ファインチューニングとは？RAGとの違いと使い分けを解説

自社の業務にAIを取り入れようとすると、必ず「自社のデータや専門知識をどうやってAIに使わせるか」という壁にぶつかります。その代表的な手段が ファインチューニング と RAG（検索拡張生成）の2つです。名前は似たような文脈で語られますが、仕組みも向き不向きもまったく異なります。

この記事では、ファインチューニングとは何かを整理したうえで、RAGとの違いと使い分けの基準を、AnthropicとOpenAIの公式ドキュメントをもとに解説します。前提となる仕組みはLLM（大規模言語モデル）の解説記事で扱っています。

ファインチューニングとは

Anthropicの公式用語集は、ファインチューニングを「事前学習済みの言語モデルを追加データでさらに訓練する工程」と定義し、「これによりモデルは、ファインチューニング用データセットのパターンや特徴を表現し、模倣しはじめる」¹と説明しています。

かみ砕けば、ファインチューニングとは「すでに膨大なテキストで訓練された汎用モデルに、自社の追加データで“専門教育”を施し、特定の領域やスタイルに適応させる」作業です。KDDIの解説も、ファインチューニングを「既存の学習済みAIモデルを特定のタスクや知識領域に適応させるための追加学習手法」とし、自社マニュアルや専門用語といった特定のデータセットで追加学習させるものだと整理しています³。

ここで押さえておきたいのは、私たちが日常的に使うAIアシスタント自体が、すでにファインチューニングの産物だという点です。Anthropicは「Claudeは素のままの言語モデルではなく、すでに役立つアシスタントになるようファインチューニングされている」¹と述べています。つまりファインチューニングは、特別な技術というより、汎用モデルを実用的な道具に仕立てる標準的な工程なのです。

ファインチューニングで何ができるか

では、自社でファインチューニングを行うと何が得られるのでしょうか。OpenAIの公式ドキュメントは、教師ありファインチューニング（SFT）を「特定のユースケース向けの例を使ってモデルを訓練できる仕組み」と定義し、その結果として「望むスタイルとコンテンツをより確実に生成するカスタマイズ済みモデル」²が得られると説明しています。仕組みとしては「プロンプトに対する正しい応答の例を与えて、モデルの振る舞いを導く」²ものです。

OpenAIのドキュメントは、向いている用途として次の4つを挙げています²。

分類（Classification）
ニュアンスを要する翻訳（Nuanced translation）
特定の形式でのコンテンツ生成（Generating content in a specific format）
指示追従の失敗の修正（Correcting instruction-following failures）

共通するのは、いずれも「知識を足す」というより「振る舞い・出力の型を安定させる」方向の課題だという点です。決まったフォーマットで必ず出力させたい、自社特有のトーンで書かせたい、特定タスクの精度を底上げしたい——こうした場面でファインチューニングは効果を発揮します。

RAGとの違い：焼き付けるか、その場で参照させるか

ファインチューニングとよく比較されるのがRAGです。両者の本質的な違いは「知識をどこに置くか」にあります。

Anthropicの用語集によると、RAGは「情報検索と言語モデルの生成を組み合わせ、生成テキストの正確性と関連性を高め、回答を根拠に基づかせる技術」です。RAGでは「言語モデルは外部の知識ベースや文書群で拡張され、それがコンテキストウィンドウに渡される。データはモデルに問い合わせが送られた実行時に取得される」¹とされます。

つまり、ファインチューニングが追加データの特徴をモデル内部に“焼き付ける”のに対し、RAGは知識をモデルの外に置いたまま、質問のたびに必要な情報を“その場で参照させる”手法です。KDDIの解説は、ファインチューニングを「モデル内部のパラメータを更新して知識を統合」する手法とし、「学習には時間とコストがかかり、定期的な再学習が必要」だと指摘します。一方RAGは「外部のデータベースから関連情報を検索し、その内容を参考にする技術」で、常に最新の情報を参照でき、ハルシネーションの抑制にもつながるとしています³。

この違いは、情報の更新頻度に直結します。頻繁に変わる情報を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ます。RAGなら参照先のデータを差し替えるだけで済みます。

どちらを選ぶか

使い分けの目安は、解決したい課題が「振る舞いを変える」ものか「知識を参照させる」ものかで切り分けると分かりやすくなります。

KDDIの解説は、ファインチューニングが向くのは「企業の特定の課題解決や、特定のビジネスドメインに特化したAI」を構築する場合、RAGが向くのは「日々更新される最新情報や、膨大な量の社内文書など、外部に存在する多種多様なデータソース」を活用したい場合だと整理しています³。Anthropicの用語集も、RAGは「最新情報、特定ドメインの知識、出典の明示が必要なタスクに特に有用」¹としており、最新性と根拠提示が要る場面ではRAGが基本になります。

なお、両者は二者択一ではありません。出力の型はファインチューニングで固め、参照する知識はRAGで最新に保つ——という併用も現実的な選択肢と考えられます。振る舞いの一貫性と情報の鮮度は、どちらも実務では捨てがたいからです。

最後に注意点を一つ。Anthropicの用語集は、ファインチューニングについて「特定のドメイン・タスク・文体への適応に有用だが、ファインチューニング用データと、モデルの性能やバイアスへの潜在的な影響を慎重に検討する必要がある」¹と釘を刺しています。手軽に試せるプロンプトエンジニアリングやRAGで足りないかをまず見極め、それでも振る舞いの作り込みが必要なときにファインチューニングを検討する——この順序で考えると、過剰な投資を避けつつ自社に合ったAI活用に近づけます。