ファインチューニングとは、すでに学習を終えたAIモデルに、特定の目的に合わせたデータで追加の学習を行い、モデルの振る舞いを調整する方法のことです。

この記事で分かること:

  • ファインチューニングの意味と、仕組みの概要
  • プロンプト(指示)・RAG(検索拡張生成)との違いと使い分け
  • 向いている用途・向かない用途と、コストと手間の内訳
  • 検討する順番と、蒸留・小型モデルという選択肢

ファインチューニングとは

ファインチューニング(fine-tuning)は「微調整」という意味です。ChatGPT、Claude、Gemini などの中心にあるLLM(大規模言語モデル)は、膨大な文章で「事前学習」を行って作られます。その事前学習済みのモデルを土台に、少量の追加データで学習させ、特定の用途に合わせるのがファインチューニングです。

総務省と経済産業省の「AI事業者ガイドライン」は、事前学習済みのAIモデルを特定の用途に適応させるために行う追加の学習を「事後学習」と呼び、その主な手法の一つとしてファインチューニングを挙げています(出典:総務省・経済産業省「AI事業者ガイドライン(第1.2版)」(PDF))。

身近なたとえでは、事前学習は「幅広い教養を身につけた新入社員」、ファインチューニングは「自社の書式や判断の基準を、実例を使って覚えてもらう研修」にあたります。LLMの学習の流れ全体は LLM(大規模言語モデル)とは で解説しています。

ファインチューニングの仕組み

ファインチューニングでは、「この入力には、この出力を返してほしい」という例をたくさん用意し、モデルがその例に近い出力を返すように、モデル内部の数値(パラメータ)を少しずつ調整します。

手順 内容 例(問い合わせの分類)
1. 目的を決める 何を一貫させたいかを決める 問い合わせメールを、社内の8つの区分に分ける
2. 学習データを作る 入力と望ましい出力の組を用意する 過去のメール本文と、正しい区分の組
3. 評価データを分けておく 学習に使わない例を、効果の確認用に取り分ける 学習に使っていない過去のメールと正解
4. 学習させる 学習データでモデルを調整する サービスのファインチューニング機能などを使う
5. 評価する 調整前のモデルと比べて、評価データでの正解率を測る 区分の正解率、間違えやすい区分を確認

モデル全体のパラメータを調整する方法のほかに、元のパラメータは固定したまま、小さな追加部分だけを学習させる方法もあります。代表的な方法の一つである LoRA は、調整するパラメータの数を大幅に減らし、少ない計算量で追加学習を行えるようにしました(出典:Hu ほか "LoRA: Low-Rank Adaptation of Large Language Models"(2021年))。

プロンプト・RAG・ファインチューニングの違い

AIを自社の業務に合わせる方法は、大きく3つあります。それぞれ「何を変えるか」が違います。

観点 プロンプト(指示) RAG(検索拡張生成) ファインチューニング
何を変えるか AIへの指示の書き方 AIに渡す情報(検索した文書) AIモデル自体
始めやすさ すぐに試せる 文書の整備と、置き場所の準備が必要 学習データの作成、学習、評価が必要
最新情報の反映 指示に書けば反映できる 文書を差し替えればすぐに反映できる 学習し直さないと反映できない
根拠の提示 渡した資料の範囲で示せる 検索した文書を出典として示せる 示しにくい
得意なこと 多くの業務の出発点 社内規程・マニュアルなど、事実に基づく回答 文体・形式・分類の仕方の一貫性

RAGの仕組みは RAG(検索拡張生成)とは で解説しています。3つは対立するものではなく、組み合わせて使うこともできます。例えば、ファインチューニングで回答の形式を揃えたモデルに、RAGで最新の文書を渡す、という使い方です。

向いている用途・向かない用途

ファインチューニングは、「何を答えるか(知識)」より、「どう答えるか(振る舞い)」を揃えることに向いています。

向いている用途 向かない用途
問い合わせや帳票を、社内の区分に分類する 最新の制度・価格・在庫など、変わる情報を答えさせる
文書から決まった項目を抜き出し、決まった形式で出力する 社内規程の内容を正確に答えさせる(RAGのほうが向く)
自社の文体や書式で、一貫した文章を作る 根拠を示す必要がある回答
業界特有の言い回しや略語を、安定して扱う 少数の例でしか試せない、正解が人によって違う業務

OpenAI のファインチューニングの手引きも、分類や項目の抽出、構造化のように、望ましい答えが一つに決まる作業と、良い答えが幅広くある作業とで、学習データの考え方を分けて説明しています(出典:OpenAI "Fine-tuning best practices")。

最新の情報を反映させたい場合にファインチューニングが向かないのは、情報が変わるたびに学習し直す必要があるためです。また、学習させた内容をモデルが正確に再現するとは限らず、何を根拠に答えたかも示せません。

コストと手間:何に負担がかかるのか

ファインチューニングの負担は、学習の計算にかかる費用だけではありません。むしろ、その前後の作業に多くの手間がかかります。

項目 内容
学習データの作成 入力と望ましい出力の組を集め、誤りや表記の揺れを直す。担当者による判断の違いを揃える
評価の仕組み 評価用のデータを用意し、調整前と比べて良くなったかを測る
学習の実行 計算環境やサービスの利用料、試行の回数分の時間
運用と更新 業務のルールが変わったときの学習し直し。土台のモデルが新しくなったときの作り直し
提供状況の確認 ファインチューニングの機能を提供しているか、今後も提供が続くかは、サービスごとに異なる

