ファインチューニングとは？
学習済みのAIモデルに追加のデータを学習させて、特定の用途や口調・スタイルに合わせて調整する手法。モデルそのものの「ふるまい」を変える。
RAGが「資料をその場で渡す」方法なのに対し、ファインチューニングは「モデル自体を追加学習で作り替える」方法です。ブランド独自の文体を一貫して守らせたい、特定の形式の出力を安定させたい、といった場面で力を発揮します。
ただし、学習データの準備やコスト、更新のたびの再学習といった手間がかかるため、「最新情報を答えさせたい」だけならRAGのほうが向いています。使いどころの違いは、マンガ第3話でたとえ話つきで解説しています。
ファインチューニングのやり方（流れ）
大まかな流れは4ステップです。①目的を決める（文体を揃えたい／特定形式の出力を安定させたい等）。②学習データを作る（「入力と理想の出力」のペアを数百〜数千件。実はここが全工程の8割）。③学習を回す（各社のAPIやオープンモデル＋LoRAなどの手法で）。④評価する（学習前と同じテストで比較し、狙った変化が出たか・副作用がないかを確認）。
技術よりデータ準備が本番です。「良いお手本を大量に用意できるか」が成否を分けるため、着手前に「そのお手本、社内にありますか？」と自問するのが最初の関門になります。
RAGとの使い分け早見
「知識を足したい」ならRAG、「振る舞いを変えたい」ならファインチューニング——これが基本の切り分けです。最新情報や社内資料を答えさせたいのに、ファインチューニングを選ぶのはよくある間違い。知識は資料の差し替えで更新できるRAGのほうが安く速く確実です。
ファインチューニングが本領を発揮するのは、ブランド独自の文体の一貫維持、決まったフォーマットでの出力の安定化、専門領域の口調や判断の癖の移植など。「毎回プロンプトで指示すれば済むことを、指示なしでもできるようにする」投資と考えると判断しやすくなります。
コストと注意点
費用は「データ作成の人件費＋学習・運用費」で、軽量な手法（LoRA）とオープンモデルを使えば学習自体は数千円〜でも回せる時代になりました。むしろ高くつくのはデータ整備と評価のやり直しです。
注意点は3つ。①学習データの偏りはそのまま癖になる（偏った餌で育てると偏ったAIになります——当サイトの育成ゲームで体験できます）。②元の能力が少し劣化することがある。③一度学習しても、ベースモデルの世代交代でやり直しになることがある。小さく試して効果を測ってから広げるのが鉄則です。
ファインチューニングのよくある質問
できます。オープンモデル＋LoRAなら家庭用PCでも可能で、画像生成の絵柄カスタマイズ（LoRA配布文化）はその代表例です。文章系も各社APIのファインチューニング機能で少量データから試せます。
LoRAはファインチューニングを軽量に行うための代表的な手法です。モデル全体を作り替えず、小さな差分パーツだけを学習するため、時間もコストも大幅に節約できます。
用語を覚えるより、ストーリーで体感するほうが早い。