aegis4net: 【2026年最新】社内秘匿情報を守る！ベクトルDBのメタデータフィルタリングで実現する「ACL対応セキュアRAGシステム」構築手順

はじめに：2026年、生成AI活用は「RAGの本格導入とセキュリティ制御」の時代へ

2026年現在、多くの企業が生成AI（LLM）の検証フェーズを終え、社内文書や製品マニュアルを検索・参照して回答する「RAG（Retrieval-Augmented Generation）」を本格導入するステージに移行しています。しかし、ここで大きな障壁となるのが「セキュリティとアクセス権限（ACL：Access Control List）の管理」です。

人事評価書や未公開のプロジェクト計画書など、社内の特定メンバーしかアクセスできない機密情報が、RAGを通じて全社員に漏洩してしまうリスクが懸念されています。本記事では、2026年のデファクトスタンダードとなりつつある「メタデータフィルタリング」を用いた、「ACL対応型セキュアRAGシステム」の具体的な構築手順とPythonコードを徹底解説します。

1. なぜRAGにACL（アクセス制御）が必要なのか？

一般的なRAGシステムでは、すべての社内文書を単一のベクトルデータベースに格納し、ユーザーの質問（クエリ）と類似度の高いドキュメントを抽出します。しかし、この仕組みでは役職や部署に関係なく、データベース内のあらゆる情報がLLMへのプロンプトに入力されてしまいます。

役員限定の経営計画：一般社員が経営状況について質問した際に、誤ってインサイトとして出力されてしまう。
人事・給与情報：他人の評価データや給与テーブルが検索結果にヒットする。
プロジェクト限定の機密：競合他社向けの提案書が別部署の類似クエリで露出する。

これを防ぐためには、検索時に「質問者の権限情報（役職・部署・グループ）」をメタデータフィルタとしてベクトルデータベースに渡し、アクセス権のある文書のみを検索対象に絞り込む（プリフィルタリング）仕組みが不可欠です。

2. システム構成：メタデータフィルタリングによるACL制御

本システムでは、以下の3つのステップで安全なRAG検索を実現します。

ドキュメントのインデックス化：文書分割時に、各チャンクに対して「閲覧可能な部署・役職（例：['admin', 'hr', 'sales']）」のリストをメタデータとして付与し、ベクトルDBに格納。
認証・ユーザーコンテキストの取得：APIリクエスト時に、ユーザーのJWT（JSON Web Token）等からユーザーの「所属部署」や「役職レベル」を動的に取得。
メタデータフィルタ付きセマンティック検索：ベクトルDBの検索クエリ実行時、ユーザーの持つ権限と一致するドキュメントのみを抽出。

3. ACL対応RAGシステムの構築手順（Python実装例）

今回は、軽量かつ強力なベクトルデータベースであるChroma（ChromaDB）を使用し、メタデータフィルタリングを適用したACL対応RAGのシミュレーションコードを紹介します。

3-1. 必要なライブラリのインストール

まずは、環境構築に必要なPythonライブラリをインストールします。2026年現在の最新安定版ライブラリを使用します。

pip install chromadb openai python-dotenv

3-2. 実装コード（main.py）

以下は、ユーザーの権限レベル（Role/Department）に応じて、検索対象となるドキュメントを動的にフィルタリングするPythonスクリプトです。

import os
import chromadb
from chromadb.utils import embedding_functions
from dotenv import load_dotenv

# 環境変数の読み込み
load_dotenv()

# 1. ChromaDBクライアントと埋め込み関数の初期化
# ここではOpenAIのテキスト埋め込みAPI（text-embedding-3-small）を使用します
openai_api_key = os.getenv("OPENAI_API_KEY")
ef = embedding_functions.OpenAIEmbeddingFunction(
    api_key=openai_api_key,
    model_name="text-embedding-3-small"
)

client = chromadb.Client()
collection = client.create_collection(name="secure_corporate_docs", embedding_function=ef)

# 2. テスト用ドキュメントの準備（メタデータにACL情報を付与）
documents = [
    "2026年度の全社夏季賞与の支給基準および評価プロセスについて。管理職以上のみ開示可。",
    "新製品『Project-X』のモックアップデザイン案とマーケティング戦略方針。",
    "総務部からのお知らせ：オフィス移転に伴う座席レイアウトの変更について。全社員対象。",
    "営業部向け：新規リード獲得のためのテレアポトークスクリプトと成約率向上マニュアル。"
]

metadatas = [
    {"allowed_roles": "hr_manager", "department": "hr"},
    {"allowed_roles": "project_x_member", "department": "r_and_d"},
    {"allowed_roles": "all", "department": "general_affairs"},
    {"allowed_roles": "sales_staff", "department": "sales"}
]

ids = ["doc_001", "doc_002", "doc_003", "doc_004"]

