RAGマネージドサービス比較2026｜Bedrock・Vertex・Azure・OpenAIの料金と機能を横断整理
一次ソース検証型AIメディア編集部 ・ 監修: 依田 尚人
目次
- マネージドRAGサービスとは：定義と主要4サービスの全体像
- 定義：マネージドRAGは「検索基盤のビルディングブロック」（自作RAGとの違い）
- 主要4サービス早見表（提供元・課金の主軸・データ所在を一枚で）
- 2026年の重要アップデート（S3 Vectors GA・Vertex→Gemini Enterprise・Azure→Foundry IQ）
- 独自比較マトリクス：課金モデル・機能・データ所在を横断集計
- 課金モデルの種別を横断整理（ストレージ従量／プロビジョン枠／クエリ従量／トークン）
- コネクタ・ハイブリッド検索・リランカー対応の比較
- データ所在・リージョン・権限制御の比較
- サービス別ディテール（各社を同粒度・中立で解説）
- Amazon Bedrock（Managed）Knowledge Bases
- Google の Search（Gemini Enterprise Agent Platform／旧Vertex AI Search）
- Azure AI Search／Foundry IQ
- OpenAI File Search（Vector Stores・Responses API）
- 料金の考え方：単純比較が成立しない理由と規模別のコスト構造
- 課金モデルが違うと横並び比較できない：試算の前提の置き方
- 規模別のコスト構造（PoC小規模／本番中規模の考え方）
- 中立フレームでの選び方（エコシステム・要件・買う vs 作る）
- エコシステムと要件（コネクタ・ハイブリッド検索・データ所在）で選ぶ
- 「買う vs 作る」の分岐点（マネージド採用と自作の境界）
- まとめ
マネージドRAGサービスは、ベクトルDBや検索パイプラインを自前構築せず、データ取り込み・埋め込み・検索・生成までをクラウド側が担う「RAGのビルディングブロック」だ。主要4つ——Amazon Bedrock（Managed）Knowledge Bases、Googleの「Search」（2026年5月にVertex AIがGemini Enterprise Agent Platformへ再編・旧Vertex AI Search）、Azure AI Search（agentic retrievalは「Foundry IQ」として提供）、OpenAI File Search——は課金モデルが根本的に異なり（ストレージ従量／プロビジョン枠／クエリ従量／トークン）、一律の「最安」は存在しない。
選定は既存クラウド・必要なコネクタ・ハイブリッド検索/リランカー対応・データ所在で決まる。本記事は各社公式料金を横断集計した独自マトリクスで、2026年時点の実像を中立に整理する。数値はすべて各社公式pricing/docsを一次ソースに、取得日2026-07-18時点で記載しており、料金と名称は流動的なため採用時は各社公式で再確認してほしい。
当メディアは特定クラウドや特定サービスと利害関係を持たず、いずれかを「勝ち」に描くことはしない。各社の弱点（課金の複雑さ・バックエンド依存・機能の作り込み範囲・ロックインなど）も強みと同じ粒度で記載し、自社サービスや特定ベンダーへの送客は行わない。
要点サマリ（2026-07-18時点・各社公式）
- マネージドRAGは、データ取込〜検索〜生成をクラウドが代行する「検索基盤のビルディングブロック」。
- 課金の型は4種（ストレージ従量／プロビジョン枠／クエリ従量／トークン）で、一律の「最安」は存在しない。
- 小規模PoCはストレージ従量型が低床、クエリ量・可用性要件が高い本番はプロビジョン型やクエリ従量が効く。
- 名称は流動的（Vertex→Gemini Enterprise、Azure agentic→Foundry IQ、S3 VectorsがGA）。公開時に各社公式で再確認する。
マネージドRAGサービスとは：定義と主要4サービスの全体像
定義：マネージドRAGは「検索基盤のビルディングブロック」（自作RAGとの違い）
マネージドRAGサービスとは、データ取り込みからチャンク分割・埋め込み・検索・生成までのRAGパイプラインをクラウド側が代行するサービスで、いわば「RAGのビルディングブロック」だ。開発者はベクトルDBやオーケストレーションを自前で組まず、APIやコンソール経由でRAGの検索基盤を利用できる。
