ファインチューニングとは｜仕組み・RAGとの使い分け【2026年最新】

ファインチューニングは「知識」より「振る舞い」を変える技術

ファインチューニングの本質を一言で表すなら、「AIの振る舞い・スタイル・専門性を定着させる」技術です。たとえば「常に当社のブランドトーンで丁寧に答える」「医療や法律など特定分野の専門的な言い回しを自然に使う」「決まったフォーマットで構造化して出力する」といった“型”や”クセ”をAIに染み込ませるのが得意領域です。

逆に、「昨日改定された就業規則の内容」のような頻繁に変わる事実情報を覚えさせる用途には向きません。情報が変わるたびに再学習が必要になり、手間とコストが跳ね上がるためです。この「振る舞いはファインチューニング、最新の事実はRAG」という役割分担が、本記事を通じた最重要メッセージです。

• ファインチューニングは「口調・スタイル・専門的な振る舞い」の定着が得意
• 「最新の事実情報の参照」はRAGのほうが速く・安く・確実
• AI本体（モデルの中身）に手を加えるため、一度学習させると更新が重い
• ゼロから作るのではなく、訓練済みモデルに”追加学習”する点が肝
• 「自社情報を覚えさせたい＝FT」は典型的な誤解で、多くはRAGで足りる

「AIを作る」のではなく「AIを仕立て直す」技術

ChatGPTやClaudeのような生成AIをゼロから開発するには、数百億〜数千億の費用と膨大な計算資源が必要で、これは一般企業の手に負えるものではありません。ファインチューニングが現実的なのは、この「すでに完成した賢いAI」を土台に、その一部を自社向けに調整するだけで済むからです。

いわば、注文住宅をゼロから建てるのではなく、完成済みのモデルハウスを買って内装だけ自社好みにリフォームするようなものです。それでも後述するように相応のコストとデータが必要なため、「リフォームすら本当に要るのか」を見極めることが、賢い投資判断になります。

混同されやすい用語の整理（FT / RAG / プロンプト）

ファインチューニングを理解するうえで避けて通れないのが、似た目的で使われる「プロンプト（指示の工夫）」「RAG（資料を読ませる）」との区別です。この3つは「生成AIを自社向けに使いこなす」という同じゴールを目指しますが、アプローチがまったく異なります。プロンプトは「指示の出し方を工夫する」、RAGは「回答前に資料を読ませる」、ファインチューニングは「AI本体を再教育する」——この三者の違いを本記事で完全に整理します。

結論を先に言えば、多くの企業はまず「プロンプト＋RAG」で9割の課題が解決し、ファインチューニングが本当に必要なのは残りの1割です。その1割を正しく見極めることが、本記事のゴールです。

第1段階：事前学習 ─ 一般常識と言語能力を身につける

事前学習とは、インターネット上の膨大なテキスト（書籍・記事・Webページなど）を読み込ませ、言葉の使い方や一般常識、文章を組み立てる力を身につけさせる段階です。ここで作られるのが「ベースモデル」と呼ばれる土台で、ChatGPTやClaude、GeminiといったLLM（大規模言語モデル）の基礎体力にあたります。

この段階には膨大な計算資源と費用がかかり、世界でも一部の巨大IT企業しか実行できません。一般企業がここに手を出す必要はなく、すでに公開・提供されている優秀なベースモデルを土台として使うのが前提です。LLMの基礎についてはLLMとは？の記事で詳しく解説しています。

• 膨大なテキストで「言語能力」と「一般常識」を獲得する段階
• ここで作られるのが土台となる「ベースモデル」
• 数百億〜の費用がかかり、巨大IT企業しか実行できない
• 一般企業は完成したベースモデルを”借りて”使うのが前提

第2段階：ファインチューニング ─ 特定の用途に専門化する

事前学習で出来上がった「物知りだが汎用的なAI」を、特定の用途・分野・スタイルに合わせて専門化するのがファインチューニングです。比較的少量の専門データを追加学習させることで、その分野での振る舞いを定着させます。一般教養を身につけた人材に、専門資格の勉強をさせて特定領域のプロに育てるイメージです。

