ファインチューニングとは？RAGとの違いは「何を変えるか」｜向く用途と費用の考え方

ファインチューニングとは、すでに学習済みのAIモデルに対して、自社の目的に合わせた追加のデータで再学習させ、モデル自体の応答の仕方を作り変える手法です。

判断が分かれるポイントがいくつかあります。

(a) 解決したいのが「知識が足りない」問題か、「応答のスタイル・形式が合わない」問題か (b) 用意できる学習データの質・量がどのくらいか (c) RAGやプロンプト調整だけで足りるか (d) 継続的な運用・再学習のコストを負担できるか、です。

この記事では、ファインチューニングの意味から、RAGやプロンプト調整との違い、向く用途、学習データの考え方、費用が変わる要因までを整理していきます。読み終えると、自社の課題にファインチューニングが向くかどうかを、根拠を持って判断できます。

ファインチューニングとは、モデル自体を追加学習で作り変えること

LLMは、大量のデータであらかじめ学習された状態で提供されます。この学習済みの状態に対して、自社が用意した追加のデータでさらに学習させることを、ファインチューニングと呼びます。

プロンプトに指示を書き足すのと違い、ファインチューニングはモデルの内部（重みと呼ばれるパラメータ）そのものを書き換えます。追加学習が終わったあとは、毎回同じ指示を書かなくても、望む応答の仕方をモデルが覚えている状態になります。

重みとは、モデルが学習の過程で身につけた、入力と出力の関係性を表す大量の数値のことです。ファインチューニングでは、この数値を追加のデータに合わせて少しずつ調整していきます。

得意なのは「話し方・形式」を変えること、苦手なのは「新しい知識」を教えること

OpenAI公式のガイドは、ファインチューニングが向くユースケースとして、分類・ニュアンスのある翻訳・特定フォーマットでの文章生成・指示追従の失敗の是正を挙げています。

一方で、Anyscaleの技術ブログは、ファインチューニングについて、スタイルや言葉遣いの形を学ばせるのは得意だが、新しい概念（事実）を学ばせるのは苦手だと整理しています。

シェイクスピア作品の登場人物名を機械的に置き換えたテキストで学習させても、意味的な置き換えをモデルに理解させることはできなかったという実験結果も紹介されています。

ファインチューニングをすれば必ずハルシネーションが減る、最新の情報が使えるようになる、というわけではありません。

RAGやプロンプト調整との違い：二者択一ではなく役割が違う

この3つは、どれか1つを選ぶものではありません。RAGで最新の知識を補いながら、ファインチューニングで応答の形式を安定させる、という組み合わせ方もよく紹介されています。

順番としては、まずプロンプト調整で足りるかを試し、それでも足りなければRAGやファインチューニングへ進む、という段階的な検討がしやすい進め方です。

プロンプト調整：モデルはそのままに、指示の書き方を工夫する

プロンプト調整は、モデルはそのままに、指示の書き方を工夫して望む応答を引き出す方法です。手早く試せる分、指示の内容によって結果が変わりやすいという面もあります。

RAG：外部の文書やデータベースを検索して回答の材料にする

RAGは、モデルの外部にある文書やデータベースを検索し、その内容を回答の材料として使う仕組みです。社内文書や最新情報のように、モデルが学習していない知識を扱うのに向いています。

ファインチューニング：モデル自体の振る舞いを変える

ファインチューニングは、モデル自体の振る舞いを変える方法です。知識を検索して補うRAGとは、解決する問題の種類が異なります。

選ばれる理由の一つに、毎回のやり取りで長い指示文を送らずに済むようになる、という点があります。指示文が短くなれば、その分やり取りにかかる処理量も抑えやすくなります。

向く用途、向かない用途

向く用途

OpenAI公式ガイドが挙げる分類・ニュアンスのある翻訳・特定フォーマットでの生成・指示追従の是正のように、やってほしいタスクが明確で、繰り返し発生する用途に向きます。たとえば、問い合わせへの返答をいつも同じ社内フォーマットで書かせたい、といった用途が当てはまります。

向かない用途

要件が頻繁に変わる用途や、そもそも足りないのが「知識」である用途には向きません。知識が足りない場合は、RAGのほうが早く安く解決できることが多いとされています。

要件の一部だけがファインチューニング向きで、残りは知識の補完が必要というケースも珍しくありません。その場合は、無理にどちらか一方に絞らず、両方を組み合わせる前提で検討したほうが現実的です。

法人でファインチューニングとRAGのどちらが自社の課題に合うか整理したい場合は、お問い合わせはこちらからご相談ください。

学習データの準備と質、うまくいったかの確かめ方

OpenAI公式ガイドは、複数人で学習データを作成した場合、性能は作成者間のやり方の一貫性に左右されやすいと説明しています。

学習データの応答に、元の会話には無い情報を含めてしまうと、モデルがその情報を作り話として学習してしまうリスクもあると警告しています。

データの量については、質の低い大量のデータより、質の高い少量のデータのほうが効果的であることが一般的だと説明されています。実際に使う場面の割合と、学習データに含める例の割合がずれていると、想定外の応答が増える原因にもなります。

うまくいったかどうかは、学習に使うデータとは別に確認用のデータを用意し、学習前後で応答の質を比較して確かめます。確かめる内容は、回答の正確さだけでなく、望んでいたスタイルや形式を保てているかどうかも含みます。

費用はどんな要因で変わるか、始める前に考えること

まず、学習データを準備する人手がかかります。質の高いデータを揃えるには、内容を確認・修正する作業が発生します。

次に、追加学習そのものにかかる計算コストがあります。データの量やモデルの規模によって変わります。

最後に、できあがったカスタムモデルを継続的に運用する費用もかかります。要件が変わるたびに再学習が必要になる場合、この運用コストは繰り返し発生します。

いきなり本番の全業務に適用するのではなく、まず一部の業務や少量のデータで小さく試し、効果を確かめてから範囲を広げる進め方が現実的です。

ファインチューニングとは、学習済みのモデルを追加データで作り変え、応答のスタイルや形式を安定させる手法です。知識を補う目的ならRAGのほうが向いていることが多く、この2つは競合というより役割分担の関係にあります。

自社の課題が「知識不足」なのか「応答の形式・一貫性」なのかを最初に切り分けることが、遠回りを避ける近道になります。

どのツールが自分の用途に合うか探したい場合は、AIツールを検索することもできます。

この記事の出典

• Supervised fine-tuning（OpenAI公式ドキュメント、2026年9月11日確認）
• Fine-tuning best practices（OpenAI公式ドキュメント、2026年9月11日確認）
• Fine Tuning Is For Form, Not Facts（Anyscale、著者Waleed Kadous・Kourosh Hakhamaneshi、2023年7月5日公開、2026年9月11日確認）