自作RAG（ベクトルDBと自前パイプラインを組む方式）との違いは、運用主体（誰がインフラを保守するか）・制御自由度（検索処理をどこまで作り込めるか）・課金の見え方（トークンかストレージかクエリか）の3観点で整理できる。RAGそのものの基礎はRAGとは何かの解説、自作の実装手順は社内向けRAGチャットボットの構築ガイドで扱う。
主要4サービス早見表（提供元・課金の主軸・データ所在を一枚で）
まず全体像を早見表で押さえる。提供クラウドと課金の主軸、データが置かれる場所を1枚にまとめた。
| サービス | 提供クラウド | 課金の主軸 | データ所在 |
|---|---|---|---|
| Bedrock（Managed）Knowledge Bases | AWS | バックエンド依存（ストレージ従量 or プロビジョン枠） | 選択したAWSリージョン |
| Google の Search（旧Vertex AI Search） | Google Cloud | クエリ従量＋ストレージ | Google Cloudリージョン |
| Azure AI Search／Foundry IQ | Microsoft Azure | ティア課金＋従量（semantic ranker等） | Azureリージョン |
| OpenAI File Search | OpenAI（マネージド） | ストレージ従量＋トークン | OpenAI基盤 |
出典: 各社公式pricing/docs（参照2026-07-18）。課金の主軸が異なるため、この表は「どの軸でコストが積み上がるか」を先に掴むためのものだ。
2026年の重要アップデート（S3 Vectors GA・Vertex→Gemini Enterprise・Azure→Foundry IQ）
2026年上半期は、料金前提と名称が大きく動いた。第一にAmazon S3 Vectorsが2025年12月にGAとなり、AWSはOpenSearch Serverlessと比べ最大90%のコスト削減になりうると公式に主張している。第二にGoogle Cloudは2026年5月にVertex AIをGemini Enterprise Agent Platformへ再編し、Vertex AI Searchを「Search」に統合した。第三にAzure AI Searchのagentic retrievalは「Foundry IQ」として提供される形になり、Serverless課金は2026年後半に開始予定とされる。古い名称・料金前提のまま比較すると実像を外すため、この3点は前提として押さえておきたい（出典: 各社公式告知・参照2026-07-18）。
独自比較マトリクス：課金モデル・機能・データ所在を横断集計
課金モデルの種別を横断整理（ストレージ従量／プロビジョン枠／クエリ従量／トークン）
4サービスは課金の「型」がそもそも違う。同じ土俵で金額を並べても比較にならないため、まず型で分類する。
| サービス | 課金の型 | 主な課金要素 | 無料枠 |
|---|---|---|---|
| OpenAI File Search | ストレージ従量＋トークン | 1GB/日あたり0.10ドル＋取得チャンクの入力トークン | 最初の1GB無料 |
| Bedrock Knowledge Bases | バックエンド依存 | S3 Vectors＝ストレージ従量／OpenSearch Serverless＝プロビジョン枠 | バックエンド・条件次第 |
| Google の Search | クエリ従量＋ストレージ | クエリ1,000件単位（standard/advanced）＋インデックス保存 | 月次無料枠あり |
| Azure AI Search | ティア課金＋従量 | Free/Basic/S1-S3/L1-L2＋semantic ranker等の従量 | Freeティアあり |
出典: 各社公式pricing（参照2026-07-18・料金は随時改定）。効く課金要素がサービスごとに異なるため、金額の単純比較ではなく型で捉える必要がある。
コネクタ・ハイブリッド検索・リランカー対応の比較
