ドキュメント向けAIチャット：構築すべきか、購入すべきか？
ドキュメントにAIチャットが必要だと判断しました。次の決断は、予想以上に重要です。エンジニアリングに3～6週間を費やすことになるか、そしてその後18か月にわたるモデルコストの最適化を左右します。
これが2026年における正直なコスト内訳です。
要約#
| 自社で構築 | 購入 | |
|---|---|---|
| 初期コスト | 構築に3～6人週 | 時間単位で測定されるセットアップ時間 |
| 月額コスト | ベクトルストア、埋め込み、モデル呼び出し、および管理担当者 | ベンダーに応じたサブスクリプションまたは従量課金 |
| 導入までの期間 | 数週間から数か月 | 数時間 |
| カスタマイズ | 完全 | フック、システムプロンプト、プロバイダー |
| メンテナンス | 継続的 — ドキュメントの変更に伴い検索品質が低下 | ベンダーの責任 |
| 最適な用途 | 特定のRAGニーズ、ドキュメント以外のユースケース | ドキュメントに特化 |
ドキュメントに限れば、購入しましょう。AIチャットのニーズがドキュメントを超え、ナレッジベース、プロダクトヘルプ、複数のチャネルにわたるサポート対応の削減まで必要な場合にのみ、自社で構築しましょう。
「build it」に実際に必要なもの#
ドキュメント向けの本番環境用RAG（検索拡張生成）パイプラインには、6つのコンポーネントがあります。
1. コンテンツの取り込み#
- ドキュメントのソース（GitHub、MDXフォルダー、CMS）を監視する
- チャンクに分割する（通常は500～1500トークン）
- Markdown、コードブロック、テーブル、フロントマターを処理する
- すべてを再構築せず、変更のたびに再インデックスする
開発期間：経験がある場合は1週間、ない場合は2週間。
2. 埋め込み#
- 埋め込みモデルを選択する（OpenAI text-embedding-3-small、Cohere、またはオープンソース）
- すべてのチャンクを埋め込む
- ソースが変更されたら再度埋め込む
- レート制限とバッチ処理に対応する
エンジニアリング: 3–5日。
3. ベクトルストア#
- ストレージの選定（Pinecone、Weaviate、pgvector、Qdrant、Turbopuffer）
- スキーマ設計（メタデータ、ワークスペースごとの名前空間）
- クエリのパフォーマンス
- バックアップと移行計画
エンジニアリング：1週間。継続的なインフラ費用：月額50～300ドル。
4. クエリパイプライン#
- ユーザークエリを埋め込む
- 上位 K 個のチャンクを取得する
- 再ランキングする（多くの場合、2 回目のモデル呼び出し）
- コンテキスト付きのプロンプトにフォーマットする
- LLM を呼び出す
- 回答を解析して返す
エンジニアリング: 1～2 週間。
5. フロントエンド#
- チャットUIコンポーネント
- ストリーミングレスポンスの処理
- ソースページへのリンク付き引用
- 会話メモリ
- フィードバックウィジェット（高評価/低評価）
エンジニアリング: 1週間。
6. 可観測性と分析#
- すべてのクエリと回答をログに記録する
- 未回答のクエリを追跡する（今後のコンテンツ不足箇所）
- 否定的なフィードバックを追跡する
- クエリあたりのコスト
- レイテンシー P50/P95/P99
エンジニアリング：1週間。
合計：最低6人週。エッジケースへの対応が入ると、10人週以上になることもよくあります。
「自作」の継続コスト#
中程度の使用量（1,000クエリ）の場合の月額：
| コスト | |
|---|---|
| ベクトルストア | $50–300 |
| 埋め込みAPI | $10–50 |
| LLM API（GPT-4クラス） | $100–400 |
| ロギング/可観測性 | $20–100 |
| エンジニアリング保守（週2時間 × $100/時間） | $800 |
| 合計 | $980–1,650/月 |
クエリ数が10,000件になると、モデルコストが大部分を占めます。クエリ数が100,000件になると、キャッシュ、レート制限、さらに安価なクエリには小規模なモデルが必要になる可能性があります。
「buy it」の見た目#
