ファインチューニングとは？

ファインチューニングの意味

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「この入力には、この出力を返してほしい」という組を追加で学習させ、モデルの振る舞いそのものを変える方法です。指示の書き方を工夫するのとは違い、変わるのはモデルの側です。内部では、渡した例に近い答えが出やすくなるようにモデルの中の値が寄せられます。新しい知識を覚え込ませるというより、同じ問いへの答え方を寄せる作業だと考えると外しません。英語では fine-tuning と書き、出来上がったものを細かく合わせ込む、という意味の言葉です。

プロンプトは、一回の依頼にどう答えるかを伝えるもので、モデルの中身は変わりません。RAGは、答える前に資料を探して読ませる仕組みで、こちらもモデルは変わらず、参照できる材料が増えるだけです。3つのうちファインチューニングだけが、モデルの応答の癖そのものに手を入れます。

一般的な道具をそのまま使うのではなく、自分の作業に合わせて持ち手や刃を調整するようなイメージです。ただし、調整には材料の品質確認と管理が必要です。削った持ち手が元に戻らないのと同じで、調整後のモデルは、学習させたデータの偏りもそのまま抱えます。

手を入れる相手は、大量のデータで事前学習を終えたAIモデルそのものです。ゼロから作り直すのではなく、出来上がったモデルの応答を目的の方向へ寄せる作業だと考えると、位置づけを取り違えにくくなります。特定の表現、分類、出力傾向に合わせる方法として語られますが、初心者が最初から行うものとは限りません。多くの場合は、プロンプト改善、テンプレート化、参照資料の整理で対応できるかを先に考えるほうが現実的です。

プロンプト・RAG・ファインチューニングの違い

3つとも「AIを自分向けにする」方法ですが、手を入れている場所が違います。どれを選ぶかは、変えたいものがどこにあるかで決まります。

判断の中心は1行目です。指示文を直せば済む要望に学習を持ち出すと、費用と維持の手間だけが増えます。逆に、社内規程の中身のようにモデルが知らないことを答えさせたい場合は、指示をいくら磨いても埋まりません。プロンプトの組み立て方とRAGの仕組みを先に押さえておくと、自分がどこで詰まっているのかを言い分けられるようになります。

3つのうちRAGとファインチューニングの2つに絞って迷っているなら、RAGとファインチューニングの違いを2つだけで比べたページが入口になります。このページは「そもそもどれから試すか」を決める側、そちらは2択まで絞れた人が読み比べる側、という分担です。

その前に試す順番

「自社向けにAIを調整したい」と思った時、ファインチューニングは最後に回してください。上から順に試すと、大半の要望は途中で片づきます。

1と2で片づく相談がかなりの割合を占めます。ファインチューニングは準備するデータの量と質が結果を左右し、費用と手間もかかるため、他を試してから検討するのが現実的です。

そもそも学習の問題ではない不満もあります。「答えが浅い」「詰めが甘い」と感じる時は、答えの深さは推論レベルの設定で変わるので、一段上げて同じ依頼を出し直すほうが早く確かめられます。用途に対して軽いモデルを選んでいる場合も同じで、モデルを切り替えるだけで解決する不満もあるため、学習を検討する前に別のモデルで一度試してみてください。

コンテキストが1,050,000トークンあるモデル（GPT-6 Astra、OpenAI APIドキュメント、2026年9月6日時点）では、資料をそのまま渡す方法で足りる場面が広く、ファインチューニングは最後の選択肢という順番は変わりません。

手間の9割はデータ準備

ファインチューニングの作業時間の大半は、学習の実行ではなく学習データを整えることに使われます。「入力と、理想の出力」の組を、少なくとも数百件の規模で、品質を揃えて用意することになり、ここで品質が揃っていないと、その揃っていなさをモデルが学びます。

1件の形そのものは単純です。例として問い合わせ対応なら、「入力: 解約の連絡が来た」「出力: 引き止めずに手続きを案内し、理由は一問だけ聞く」のように、来たものと、返してほしい答えを1組にします。難しいのは形ではなく、この組を全件そろえることです。過去のメールをまとめて渡すのではなく、担当者ごとに違う言い回し、時期によって変わった案内、何往復かに分かれた返信をどう1組に直すかを、一件ずつ決めていきます。

