
- n8n と OpenAI で Slack 長文スレッドを自動要約 — 会議前準備 30 分を 5 分に
- DifyのワークフローでSlack社内問い合わせをAI自動回答 情報探索を週4時間削減
- n8n × Ollama で請求書 PDF 月100件の手入力を確認だけに、機密を社外に出さない自社完結レシピ
- AnythingLLM 社内文書RAG構築 中小企業のナレッジ検索を内製する方法
Mira ／ AI経営ラボ 編集長 本記事は 2026-08-02 時点の情報です。料金・機能・プラン条件は各社公式情報を最新でご確認ください。
n8n + OpenAI API + Qdrant を無料で試す → ※ PR・アフィリエイトリンクを含みます