# データベースへ登録
collection.add(
    documents=documents,
    metadatas=metadatas,
    ids=ids
)

# 3. ACLフィルタリング付き検索関数の定義
def secure_search(query_text, user_roles, user_dept):
    """
    ユーザーの権限（user_roles: リスト, user_dept: 文字列）に基づいて
    フィルタを構成し、セマンティック検索を実行する
    """
    # ユーザーがアクセス可能な条件をOR/AND条件で構築
    filter_conditions = {
        "$or": [
            {"allowed_roles": {"$eq": "all"}},
            {"allowed_roles": {"$in": user_roles}},
            {"department": {"$eq": user_dept}}
        ]
    }

    # 検索の実行
    results = collection.query(
        query_texts=[query_text],
        n_results=2,
        where=filter_conditions
    )
    return results

# 4. 実行テスト
if __name__ == "__main__":
    print("=== セキュアRAGフィルタ検証開始 ===")

    # テストケース1: 一般の営業部社員（Role: sales_staff, Dept: sales）が「ボーナス」について質問
    print("\n【ケース1】一般営業部社員（Role: ['sales_staff'], Dept: 'sales'）の検索結果:")
    results_1 = secure_search(
        query_text="ボーナスの評価基準や支給額について教えてください",
        user_roles=["sales_staff"],
        user_dept="sales"
    )
    for doc, meta in zip(results_1['documents'][0], results_1['metadatas'][0]):
        print(f"- ヒットした文書: {doc} (アクセス権: {meta['allowed_roles']})")

    # テストケース2: 人事マネージャー（Role: hr_manager, Dept: hr）が「ボーナス」について質問
    print("\n【ケース2】人事マネージャー（Role: ['hr_manager'], Dept: 'hr'）の検索結果:")
    results_2 = secure_search(
        query_text="ボーナスの評価基準や支給額について教えてください",
        user_roles=["hr_manager"],
        user_dept="hr"
    )
    for doc, meta in zip(results_2['documents'][0], results_2['metadatas'][0]):
        print(f"- ヒットした文書: {doc} (アクセス権: {meta['allowed_roles']})")

4. 構築における実務上のベストプラクティス

上記のシンプルな構成から、企業の本格運用に耐えうるエンタープライズシステムへと拡張するためには、以下のポイントに留意する必要があります。

4-1. ディレクトリサービス（IdP）とのリアルタイム同期

Microsoft Entra ID（旧Azure AD）やOktaなどのアイデンティティプロバイダと連携し、ユーザーの所属部署や役職情報をリアルタイムでJWT（JSON Web Token）などのセッショントークンに埋め込みます。退職や異動に伴う権限変更がRAGの検索制御へ即座に反映される設計にすることが、内部不正やデータ漏洩を防ぐ観点から強く推奨されます。

4-2. 大規模ドキュメントに対するハイブリッド検索の適用

メタデータフィルタリング（プリフィルタリング）は、データ量が多い場合でも高速に動作しますが、フィルタの条件式が複雑化すると検索パフォーマンスに影響を及ぼすことがあります。大規模ユースケースでは、QdrantやElasticsearchといった分散ベクトル検索エンジンを採用し、あらかじめインデックス側でアクセス制限用属性（ACLタグ）をパーティショニングしておく構成が効果的です。

4-3. LLMの「コンテキスト汚染」防止と出力ガードレール

仮にデータベース側のフィルタリングをすり抜けるイレギュラーが発生した場合に備え、LLMが回答を生成する最終フェーズ（Generation）でも「この回答はユーザーAの権限でアクセス可能な情報のみに基づいていますか？」を自己検証（セルフ・エバリュエーション）するレイヤーをシステムに挟むと、安全性が二重に強化されます。

まとめ：セキュリティを担保してこそ進む全社AI統合

2026年のAI導入プロセスにおいて、全社統合フェーズに進むための最大の鍵は「セキュリティ」です。RAGシステムを「ただ社内データを参照して答える便利なチャット」から「厳密な権限管理のもとで動作するインテリジェントな業務基盤」へと昇華させるために、今回紹介したACL制御の実装は必須のステップとなります。

まずは小規模な検証環境（PoC）でChromaやQdrantを用いたメタデータフィルタリングを試し、既存のアイデンティティ管理基盤との連携を進めてみてください。

関連サイト: https://www.aegis4.net/

aegis4net

2026/08/24

【2026年最新】社内秘匿情報を守る！ベクトルDBのメタデータフィルタリングで実現する「ACL対応セキュアRAGシステム」構築手順