そろえる時に見るのは件数だけではありません。同じ場面への答えが人によって食い違っていないか、説明の細かさが揃っているか、社名や商品名の書き方が統一されているか。ここがばらついたまま学習させると、モデルの答えも同じようにばらつきます。あわせて、学習には使わない例をいくつか取り分けておいてください。調整したあとで良くなったのかどうかは、これで確かめます。

また、一度調整したモデルは資料のように差し替えられません。業務のルールが変わったら、データを直して学習をやり直すことになります。この維持の手間を含めて見積もると、「プロンプトとRAGで済ませて、調整はしない」が現実的な結論になる場面が多いです。

「覚えさせたい」と「学習させる」は別

「うちのことを覚えさせたい」という相談の多くは、ファインチューニングではありません。「覚える」と呼ばれているものが、少なくとも3つに分かれているためです。

ひとつ目は、設定として保存され次回以降も参照される記憶の機能。ふたつ目は、今開いている会話の中だけで有効な前提。みっつ目が、モデル本体を作り替えるファインチューニングです。前の2つは画面の中で完結し、効く範囲は自分のアカウントの中だけです。AIの記憶の仕組みと、一度に扱える範囲を決めるコンテキストウィンドウを分けて把握しておくと、自分が求めているのがどれなのかがはっきりします。

そして、ファインチューニングはChatGPTの画面にあるボタンではなく、API側で行う作業です。画面から使うサービスと、開発者が呼び出す入口は別物なので、まず自分がどちら側の話をしているのかを確かめてください（APIとChatGPTの違い）。流れとしては、学習データのファイルを渡して調整済みのモデルを作り、以後はそのモデルを指定して呼び出す形になります。画面のアカウント設定をいくら探しても見つからないのは、置き場所がそもそも違うためです。GPT（モデル）とChatGPT（画面）の違いを先に押さえておくと、この取り違えは起きにくくなります。

「前に伝えたはずのことを覚えていない」という現象も、学習の話ではなく記憶と履歴の扱いの話です。理由と対処は姉妹サイトのChatGPTが前に言ったことを覚えていない理由（学習ではなく記憶の話）で扱っています。

検討する前に確認すること

それでも進める場合、着手前に確認しておく点が4つあります。ひとつでも「無理」があるうちは、まだ準備の段階です。

• 学習させるデータを用意できるか：質の揃った例が一定数必要です。数例では効果が出ません。
• データに含めてよい情報か：顧客情報や機密情報を学習データに含める場合、社内規定や契約上の制約を確認してください。
• 更新の手間を続けられるか：一度作って終わりではなく、内容が変われば作り直す必要があります。
• 費用に見合うか：作成時だけでなく、利用時のコストも変わる場合があります。画面のプランで使える回数と、API側でかかる費用は別の勘定なので、利用制限や回数上限の確認と混ぜずに見積もってください。

また、仕様や提供状況は変わることがあります。導入を判断する前には、提供元の公式情報で条件を確認してください。このページの内容は一般的な整理であり、個別の環境での可否を保証するものではありません。

個人情報・著作権・契約の注意

学習データに個人情報を含めないでください。たとえば過去の問い合わせ対応をそのまま学習データにすると、本文の中に氏名、住所、注文番号、社内の担当者名が残ります。学習データは資料と違って後から1件だけ抜くことができないため、取り込む前に伏せ字にするか、その組ごと落とすかを決めておきます。入力してよい情報の線引きはAIと個人情報の注意で整理しています。

権利の面も同じです。他社の記事、書籍、購入した素材、他社へ納品した成果物を学習データに入れる時は、そのデータを自分が使ってよい立場にあるかを先に確かめます。手元にあることと、学習に使ってよいことは別です。作った学習データそのものの保管先も決めておいてください。元の資料から切り出した断片なので軽く扱われがちですが、中身は同じ情報です。

契約の面では、利用条件や対応範囲を提供元の情報で確認してください。顧客から預かったデータを学習に回してよいかは、社内規定だけでなく、その顧客との契約に書かれていることがあります。判断に迷うものは、含めないほうを選ぶのが安全です。

よくある質問

次に読むページ