取り込めるデータソースと、ハイブリッド検索（ベクトル＋キーワード）・リランカー対応の可否を横断表化した。数字の多寡より「自社が使うソースとハイブリッド要件を満たすか」で読む。
| サービス | 主なコネクタ | ハイブリッド検索 | リランカー |
|---|---|---|---|
| Bedrock Knowledge Bases | S3/Web Crawler/Confluence/SharePoint/Salesforce等 | 対応（OpenSearch系）※S3 Vectorsはセマンティック中心 | Cohere等のリランク対応 |
| Google の Search | Web/BigQuery/Cloud Storage/各種コネクタ | 対応 | 対応 |
| Azure AI Search | SharePoint/OneDrive/Blob/各種インデクサ | 対応（ベクトル＋キーワード） | semantic ranker |
| OpenAI File Search | ファイルアップロード中心 | セマンティック中心（作り込み範囲は狭め） | 内蔵の再ランク・カスタム範囲は限定 |
出典: 各社公式docs（参照2026-07-18）。Bedrockはバックエンドで対応が変わる点、OpenAIはコネクタやハイブリッドの作り込み範囲がクラウド型より狭い点が制約になる。リランカー単体の選定はリランカーモデルの比較で詳しく扱う。
データ所在・リージョン・権限制御の比較
データレジデンシー（どのクラウド・リージョンにインデックスが置かれるか）と権限反映（permission-aware retrieval）は、規制業種ほど重い判断軸になる。
| サービス | データ所在 | 権限反映 | 備考 |
|---|---|---|---|
| Bedrock Knowledge Bases | 選択したAWSリージョン | IAM連携 | バックエンド選択で構成が変わる |
| Google の Search | Google Cloudリージョン | IAM／権限連携 | 検索・グラウンディング統合 |
| Azure AI Search／Foundry IQ | Azureリージョン | permission-aware retrieval（Foundry IQ） | Microsoftエコシステム統合 |
| OpenAI File Search | OpenAI基盤 | APIキー／プロジェクト単位 | データ所在の選択肢はクラウド型より限定 |
出典: 各社公式docs（参照2026-07-18）。特定クラウドを優位に描く意図はなく、各社を同粒度で並べている。RAG特有の情報漏洩リスクと対策はRAGのセキュリティとデータ漏洩対策を参照してほしい。
サービス別ディテール（各社を同粒度・中立で解説）
Amazon Bedrock（Managed）Knowledge Bases
Bedrock Knowledge BasesはAWS上のマネージドRAGで、ベクトルストアをS3 Vectors／OpenSearch Serverless／Aurora pgvector／Neptune（GraphRAG）／Pinecone等から選べる柔軟性が特徴だ。Web Crawler・Confluence・SharePoint等のコネクタやハイブリッド検索、agentic retrievalも備える。
強みはAWS統合とバックエンド選択の自由度で、コスト・機能を用途に合わせて設計できる点にある。一方の制約は、選ぶバックエンドで床コストと対応機能が変わり、構成の複雑さが増すことだ。料金はバックエンドごとに大きく変わるため、公式pricingで前提を揃えて見積もる必要がある。
Google の Search（Gemini Enterprise Agent Platform／旧Vertex AI Search）
Googleのマネージド検索は、2026年5月の再編で名称が「Search」に統合された。旧Vertex AI Searchで探す読者向けに補足すると、機能・課金・既存デプロイは継続し、Gemini Enterprise Agent Platform内のコンポーネントに位置づけが変わった形だ。
課金はクエリ従量（standard/advanced単価・月次無料枠）とインデックスストレージが中心だ。強みはGoogle検索技術とグラウンディングの成熟度、制約は1回のインタラクションで複数SKUに課金が分かれ、コストが見えにくくなりやすい点にある。