最後の点は見落とされがちです。例えば OpenAI は、公式ドキュメントで、自社のファインチューニングの基盤の提供を段階的に終了しつつあり、新規の利用者は使えないとしています(2026年11月時点。出典:上記「Fine-tuning best practices」)。土台のモデルの更新が速い現在は、時間をかけて調整したモデルが、より新しい汎用のモデルに性能で追い越されることもあります。

検討の順番:プロンプト → RAG → ファインチューニング

自社の業務にAIを合わせるときは、手軽な方法から順に試し、足りない部分があるときだけ次に進むのが基本です。

順番 試すこと 次に進む目安
1. プロンプト 指示を具体的にする。良い例と悪い例を指示の中に入れる。手順を分けて依頼する 社内の情報が足りないために答えられない
2. RAG 社内文書を検索して渡す仕組みを作る 情報は渡せているのに、形式や分類の仕方が安定しない。大量の処理で指示が長くなりすぎる
3. ファインチューニング 振る舞いを揃えるための追加学習を行う ―

中堅・中小企業の多くの業務は、1と2で十分な効果が得られます。特に、指示の中に「良い出力の例」を数個入れるだけで、形式の揃い方が大きく変わることは少なくありません。ファインチューニングを検討するのは、同じ種類の処理を大量に繰り返し、プロンプトとRAGでは安定しないことを評価データで確かめた後です。

ファインチューニングに進む前に確かめる5つの質問

質問 「いいえ」の場合
1. 一貫させたいのは、知識ではなく、形式・文体・分類の仕方か 知識の不足が原因なら、RAGで文書を渡す方法を先に試す
2. 指示に良い出力の例を入れる工夫を、十分に試したか まず指示の改善を試す
3. 正しい入力と出力の組を、担当者の判断を揃えた形で用意できるか 判断の基準を言葉にし、業務の手順を揃えるところから始める
4. 効果を測る評価用のデータと、比べる基準があるか 評価の仕組みを先に作る。測れないと、調整の成果を判断できない
5. ルールや土台のモデルが変わったとき、学習し直す体制があるか 運用の担当と頻度を決める。難しければ、プロンプトとRAGで運用できる範囲に留める

すべて「はい」と答えられる業務は、多くありません。3の「判断の基準を揃える」作業は、ファインチューニングをしない場合でも、AIエージェントへの指示書や手順書を作るうえで役に立ちます。

蒸留と小型モデルという選択肢

ファインチューニングに関連して、「蒸留」という方法もあります。性能の高い大きなモデル(教師)の出力を手本にして、小さなモデル(生徒)を学習させ、軽くて速いモデルに近い性能を持たせる方法です。2015年の論文で、大きなモデルの知識を、運用しやすい小さなモデルに移す方法として示されました(出典:Hinton ほか "Distilling the Knowledge in a Neural Network"(2015年))。

小さなモデルは、応答が速く、計算の費用を抑えやすく、自社の環境で動かしやすいという利点があります。AI事業者ガイドラインも、生成AIのように計算量の多いAIについて、モデルの軽量化や、目的に応じたモデルの使い分けといった対策を挙げています。すべての業務に最も大きなモデルを使うのではなく、分類や抽出のような決まった作業には小さなモデル、複雑な判断には大きなモデル、と使い分ける考え方です。

当社の支援

ファインチューニングは、AIを自社に合わせる強力な方法ですが、最初に選ぶべき方法であることは多くありません。当社では、まず業務を分解し、プロンプトの工夫とRAG、AIエージェントへの指示書と手順書の整備で、どこまで任せられるかを確かめることから支援しています。

AIエージェントに任せる業務の設計から実装・定着までを研修で扱う場合は AIエージェント研修、現場に入り込んで一緒に進めてほしい場合は 個別伴走支援 をご覧ください。自社の業務に、プロンプト・RAG・ファインチューニングのどれが合うかを整理したい場合は、無料相談 からお問い合わせください。

よくある質問

ファインチューニングに、どのくらいのデータが必要ですか?
目的、使うモデル、求める精度によって変わるため、一律の目安はありません。重要なのは量より質で、入力と望ましい出力の組が、正しく、表記や判断の基準が揃っていることです。まず少量のデータで試し、評価用のデータで効果を確かめてから、足りない種類の例を追加していく進め方が一般的です。
ファインチューニングをすると、ハルシネーションはなくなりますか?
なくなりません。ファインチューニングは、回答の形式や文体、分類の仕方を揃えることには向いていますが、事実を正確に覚えさせる方法としては扱いにくいものです。事実に基づく回答の正確さを上げたい場合は、根拠となる文書を渡すRAGと、人の確認の手順を組み合わせるほうが効果的です。
ChatGPT や Claude の「カスタム指示」や「プロジェクト」は、ファインチューニングですか?
一般に、これらはモデル自体を学習させるものではなく、指示や資料を毎回AIに渡す仕組みです。分類としては、プロンプト(指示)やRAGに近いものです。モデル自体が変わらないため、指示や資料を書き換えれば、すぐに振る舞いを変えられます。