重要なのは、ファインチューニングは事前学習に比べればはるかに少ないデータ・費用で実行できる点です。とはいえ「比較的少ない」だけで、後述するように相応の質と量のデータ、専門知識、コストは必要になります。ゼロから作るのとは桁が違う、という意味での”現実的”であって、無料・即時という意味ではありません。

2段階を「料理」でたとえる

この2段階を料理にたとえると分かりやすくなります。事前学習は「あらゆる食材と基本の調理技術をマスターした一流シェフを育てる」段階。ファインチューニングは「そのシェフに、自店のレシピと味付けを覚え込ませる」段階です。シェフ自体を一から育てるのは不可能でも、出来上がったシェフに自店の味を仕込むことは現実的にできます。

そしてRAGは、この比喩で言えば「シェフに、その日の仕入れメモ（最新の在庫・産地情報）を見せながら調理させる」ことに相当します。レシピ（振る舞い）を体に染み込ませるのがファインチューニング、最新のメモ（事実）をその都度見せるのがRAG——この違いが、後の使い分けの核心になります。

「パラメータ（重み）を書き換える」とはどういうことか

AIの頭脳は、数億〜数千億個の「パラメータ（重み）」という無数のつまみの集合体だと考えてください。事前学習は、このつまみを膨大なデータで一気に調整して「賢いAI」を作る作業です。ファインチューニングは、そのつまみの一部を、自社のお手本に合わせて微妙に回し直す作業にあたります。

ここがRAGとの根本的な違いです。RAGはAI本体のつまみには一切触れず、外から資料を渡すだけ。一方ファインチューニングはAI本体のつまみそのものを書き換えるため、一度学習させると元に戻すのも更新するのも手間がかかります。この「本体を改造する」という重さが、コストと更新性に直結します。

なぜ「少量データでも効く」のか

事前学習が膨大なデータを必要とするのに対し、ファインチューニングは比較的少量のお手本で効果が出ます。これは、AIがすでに言語能力と一般常識を持っているため、ゼロから教える必要がなく「方向づけ」だけで済むからです。優秀な人材に「うちのやり方はこうです」と数例見せれば要領をつかむのと同じ理屈です。

ただし「少量で効く」のは振る舞いやスタイルの調整の話で、大量の事実知識を正確に丸暗記させる用途では、必要なデータ量も難易度も跳ね上がります。しかも覚えた事実が古くなれば再学習が必要です。だからこそ「事実はRAGに任せる」のが合理的なのです。

手法1：フルファインチューニング ─ 全体をしっかり作り込む

フルファインチューニングは、AI内部のパラメータ（つまみ）を全面的に調整し直す、もっとも本格的な手法です。効果は大きい反面、膨大な計算資源・時間・コストが必要で、専門人材も欠かせません。モデル全体を作り変えるため、後から元に戻すのも難しくなります。よほど独自性が求められ、潤沢なリソースがある場合に限られる、ヘビー級の選択肢です。

中堅・中小企業がいきなりフルファインチューニングを選ぶ場面はほとんどありません。多くの用途では、次に挙げる「軽量な手法」で十分な効果が得られます。

手法2：LoRA ─ 軽量で現実的な”いいとこ取り”

LoRA（Low-Rank Adaptation：ローラ）は、AI本体の大部分は固定したまま、ごく一部の小さな追加パーツだけを学習させる軽量な手法です。フルファインチューニングに比べ、必要な計算資源・時間・コストを大幅に抑えられます。たとえるなら、車のエンジン全体を載せ替えるのではなく、性能を変える小さなチューニングパーツを後付けするイメージです。

近年、企業がファインチューニングを行う場合、この LoRA をはじめとする軽量手法（PEFT：パラメータ効率的ファインチューニングと総称）が主流になっています。少ないリソースで現実的に試せるため、「まずファインチューニングを検証してみたい」という場合の第一候補です。フルとLoRAの違いを知っておくだけでも、ベンダー提案のコスト妥当性を判断しやすくなります。

