ファインチューニングとは？RAGとの違い・必要データ数・料金と始める条件

「AIを自社専用にカスタマイズしたい」——そんなときに候補に挙がるのがファインチューニング（fine-tuning）だ。学習済みのLLMに用途別のデータで追加学習させ、特定の用途に"育てる"技術である。必要なデータ数・費用・利用できるサービスは一律ではなく、まず改善を測る基準が必要だ。本記事では、ファインチューニングとは何か・何が得意か・RAGやプロンプトとの使い分け・手法・必要なもの・始める順番までを初心者向けに整理する。

1. ファインチューニングとは

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（ベースモデル）に、自分の用途に合わせたデータを追加で学習させ、応答の傾向を調整すること。例えば「自社の文体で回答する」「特定フォーマットで出力する」「専門分野の言い回しに強くする」——といった"クセ"や"型"をモデル自体に覚え込ませる。

イメージは「新人研修」だ。優秀な人材（ベースモデル）を採用しても、自社のやり方は知らない。そこで自社の事例で研修すれば、"自社流"の応答を目指し、毎回の指示を短くできるか評価する。モデルの重み（パラメータ）や追加のアダプタを更新するのがファインチューニングだ。

「専用モデル」は本体を所有できるという意味ではない。API内で使うモデルか、重みを手元で扱うモデルかを区別し、元のモデルのライセンスや配布条件を確認する。

2. 何が得意で何が苦手？

ここを誤解すると失敗する。ファインチューニングは文体・分類・指示への追従など「応答の傾向」を調整する候補で、学習後の情報を自動で取り込む仕組みではない。

「最新情報や社内データを正しく扱いたい」なら、ファインチューニングよりRAG（検索して文脈に足す方式）が向く。ファインチューニングは「この口調・この形式に近づけたい」という応答の調整に使える候補だ。JSONなどの形式が目的なら、対応モデルの構造化出力も比較しよう。OpenAI公式：構造化出力は、形式への対応と値の意味の正しさを区別し、拒否応答への処理も説明している。

3. RAG・プロンプトとの使い分け

AIをカスタムする代表的な3つの方法は、費用を生む工程と役割が違う。まず全体像を表で押さえよう。

覚え方はシンプル。「事実・知識はRAG、性格・型はファインチューニング、まずはプロンプト」。実際の本番システムでは、RAGで資料を渡し、FTで応答を調整する組み合わせも可能だが、全システムに両方が必要なわけではない。これはコンテキストエンジニアリングの考え方とも地続きになっている。

4. 主な手法（フル・LoRA・QLoRA）

SFTは期待する出力で学ぶ方式。DPOは応答の好み、RFTは評価器の点数などを使う。次のフル・LoRA・QLoRAは更新する範囲や数値の精度に関わる別の分類だ。APIサービスでは内部方式を自由に選べるとは限らない。OpenAI公式：学習方法。

ファインチューニングにはいくつかやり方がある。初心者がまず知るべきは次の3つだ。

PEFT公式とLoRA/QLoRA原論文が仕組みの根拠。論文の実験成績を全モデルの保証には使わない。

フル・LoRA・QLoRAは、資源と評価結果を見て選ぶ。どれかで失敗しただけで、他の方式でも失敗すると断定できない。ローカルLLMと組み合わせれば、手元のPCで小さく試すことも可能だ。

5. 必要なデータ・コスト・ツール

必要データ数：最低件数と必要な品質に達する件数は違う

OpenAIのSFTガイドは、50〜100例で改善を見たと説明し、50例で効果がなければタスクやプロンプトを再検討するよう勧めている。これは同社のSFTの案内で、500例を全方式の必須条件にする根拠にはならない。受付できることと、実用品質を得られることも別だ。

件数を増やす前に、実際の入力に近い例、正しい回答、分類の偏り、重複や矛盾を確認する。学習用と評価用を分け、同じ問い合わせの言い換えが両方へ混ざって成績を押し上げないようにする。入力に必要な情報がない例で正解を教えると、根拠のない推測を学ぶおそれもある。OpenAI公式：データ品質と評価の分離。

