検索で上位に出る記事が、AIの回答では引用されない。その理由を1つに決めつけることはできません。ただし、候補を集めた後にもう一段並べ替える「リランキング」という処理を知っておくと、「見つかっていない」のか「候補には入ったが選ばれていない」のかを分けて考えられるようになります。Cohere・Google Cloud・Anthropicの公式資料から、定義と2段階構成の実装例を確認します。
01リランキングとは（基礎定義）
Cohere公式はRerankエンドポイントを、「クエリとドキュメントのリストを受け取り、意味的な関連性が高い順から低い順にドキュメントをインデックス化するもの」と説明しています（出典: Cohere公式）。各ドキュメントには関連度スコアが付与されます。
Google CloudのランキングAPIも近い機能を提供しており、「ドキュメントのセットを、クエリとの関連性に基づいてランク付けするAPI」だと説明されています（出典: Google Cloud公式）。
02仕組み：なぜもう一段の並べ替えが必要か
リランキングが必要とされる理由は、最初の検索(エンベディングによる意味検索など)が測っているのが「意味の近さ」であって「質問に答えているか」ではないためです。同じ話題に触れているだけの文書と、質問にずばり答えている文書が、似たスコアで隣り合って並んでしまう場面が起きます。
Google Cloud公式は、埋め込みとランキングAPIの違いを次のように説明しています（出典: Google Cloud公式）。
| 手法 | 何を測るか | 特徴 |
|---|---|---|
| 埋め込みによる意味検索 | ドキュメントとクエリの意味的な類似度 | 大量の候補から高速に絞り込める |
| ランキングAPI(リランキング) | ドキュメントがクエリにどれだけ的確に答えているか | より精密な関連度スコアを算出できる |
Anthropic公式は、具体的な実装例を示しています。初期検索で上位150件程度の候補チャンク（別記事『チャンキングとは｜RAGが文章を分割して読む理由』参照）を取得し、リランキングモデルでスコアリングして上位20件程度まで絞り込む2段階構成です（出典: Anthropic公式）。
03「検索」との違い（関連用語との違い）
リランキングは、検索そのものを代替する処理ではありません。検索の後段に位置する仕上げの処理です。
- 1段階目・検索: エンベディング（別記事『エンベディングとは｜文章を数値化して検索する仕組み』参照）などを使い、大量の文書から候補を絞り込む
- 2段階目・リランキング: 絞り込んだ候補だけを対象に、関連度スコアを精密に算出し直す
Google Cloud公式は、ランキングAPIを「ステートレスなAPI」と説明しています（出典: Google Cloud公式）。事前にドキュメントをインデックス化しておく必要がないため、既存の検索の後段に足しやすい設計だといえます。
04実務でリランキングが使われる場面
リランキングは、検索精度を高めたい場面で幅広く使われています。代表的な3つを紹介します。
- RAGの検索精度向上: 初期検索で取得した候補をリランキングで絞り込み、AIに渡す文書の質を高めます（別記事『RAGの仕組みとは？AI検索で引用される文章の原理を徹底解説』参照）。AIに渡せる文書量には限りがあるため、上位に何を残すかがそのまま回答の質になります
- 既存の検索エンジンの補強: Cohere公式は、リランキングを「既存の検索ソリューションから返された検索結果を並べ替えるためによく使われる」機能だと説明しています（出典: Cohere公式）
- 候補が多すぎる検索の設計: Cohere公式は、1回のリクエストで1,000件を超えるドキュメントを送らないことを推奨しています（出典: Cohere公式）。全文書をそのままリランキングに流す設計は成立しないため、「初期検索で何件まで絞り、そのうち何件をリランキングにかけるか」を先に決める必要があります
05よくある誤解
「リランキングをすれば検索は不要になる」という誤解。Google Cloud公式のランキングAPIは、ベクトル検索など他の検索手法の結果を入力として受け取る設計です（出典: Google Cloud公式）。リランキング単体で全文書から候補を探す用途には設計されていません。あくまで「並べ替え役」であって「探索役」ではなく、初期検索の候補に入っていない文書は、リランキングを足しても浮上しません。
「埋め込みとリランキングは同じ処理」という誤解もあります。埋め込みが見るのは意味的な類似度である一方、ランキングAPIはクエリへの回答精度をより精密なスコアで示すものだと区別されています（出典: Google Cloud公式）。どちらかに置き換えるのではなく、埋め込みで広く集めてからリランキングで絞る——公式資料が示す実装例も、この順に重ねる構成です。
06FAQ
Q. ChatGPTやAI Overviewsも、同じようにリランキングをしているのですか？
各AI検索エンジンが内部でどのような並べ替えを行っているかは、確認できた公式資料の範囲では公開されていません。本記事で確認できたのは、RAGを自分で構築する側の実装例です。ただし、公式資料が推奨するのが「広く集めてから絞る」2段階構成である以上、候補に入ることと最終的に採用されることは別の段階だと考えておく価値はあります。自社記事が引用されない原因を、そもそも見つかっていないのか、候補には入っているが選ばれていないのかに分けて仮説を立てる——という切り分けに使える考え方です。前者なら打ち手はインデックスとクロール可否の確認、後者なら「その質問に直接答える1〜2文が見出しのすぐ下にあるか」の見直しに向かいます。どちらに時間を使うかが変わるので、切り分けてから動いてください。
Q. リランキングは必ず導入すべきですか？
一律の基準は、確認できた公式資料の範囲では示されていません。判断材料になるのは、初期検索の上位に的外れな文書がどれだけ混ざっているかです。上位10件を目視して、質問に答えている文書が数件しかないなら検討の価値があります。逆に初期検索だけで上位が的確なら、後段を足しても得られる改善は小さくなります。
Q. リランキングにかける候補は何件くらいが目安ですか？
Cohere公式は、1回のリクエストで1,000件を超えるドキュメントを送らないことを推奨しています（出典: Cohere公式）。Anthropic公式の実装例では、初期検索の上位150件程度をリランキングにかけ、上位20件程度まで絞り込んでいます（出典: Anthropic公式）。
Q. リランキングを使うと検索の応答速度は遅くなりますか？
候補文書を追加でスコアリングする分、処理は増えます。具体的な遅延時間は、確認できた公式資料の範囲では明言されていません。導入判断の前に、リランキングあり・なしの応答時間を同じ質問セットで実測して比べてください。