• 本体は固定し、小さな追加パーツだけを学習する軽量手法
• フルFTに比べ計算資源・コストを大幅に削減できる
• 複数の用途別パーツを切り替えて使う運用も可能
• 企業のファインチューニングは現在この軽量手法が主流

手法3：指示チューニング ─ 「指示に従う」性質を仕込む

指示チューニング（インストラクションチューニング）は、「こう指示されたら、こう答える」というお手本を大量に学習させ、人間の指示に素直に従う性質をAIに身につけさせる手法です。実は、私たちが使うChatGPTのような対話AIが「自然に指示に従ってくれる」のは、ベースモデルにこの指示チューニングが施されているからです。

企業が自社で行う場合は、「特定のフォーマットで出力させる」「決まった手順で回答させる」といった業務に最適化した応答パターンを定着させる目的で使われます。出力の形を厳密に揃えたい業務で効果を発揮します。

手法4：RLHF ─ 「人間好みの答え」に寄せる高度な調整

RLHF（人間のフィードバックによる強化学習）は、AIの複数の回答に人間が「こちらのほうが良い」と評価を与え、その好みを学習させる高度な手法です。これにより、より安全で・自然で・役に立つ回答へと振る舞いを寄せていきます。ChatGPTが「人間にとって心地よい受け答え」をするのも、この技術が背景にあります。

RLHFは効果的ですが、評価データの収集や調整が非常に高度で、一般企業が単独で実施するのは現実的ではないケースが大半です。「そういう高度な仕上げ手法がある」と知っておけば十分で、自社で取り組むかどうかは専門家との相談が前提になります。

「知識」はRAG、「振る舞い」はファインチューニング

両者の違いを一言でまとめると、RAGは「何を知っているか（知識）」を強化し、ファインチューニングは「どう振る舞うか（スタイル）」を強化する技術です。「自社の規程ではこうなっている」と正確に答えてほしいならRAG。「常に当社らしい丁寧なトーンで、決まった形式で答えてほしい」ならファインチューニング、という役割分担になります。

この区別が曖昧なまま「自社向けにAIを作りたい」とだけ伝えると、本来RAGで十分な課題に対して高額なファインチューニングを提案されかねません。「自分がやりたいのは知識の付与か、振る舞いの定着か」を先に言語化することが、適切な手段選択の出発点です。

情報の鮮度・更新頻度で考える

使い分けのもう一つの軸が「情報がどれくらいの頻度で変わるか」です。就業規則・製品仕様・価格表のように変化する情報は、絶対にRAGで扱うべきです。ファインチューニングで覚えさせると、変わるたびに再学習が必要になり、コストと手間が無限に発生します。

一方、「自社のブランドトーン」「業界特有の言い回し」のように、めったに変わらない”型”はファインチューニングで定着させる価値があります。変わるものはRAG、変わらないものはファインチューニング——この基準を持つだけで、判断の8割は正しくなります。

• 頻繁に変わる事実情報（規程・仕様・価格）は必ずRAG
• めったに変わらない”型”（口調・形式・専門性）はFTの候補
• FTで事実を覚えさせると、更新のたびに再学習地獄に陥る
• 「鮮度が要る情報」をFTに入れるのは典型的な失敗パターン

最強なのは「組み合わせ」 ─ RAG＋ファインチューニング

忘れてはいけないのは、RAGとファインチューニングは対立する選択肢ではなく、組み合わせて使えるものだという点です。たとえば「自社のブランドトーンで丁寧に話す振る舞い」をファインチューニングで仕込みつつ、「最新の製品情報」はRAGで参照させる——という併用が、もっとも高品質な体験を生みます。

ただし併用は構成が複雑になりコストも上がるため、まずはプロンプト＋RAGで成果を確認し、それでも振る舞いに不満が残る部分だけファインチューニングを足すという順序が、費用対効果の面で最も賢明です。生成AIを社内に根付かせる全体設計は生成AI導入支援の記事で解説しています。

