3行でいうと

  • ファインチューニングは、できあがったAIに例を追加で学習させて、AI本体の振る舞いを変える方法です。
  • プロンプトとRAGはAI本体を変えず、質問のたびに指示や資料を添えます。公式は、まずプロンプトから始めることを勧めています。
  • OpenAIとMicrosoftは、最低10個、まず50個の例で試す目安を書いています。Googleは100個以上としています。
  • 2026年10月8日時点で、OpenAIは新しい利用者に閉じ、Claude APIは提供せず、Gemini APIにも対応モデルがありません。

この記事は公式・一次資料を読んでまとめたものです。この記事は、実際に使って確かめた記録ではありません。RAGの仕組みそのものは、同じ連載の「RAG」の記事で扱っているので、ここでは違いを見るのに必要な範囲にとどめます。

先に結論

たとえ話：新人に仕事を覚えてもらう

新しく入った社員に、お客様への返信メールを書いてもらうとします。

この3つは、どれかを選ぶものではなく、組み合わせることもできます。

仕組みを、順番に

ファインチューニングで何をするか

OpenAIの公式ガイドの流れを、そのまま短くまとめます。

  1. 学習用のデータを集める。「入力」と「理想の出力」を1組にした例です。
  2. データを決まった形式（JSONLという、1行に1つの例を書く形式）にして、アップロードする。
  3. 「ファインチューニングのジョブ（訓練の作業）」を作って、訓練を始める。
  4. 訓練が終わったら、結果を評価する。

OpenAIのガイドによると、教師あり学習（SFT）では、最低でも10個の例が必要です。ただし、始めるときの目安としては、50個の質の高い例で試して、評価してから増やすのを勧めています。50〜100個で改善が見える場合がある、とも書かれていますが、必要な数は目的で変わります。

MicrosoftのAzureの文書も、同じく最低10個、まず50個から始めるのを勧めています。さらに、10個では見て分かるほどの効果は出にくいこと、質の低い例はかえって性能を下げることがある、と注意しています。

Googleの文書は、ファインチューニングが向くのは、100個以上のラベル付きデータ（入力と正解の組）があるときだと書いています。そして、データの質は量より大事だとも書いています。

何が良くなると書かれているか

OpenAIのガイドは、ファインチューニングの利点として、次を挙げています。

  • 返答の形式をいつも同じにそろえやすい。
  • 1回の質問に入りきらない数の例を、事前に学習させておける。
  • 指示や例を短くできるので、トークン（AIが数える文章の単位）の費用を減らしやすく、返事が速くなる場合がある。
  • 会社の機密データを、毎回の質問に含めなくても、訓練に使える。
  • 特定の仕事に強い、小さくて安いモデルを作れる。

Googleの文書も、似た利点を挙げています。特定の仕事で質が上がること、独自の書式や専門分野のルールに合わせられること、結果が安定すること、プロンプトの例や長い指示を省けて、費用が下がることです。

向いている仕事

OpenAIは、教師あり学習が向く例として、分類（文章をいくつかの種類に分ける）、細かいニュアンスの翻訳、決まった形式での文章の生成、指示に従えない失敗の修正を挙げています。Googleは、分類、感情の分析、情報の抜き出し、複雑でない要約、を挙げています。

方法はひとつではない

OpenAIの現在の一覧には、教師あり学習のほかに、画像を使う学習、正解と不正解の組で学ぶ方法（DPO）、採点者の評価で強化する方法（RFT）があります。AWSのBedrockには、教師あり学習、強化学習によるもの、大きなモデルの知識を小さなモデルに移す「蒸留」があります。

また、Googleの文書は、モデルの一部だけを調整する「パラメータ効率のよい調整」と、全部を調整する「フルのファインチューニング」を紹介しています。後者は性能が上がる可能性がある一方で、計算の資源と費用がより多く必要、と書かれています。