Azure AI Search／Foundry IQ
Azure AI Search（旧Cognitive Search）は、Free/Basic/S1-S3/L1-L2のティア課金に、semantic ranker等の従量が加わる構造だ。agentic retrievalのレイヤーはFoundry IQとして提供され、Serverless課金は2026年後半の開始予定とされる。
強みは成熟した検索機能とMicrosoftエコシステム（SharePoint/OneDrive等）との親和性で、permission-aware retrievalも訴求される。制約はティア設計とアドオン従量が絡み、規模に応じた最適ティアの見極めが難しくなりやすい点にある。
OpenAI File Search（Vector Stores・Responses API）
OpenAI File Searchは、ベクトルストアの保存が1GB/日あたり0.10ドル（最初の1GBは無料）に、取得チャンクの入力トークン課金が加わるシンプルな型だ。Vector Storesオブジェクトで管理し、Assistants APIは2026年8月に終了予定で、新規はResponses API＋Vector Storesへの移行が推奨されている。
強みは導入の手軽さと初期床の低さで、小さく始めやすい。制約は、コネクタやハイブリッド検索の作り込み範囲がクラウド型より狭く、モデル選択がOpenAI系に限定される点だ。
料金の考え方：単純比較が成立しない理由と規模別のコスト構造
課金モデルが違うと横並び比較できない：試算の前提の置き方
「最安はどれか」に一律の答えが出せないのは、従量課金の軸そのものが違うからだ。ストレージ従量・プロビジョン枠・クエリ従量・トークンでは、ドキュメント量・クエリ量・保持期間が変わるだけで優劣が入れ替わる。
公正に比べるには、前提を揃える必要がある。具体的には、(1)ベクトル保存量、(2)月間クエリ数、(3)埋め込み・生成トークン、の3つを同条件に固定し、そのうえで各社公式pricingに当てはめる。前提を揃えないまま「安い」と断じると実運用で逆転しやすいため、本記事では固定の試算金額は置かず前提の置き方だけを示す。
規模別のコスト構造（PoC小規模／本番中規模の考え方）
規模が変わるとコストの効き方が変わる。小規模PoCと本番中規模で、床が低くなりやすい型を構造として整理した。
| 規模 | 特性 | 低床になりやすい型 | コストが効く要素 |
|---|---|---|---|
| PoC小規模 | 保存量が小さくクエリも少ない | ストレージ従量型（S3 Vectors・OpenAI File Search） | 保存GB・保持日数 |
| 本番中規模 | クエリが多く可用性要件が高い | プロビジョン型（OpenSearch Serverless等）／クエリ従量 | クエリ数・稼働時間・冗長構成 |
出典: 各社公式pricingからの構造整理（参照2026-07-18・具体額は前提により変動）。数値ではなく型の傾向であり、金額はGB・クエリ数・保持期間の前提次第で変わる。RAGを含むAI導入のコスト全体像は社内AI導入のコスト設計で扱う。
中立フレームでの選び方（エコシステム・要件・買う vs 作る）
エコシステムと要件（コネクタ・ハイブリッド検索・データ所在）で選ぶ
特定サービスを推奨するのではなく、要件に対してどれが噛み合うかを自分で判定できる形にする。判断軸は、(1)既存で利用しているクラウド、(2)必要なコネクタ（SharePoint/Confluence/Google Drive等）、(3)ハイブリッド検索・リランカーの要否、(4)データレジデンシー要件、(5)モデル選択の自由度、の5つだ。
たとえばAWS中心ならBedrock、Google Cloud中心ならSearch、Microsoft資産が多いならAzure、OpenAIモデル中心で手早く始めたいならFile Searchが噛み合いやすい。いずれも弱点を強みと同じ粒度で確認してから決めるのが実務的で、送客・トライアル訴求を判断材料に混ぜる必要はない。
「買う vs 作る」の分岐点（マネージド採用と自作の境界）