「何件あればいいか」の目安

必要なデータ量は目的によって大きく変わります。口調やフォーマットなど軽い振る舞いの調整なら数百件程度から効果が出ることがありますが、専門的な振る舞いをしっかり定着させるには数千件〜数万件のお手本が必要になることも珍しくありません。しかも、ただ件数を揃えればよいわけではなく、内容の質と一貫性が決定的に重要です。

「自社にそんなお手本データの蓄積があるか」を最初に確認してください。多くの企業では、いざ集めようとすると質の揃った教師データがほとんど存在しないことに気づきます。この時点で、ファインチューニングより先にRAGやプロンプトを検討すべきだと判明するケースが多いのです。

• 軽い振る舞いの調整：数百件程度から効果が出ることがある
• 本格的な専門性の定着：数千〜数万件規模が必要なことも
• 件数より「内容の質と一貫性」が精度を左右する
• 多くの企業は「質の揃った教師データがない」壁にぶつかる
• データがない＝まずRAG・プロンプトを検討すべきサイン

「量より質」 ─ 悪いデータは害になる

ファインチューニングで肝に銘じるべきは「質の低いデータは、ないよりも有害」という原則です。誤った内容・矛盾した回答・トーンがバラバラなお手本を学習させると、AIはその”悪いクセ”まで忠実に再現してしまいます。少数でも一貫した高品質なお手本のほうが、大量の雑多なデータよりはるかに良い結果を生みます。

これがRAGとの大きな違いでもあります。RAGなら間違った資料を後から差し替えればすぐ直りますが、ファインチューニングで悪いデータを学習させてしまうと、取り除くには再学習が必要です。データ品質の管理コストが、見えにくい負担として効いてきます。

コストは「データ準備・学習実行・運用」の3層

ファインチューニングのコストは大きく3つの層に分かれます。第1にデータ準備コスト（お手本データの収集・作成・検証にかかる人件費）、第2に学習実行コスト（計算資源の利用料）、第3に運用・再学習コスト（精度のメンテナンスや、情報が変わったときの作り直し）です。このうち最も大きくなりがちなのが、第1のデータ準備と第3の運用です。

技術記事では学習実行コスト（計算費用）ばかりが語られがちですが、実務で効いてくるのは「人がデータを作り続ける」「精度を維持し続ける」という継続的な人的コストです。ここを織り込まずに判断すると、見積もりが大きくズレます。

• データ準備コスト：お手本作りの人件費（最も膨らみやすい）
• 学習実行コスト：計算資源の利用料（手法で大きく差が出る）
• 運用・再学習コスト：精度維持と情報更新時の作り直し
• 「学習費用＝総コスト」と誤解すると見積もりが崩れる

「軽量手法」でコストを抑える

学習実行コストは、手法の選択で大きく変わります。フルファインチューニングは膨大な計算資源を要しますが、前述のLoRAなどの軽量手法を使えば、計算費用を大幅に圧縮できます。「まず軽量手法で小さく検証し、効果を見てから判断する」のが、コストを抑える現実的な進め方です。

それでも、データ準備と運用の人的コストは手法を問わず発生します。だからこそ、「そもそもファインチューニングが必要か」をRAG・プロンプトと比較して見極めることが、最大のコスト削減策になるのです。

ファインチューニングが向くケース

ファインチューニングが真価を発揮するのは、「プロンプトやRAGでは解決できない、振る舞い・スタイル・専門性の課題」がある場合です。具体的には、ブランドトーンを厳密に統一したい、特殊な専門用語での自然な応答が必要、決まった出力形式を毎回確実に守らせたい、といった「型を体に染み込ませたい」ニーズです。

また、同じ種類の処理を超大量に行うため、毎回長い指示や資料を渡すコストを削りたいという効率化目的でも有効なことがあります。振る舞いをモデル自体に覚えさせれば、都度の指示を短くでき、大規模運用時のコストを下げられる場合があるためです。

