株式会社renue
AI導入・DXの悩みをプロに相談してみませんか？
AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。 renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。
コンサルティングの提案書をRAG×LLMで自動生成する方法｜ナレッジ活用の設計を解説
コンサルティングファームの提案書（ピッチ資料）は、クライアントの課題分析、ソリューションの提案、過去の実績の引用、体制・スケジュール・費用の提示を含む総合的な文書です。1件の提案書作成に数日〜1週間を要することも珍しくなく、特に「過去の類似事例の検索と活用」に多くの時間が費やされます。
本記事では、過去の提案書・プロジェクト事例をRAGに格納し、LLMが新規提案書のドラフトを自動生成するアプローチを解説します。デロイトトーマツは2026年4月、コンサルティング業務全体を対象にAI駆動型ナレッジマネジメントサイクルを始動し、RAGを活用して過去の知見を現在の意思決定に直接活かす仕組みを構築しています（出典：デロイトトーマツ公式ブログ）。
提案書作成の現状と課題
提案書の標準構成
- エグゼクティブサマリー：提案の要点を1〜2ページで要約
- クライアントの現状と課題：ヒアリング結果に基づく課題の構造化
- 提案するソリューション：課題に対するアプローチと方法論
- 期待される効果：定量的・定性的な成果の見込み
- 過去の実績・事例：類似業界・類似課題での支援実績
- 体制・スケジュール：プロジェクトチームの構成と工程計画
- 費用：見積金額と支払条件
課題
- 過去事例の検索に時間がかかる：「この業界のDX案件で過去にどんな提案をしたか」を探すのに数時間かかる
- ナレッジが属人化している：特定のパートナーやマネージャーが持つ知見がファーム全体で共有されていない
- 毎回ゼロから書く非効率：類似の提案書が過去に存在するにもかかわらず、ゼロベースで作成するケースが多い
RAG×LLMによる提案書AI化の3ステップ
ステップ1：ナレッジベースの構築（RAG格納）
RAGシステムに格納すべきデータは以下の通りです。
- 過去の提案書（受注/失注の両方）：構成、内容、費用感のパターンを蓄積
- プロジェクト完了報告書：成果、教訓、ベストプラクティスの記録
- 業界分析レポート：業界別の市場動向、課題トレンド、ベンチマークデータ
- 方法論ドキュメント：ファーム固有のフレームワーク、ツール、アプローチの解説
- メンバープロファイル：コンサルタントの専門領域、プロジェクト経験
三菱総合研究所は、提案書作成支援ツールを開発し、AIと人の共同作業でブラッシュアップする仕組みでスライド資料の自動生成を実現しています（出典：三菱総合研究所公式プレスリリース 2024年5月31日）。
ステップ2：プロンプト設計
プロンプトの3層構造
- 第1層（役割定義）：「あなたは経営コンサルタントです。以下のクライアント情報と課題に基づいて、提案書のドラフトを作成してください。過去の類似事例をRAGから参照し、その知見を活用してください」
- 第2層（出力フォーマット）：「構成は①エグゼクティブサマリー②現状と課題③提案ソリューション④期待効果⑤過去実績⑥体制・スケジュール の6セクション。各セクションの目安文字数も指定」
- 第3層（品質基準）：「課題は3C（Company/Customer/Competitor）の観点で構造化すること」「提案するソリューションは実行可能性を具体的に示すこと」「過去実績は守秘義務に配慮し匿名化すること」
入力データ
- クライアント情報（業界、規模、売上、従業員数）
- ヒアリングで把握した課題（経営課題、業務課題、IT課題）
- 提案の方向性（DX推進/コスト削減/新規事業開発等）
- 予算感と期間の制約
ステップ3：ドラフト生成→人間のブラッシュアップ
LLMが生成するのは「構造化されたドラフト」であり、最終的な提案書は人間がブラッシュアップします。
- LLMが得意なこと：過去事例の検索と引用、課題の構造化、定型的な方法論の記述、文章の整形
- 人間が行うべきこと：クライアント固有の文脈の反映、独自の仮説の提示、価格戦略の決定、パートナーの判断
デロイトトーマツの先行事例
デロイトトーマツのAI駆動型ナレッジマネジメントサイクルは、以下の特徴を持ちます（出典：デロイトトーマツ公式）。
- ヒアリング情報と過去の提案事例・報告書をRAG上で結び付け
- 安全なアクセスコントロールを備えた環境でナレッジを検索
- 過去の知見を現在の意思決定に直接活かす仕組み
- 2026年4月から段階的な全社展開を予定
他業種での類似事例
| 業種 | RAG×LLMの活用例 | 共通点 |
|---|---|---|
| 銀行 | 過去の優良稟議書をRAGに格納→LLMドラフト | 過去事例→ドラフト生成 |
| 法律 | 過去の契約書・意見書→RAG→新規ドラフト | ナレッジの再利用 |
| 製薬 | 過去のCTD→RAG→新規CTDモジュール | 構造化文書の類似パターン活用 |
| 監査 | 過去の監査調書→RAG→新規調書ドラフト | 定型構造×過去実績 |
導入ステップと注意点
導入の3フェーズ
- Phase 1（1ヶ月）：直近1年分の提案書（受注案件）をRAGに格納。「この業界の提案書を探して」にLLMが回答できる検索システムを構築
- Phase 2（2〜3ヶ月）：提案書ドラフト生成機能を追加。クライアント情報+課題を入力→LLMが過去事例を参照してドラフトを生成
- Phase 3（4ヶ月〜）：プロジェクト完了報告書、業界レポート、方法論ドキュメントもRAGに追加。ナレッジベースの網羅性を向上
注意点
- 守秘義務の管理：クライアント名や具体的な数値が含まれる提案書は、RAG格納前に匿名化処理が必要
- アクセス制御：機密度に応じたアクセスコントロールの設計（プロジェクトメンバーのみ/部門内/全社公開等）
- ナレッジの鮮度管理：古い情報が参照されないよう、定期的なデータの更新・廃棄の仕組みを構築
汎用LLMで実現する｜Renue視点
提案書のRAG×LLM化は、「コンサルティングファームの最大の資産＝過去の知見を、全員が使えるようにすること」が本質です。ベテランパートナーの頭の中にある「この業界にはこのアプローチが効く」という暗黙知を、RAGとプロンプトを通じてファーム全体の形式知に変換します。
あるAIコンサルティング企業では、「AI×コンサル」の二軸で事業を展開しており、社内のナレッジマネジメントにもRAGを活用しています。AI研修のサマリ作成やAIキーパーソンの巻き込みなど、ナレッジの組織的活用を実践的に推進しています。
まとめ
コンサルティング提案書のRAG×LLM自動生成は、以下の3ステップで実装できます。
- ナレッジベース構築：過去の提案書・報告書をRAGに格納（デロイトトーマツが2026年4月からAI駆動型KMサイクルを全社展開）
- プロンプト設計：3層構造（役割/フォーマット/品質基準）で提案書ドラフトを生成
- 人間のブラッシュアップ：LLMドラフトにクライアント固有の文脈と独自仮説を追加
Phase 1は過去の提案書のRAG格納から始められ、段階的にドラフト生成→ナレッジ拡充へ発展できます（三菱総合研究所の提案書作成支援ツールが先行事例）。