マネージドRAG（買う）と、ベクトルDB＋自前パイプライン（作る）の分岐点は、立ち上げ速度・運用負荷・検索制御の細かさ・コスト最適化・データ主権の5観点で整理できる。速度と運用負荷を重視するならマネージド、検索の細かな制御やデータ主権を重視するなら自作寄りが向く。
自作側の実装は社内向けRAGチャットボットの構築ガイド、自律的な検索制御の発展形はエージェンティックRAGの解説、意思決定そのものの枠組みはAIエージェントの買う vs 作るで続けて確認できる。
まとめ
マネージドRAGサービスの選定は、金額を並べるだけでは成立しない。Bedrock・Google の Search・Azure AI Search・OpenAI File Searchは課金モデル（ストレージ従量／プロビジョン枠／クエリ従量／トークン）が根本的に異なり、規模と用途で優劣が入れ替わるため、一律の「最安」は存在しない。既存クラウド・必要なコネクタ・ハイブリッド検索/リランカー・データ所在の要件から、噛み合うものを中立に選ぶのが妥当だ。料金と名称は流動的なため、採用時は各社公式の一次情報で最新を必ず確認してほしい。
基礎はRAGとは何か、自作の実装は社内向けRAGチャットボットの構築ガイド、コスト全体像は社内AI導入のコスト設計、意思決定はAIエージェントの買う vs 作るで続けて確認できる。
よくある質問
- Q. RAGマネージドサービスとは何ですか？自作RAGと何が違いますか？
- データ取り込み・チャンク分割・埋め込み・検索・生成までのRAG基盤をクラウドが代行するサービスで、「RAGのビルディングブロック」と呼べます。ベクトルDBやオーケストレーションを自前運用する自作RAGに比べ立ち上げが速い一方、課金モデルや検索の細かな制御はサービス側の仕様に依存します。
- Q. Bedrock・Vertex・Azure・OpenAIで料金が一番安いのはどれですか？
- 課金モデル（ストレージ従量／プロビジョン枠／クエリ従量／トークン）が根本的に異なるため、一律の「最安」はありません。小規模ではストレージ従量型（S3 Vectors・OpenAI File Search）が低床になりやすく、クエリ量や可用性要件が高い本番ではプロビジョン型やクエリ従量が逆転します。各社公式料金を試算前提を揃えて比較する必要があります（出典: 各社公式pricing・参照2026-07-18。料金は随時変動）。
- Q. Vertex AI Searchはなくなったのですか？
- なくなってはいませんが、2026年5月にVertex AIがGemini Enterprise Agent Platformへ再編され、Vertex AI Searchは同プラットフォーム内の「Search」に統合されました。API・課金・既存デプロイは継続し、名称と統合コンソールが変わった形です（出典: Google Cloud公式・参照2026-07-18）。
- Q. OpenAI File Searchの料金はいくらですか？
- ベクトルストアの保存が1GBあたり1日0.10ドル（最初の1GBは無料）で、これに取得したチャンクの入力トークン課金が加わります。なおAssistants APIは2026年8月に終了予定で、新規はResponses API＋Vector Storesが推奨されています（出典: OpenAI公式pricing・参照2026-07-18。公開時に再確認）。
- Q. マネージドRAGと自作RAG（ベクトルDB＋自前パイプライン）はどちらを選ぶべきですか？
- 立ち上げ速度と運用負荷の低減を優先するならマネージド、検索処理の細かな制御・コスト最適化・データ主権を重視するなら自作寄りが向きます。判断軸の詳細は内部リンク先の自作構築ガイドを参照してください。
- Q. ハイブリッド検索（ベクトル＋キーワード）に対応しているマネージドRAGはどれですか？
- Bedrock Knowledge Bases（OpenSearch系バックエンド）やAzure AI Searchはベクトル＋キーワードのハイブリッド検索に対応します。一方、Bedrockでも S3 Vectors バックエンドはセマンティック検索中心など、選ぶバックエンドで対応が変わるため、公開時に各社docsで最新の対応可否を確認してください（出典: 各社公式docs・参照2026-07-18）。
出典・参考資料
- 1.
- 2.
- 3.
- 4.