料金：学習だけでなく、使い続ける費用も足す

トークン課金なら「請求対象の学習トークン数÷100万×単価」、時間課金なら「請求対象時間×時間単価」が計算の入口になる。どのトークンや時間が対象か、失敗・再試行の扱いも契約先で確認する。自前の学習では、同じデータを何周するか、入力長、GPUの台数や稼働時間も見積もる。

2026年10月10日に確認したOpenAI公式料金表のStandard料金から、方式と単位が違う2例を示す。新規利用者が申し込めるという意味ではなく、次の提供条件に注意してほしい。

この料金例のo4-miniとファインチューニング版は、2026年10月23日に提供終了予定。継続利用を計画する場合は、セルフサービス型学習全体の日程だけでなく、ベースモデルの終了日も確認する。OpenAI公式：モデル別の提供終了日。

上記はAPIの追加学習と推論の料金で、ChatGPTの月額プラン料金ではない。Batchやデータ共有による別料金もあり、「25〜100ドル／100万トークン」を全方式共通の料金としては使えない。共有条件や推論料金も含めて見積もる。

費用削減が目的なら、学習後の1回あたりの費用が本当に下がるか測る。導入費用を1回あたりの削減額で割れば、回収に必要な処理回数を概算できる。ただし応答品質が同じ条件で比較でき、削減額が正の場合に限る。処理件数が少ない業務では、推論費が減っても準備費を回収しにくいことがある。

提供条件：OpenAIの終了日程と、自前で学ぶ場合

出典：OpenAI公式：セルフサービス型ファインチューニングの提供変更。2026年10月10日確認。料金表や操作ガイドが残っていても、自分の組織で開始できる証拠にはならない。

重みを扱えるモデルを自前で学ぶ場合は、Hugging Face TRLのSFTTrainerなどが選択肢になる。モデルとデータのライセンス、GPUメモリ、入力長、対応する学習方式、保存先を調べる。他社のマネージドサービスを選ぶ場合も、対象モデル・地域・契約・請求単位をそのサービスの現行仕様で確認する。

6. 小さく試して導入を判断する手順

次は問い合わせを「配送」「返品」「その他」に分類する場合の例示用の計画だ。本記事で学習を実行して成績や請求額を測った結果ではない。

1. 合格条件を決める：正しい分類、判断不能の扱い、応答時間、1件の費用を記録する。重大な誤分類は平均成績と分ける。
2. 現行モデルの基準となる成績を測る：指示と例示を整理し、学習に使わない評価データで確認する。指示不足・資料不足・モデルの判断を分ける。
3. 原因に合う方法を選ぶ：資料不足なら検索の仕組みを見直す。判断基準や応答の傾向ならFTを比較候補にする。RAGを必ず経由する必要はない。
4. 実行条件を確認する：提供条件、モデル、予算、データの利用権限、外部送信、保存先を確認してから、小さな学習を計画する。
5. 同じ評価で比較する：元のモデルと学習済みモデルへ同じ問題を渡す。未知の入力・別言語・長文・拒否すべき依頼も見る。
6. 採用・再調整・見送りを決める：品質の改善、費用、遅延、運用負担を比較する。改善がなければデータや設定を見直し、すぐ本番へ置き換えない。元に戻せる版を残す。

学習後も誤りが増えた領域、情報更新、ベースモデルの廃止を追う。学習時の成績だけでは、知らない入力へ対応できるか分からない。OpenAIの評価ガイドも学習用とテスト用の分離を勧めている。

まとめ

ファインチューニングを3点に整理する。

• 正体：学習済みモデルに追加学習させ、応答の傾向を調整する技術。重みや追加のアダプタを更新する。
• 使い分け：参照情報・指示・応答の傾向のどこに課題があるかを調べ、同じ条件で比較する。
• 始め方：提供条件・予算・データの利用権限を確認。必要件数と費用は方式・モデル・用途で変わる。

結論、ファインチューニングは評価で有効性を確かめて選ぶ改善手段だ。学習ジョブの完了と、実際の業務での品質改善は別に確認しよう。関連してRAGやコンテキストエンジニアリングも読むと、AIカスタムの全体像がつかめる。モデルを軽量化する近縁の技術としては、モデル蒸留も合わせて押さえておきたい。

FAQ