• ブランドトーン・文体を厳密に統一したい
• 特殊な専門分野の言い回しを自然に使わせたい
• 決まった出力フォーマットを毎回確実に守らせたい
• 大量処理で都度の指示・資料添付のコストを削りたい
• 質の揃った教師データが社内に十分ある

ファインチューニングが向かないケース

逆に、以下のケースではファインチューニングは不適切です。最も多いのが「最新の社内情報を正確に答えさせたい」というニーズで、これはRAGの領分です。情報が頻繁に変わる、教師データが揃っていない、まだPoC段階で本当に効果が出るか不明——こうした場合にファインチューニングを選ぶのは、時期尚早かつ過剰投資になります。

また、ファインチューニングは「絶対に間違えないAI」を作る技術ではありません。学習したとおりに振る舞う確率を高めるだけで、ハルシネーション（もっともらしい誤答）を完全には防げません。正確性を担保したいなら、RAGで根拠を参照させ、重要な回答は人が最終確認する設計が不可欠です。

• 最新の事実情報を答えさせたい（→RAGが最適）
• 情報が頻繁に変わる（→再学習地獄になる）
• 質の揃った教師データが社内にない（→準備コストが膨大）
• まだ効果が不明なPoC段階（→まずプロンプト＋RAGで検証）
• 「絶対に間違えないAI」を期待している（→FTでは実現不可）

「向くケース」でも、まず小さく検証する

仮にファインチューニングが向くケースだと判断できても、いきなり大規模に投資するのは禁物です。軽量手法（LoRA等）で少量のデータから小さく検証し、本当に振る舞いが改善するか・投資に見合うかを確かめてから本格化するのが鉄則です。AI活用全般を効率化の観点から捉える視点は生成AI導入支援の記事も参考になります。

エンジニアがいない企業はどう進めるか

ファインチューニングは、RAGに比べて専門性が高く、教師データ設計・学習・評価のいずれにも相応のノウハウが必要です。社内にAIエンジニアがいない企業が単独で進めるのは現実的でないことが多く、無理に内製すると”作り直しの連続”でコストが膨らみます。

現実的なのは、まず「ファインチューニングが本当に必要か」の切り分けから、専門家と一緒に判断する進め方です。多くの場合、切り分けの結果「RAGで十分」と分かり、コストを大きく抑えられます。生成AI導入全体の体制づくりは生成AI導入支援の記事で詳しく解説しています。

注意点1：RAGで足りる課題にFTを選ばない

最も多く・最も高くつく失敗が「最新の社内情報を答えさせたいだけなのに、ファインチューニングを選ぶ」ことです。これはRAGで速く・安く解決できます。「自社向けにAIを作る＝ファインチューニング」という思い込みが、不要な数百万円の投資を生みます。着手前に必ずRAGで代替できないかを確認してください。

注意点2：教師データの質を軽視しない

「データを集めれば何とかなる」は誤りです。質の低い・矛盾したお手本を学習させると、AIはその悪いクセまで再現します。少数でも一貫した高品質なデータを優先してください。データ品質の管理を怠ると、学習し直しのコストが無限に発生します。

注意点3：過学習に注意する

お手本データに過剰に適応させると、学習例には完璧でも、少し違う質問にはまったく対応できない「過学習」に陥ります。汎用的な受け答えの能力が落ちてしまうこともあります。お手本にない質問での評価を必ず行い、応用力が保たれているかを確認しましょう。

注意点4：「絶対に間違えない」を期待しない

ファインチューニングしても、AIがハルシネーション（もっともらしい誤答）を完全にやめるわけではありません。学習どおりに振る舞う確率が上がるだけです。正確性が要る業務では、RAGで根拠を参照させ、重要な回答は人が最終確認する設計を併用してください。

注意点5：作って終わりにしない

ファインチューニングは一度実行したら永久に有効、ではありません。業務やトーンの方針が変われば、教師データの更新と再学習が必要です。メンテナンス体制とコストを最初から織り込み、変化しやすい事実情報はRAGに逃がす設計にしておくことが、長期的な運用負荷を抑える鍵になります。