「buy it」には3つのカテゴリがあります。
スタンドアロン型ドキュメントチャット製品#
ドキュメントのURLを用意するだけで、チャットウィジェットを利用できます。例：kapa.ai、intercom Fin、カスタムGPT。
- 費用: 利用量に応じて月額30～500ドル
- メリット: ドキュメントプラットフォームに依存しない
- デメリット: ダッシュボード、請求、分析がそれぞれ別になり、ソースファイルへの読み取りアクセスがないことが多い
AIを含むドキュメントプラットフォーム#
Docsbook、Mintlify、GitBookは機能としてAIチャットを提供しています。チャットはコンテンツに基づいてトレーニングされ、ドキュメントUIに統合されています。
- コスト: MintlifyとGitBookではサブスクリプション、Docsbookでは従量制のAI利用料 — 各ベンダーの料金ページを確認してください
- メリット: 1つのプラットフォーム、1つの請求、ネイティブ統合、1つの分析ビュー
- デメリット: プロバイダーの選択肢は、プラットフォーム側の選択に委ねられます
セルフホスト型オープンソースRAG#
例: Anything LLM、Chainlit、カスタムLangChainスタック。自分でホスティングし、統合します。
- コスト: ホスティング費用のみ + 自分の時間
- メリット: 完全な制御
- デメリット: プロンプトエンジニアリングを除けば、「構築する」場合と同じエンジニアリング負荷
実際に構築すべき場合#
次のいずれかに該当する場合のみ構築してください：
- マルチソースRAG — ドキュメント + CRM + ナレッジベース + Slackの履歴から情報を取得する1つのチャットが必要な場合
- 厳格なデータレジデンシー要件 — すべてのバイトをVPCおよびDPAの範囲内に保持する必要がある場合
- カスタム検索ロジック — 既製の検索では活用できない構造（グラフ、階層）をコンテンツが持つ場合
- 既存のプラットフォーム — ドキュメントにも対応させる必要がある、顧客向けのAIインターフェースがすでにある場合
ドキュメントだけが対象なら、購入してください。
Docsbook AIチャットでカスタマイズできること#
Docsbookでは、ほとんどのマネージドオプションよりも細かく制御できます。
- プロバイダー — OpenAI、Anthropic、Gemini、OpenRouter。独自のAPIキーを使用し、モデルを選択できます。
- システムプロンプト — テキスト全体を置き換え可能
- 前処理／後処理フック — モデル呼び出しの前にクエリをインターセプトし、回答を後処理
- 使用量 — プロジェクトの残高に対してドル単位で従量計算されます。残高がなくなると、アシスタントはそれ以上請求するのではなく、回答を停止します
これらの設定では足りなくなった場合は、「自分で構築する」場合の計算が変わりますが、ほとんどのチームではそこまで必要ありません。
実際の判断#
順番に、3つの質問があります。
- 必要なAIの接点はドキュメントだけですか？ はい → 購入する。いいえ → 構築を検討する。そうすれば、パイプラインを複数の接点で共有できるためです。
- 今後18か月間、検索品質を担当する人がいますか？ いいえ → 購入する。難しいのはパイプラインではなく、ドキュメントの変更に伴って回答の質を維持することです。
- サブスクリプション費用は、エンジニアの時間と比べて大きな負担になりますか？ 独自の数値を使い、プラットフォームの1か月分の費用と、そうでなければ保守を担当する人の1日分の費用を比較してください。
ほとんどのチームにとって購入が適切な答えとなる構造上の理由は1つあります。ドキュメントAIは構築するものではなく、保守を継続的に担うものだからです。構築すべきなのは、より広範なAI製品を開発しており、ドキュメントが複数ある接点のうちの1つにすぎないチームです。
関連資料#
Docsbook AIチャット：独自のプロバイダーを使用し、独自のシステムプロンプトを設定して、モデル呼び出しの前後でリクエストをフックできます。料金はプランとして販売されるのではなく、プロジェクトの残高に対してドル単位で計測されます。最新の料金はdocsbook.io/pricingでご確認ください。