3つの方法の違い（まとめ）

見立てです。上の公式の説明を、僕らが表にまとめました。公式がこの形の表を出しているわけではありません。

プロンプト RAG ファインチューニング
何を変えるか 質問に添える指示と例 質問に添える資料 AI本体
効き方 その質問だけ その質問だけ 以後の質問すべて
新しい資料への対応 手で貼り替える 資料を入れ替えれば反映 反映するには再訓練が必要になりうる
準備 文章を書く 資料を探せる仕組みを作る 学習用の例を集めて訓練する
公式の位置づけ まずここから（OpenAI、Google） 最新情報、専門知識、出典の明示に有用（Anthropic） 専門分野、仕事、文体への適応に有用（Anthropic）。プロンプトで足りないときに

Microsoftの文書は、ファインチューニングの課題として、良質で大量のデータが必要なこと、訓練と運用に追加の費用がかかること、データが更新されたり、土台のモデルが新しくなったりすると、やり直しが必要になりうること、を挙げています。同じ文書は、ファインチューニングと検索を組み合わせると、外部の知識をうまく使えるようになる、とも書いています。つまり、公式は両者を「対立するもの」ではなく「組み合わせられるもの」として書いています。

ふだんのチャットでは、何が起きているのか

ChatGPTのGPTs（自分用に作るAI）や、ClaudeのProjectsには、「指示」と「ファイル（知識）」を入れる場所があります。公式のヘルプを読んだ範囲で言えるのは、次のことです。

どちらのヘルプも、これらがAI本体を訓練し直す機能なのかどうかには触れていません。ヘルプの説明は、指示と資料を会話に添える形で書かれています。見立てです。ふだんのチャットで「自分向けに設定した」と感じる機能は、ファインチューニングとは別の、プロンプトとRAGに近い仕組みだと考えています。ただし、内部の作りは公式の文書では確かめられていません。

現在の提供状況（2026年10月8日確認）
会社 ファインチューニングの扱い 確認元
OpenAI 新しい利用者はプラットフォームに入れない。既存の利用者は、今後数か月は訓練ジョブを作れる。作ったモデルは、土台のモデルが廃止されるまで使える OpenAI API Docs（モデルの最適化、教師あり学習）
Anthropic Claude APIは、現時点ではファインチューニングを提供していない。関心があれば、担当者に聞くように、と書かれている Claude Platform Docs（用語集）
Google Gemini APIとAI Studioには、ファインチューニングに対応するモデルがない。当面追加する予定はない、と書かれている。Google Cloudの別のプラットフォームでは、教師あり学習に対応 Gemini API Docs、Google Cloudの文書
Amazon（AWS） Bedrockで、教師あり学習、強化学習、蒸留に対応。料金は、訓練データのトークン数×回数と、カスタムモデルの月額の保管料 AWS Bedrockの文書

OpenAIのガイドには、対応モデルとして、教師あり学習でGPT-4.1の系列（gpt-4.1、mini、nano）が書かれています。Azure（Microsoft）の提供状況は、この記事では確認していません。

誤解されやすい点

「ファインチューニングすれば、新しい情報を覚える」とは限らない

公式の文書に「覚える」とは書かれていません。OpenAIは、ファインチューニングを、望む出力の例で振る舞いを導くものとして説明しています。Microsoftの文書は、主に「特定の仕事への適応」や「文体、形式」の話をしています。見立てです。新しい資料や変わりやすい情報を扱いたいなら、公式がRAGの用途として挙げている、最新情報、専門知識、出典の明示のほうが、説明に合っていると思います。

「一度訓練すれば、ずっと使える」とは限らない

Microsoftの文書は、土台のモデルが新しくなると、やり直しが必要になりうると書いています。OpenAIは、ファインチューニング済みのモデルも、土台のモデルが廃止されるまでしか使えないと書いています。

「ファインチューニングは、誰でもすぐ使える」わけではない

上の表のとおり、提供状況は会社ごとに違い、どんどん変わっています。使いたい場合は、各社の最新の案内を見る必要があります。

気をつけること

出典

更新履歴