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。



