ファインチューニングと RAG：小さなチームに本当に要るのはどちらか

違い

RAG は、2020 年に Patrick Lewis らが発表した、文章を書くモデルと資料の索引を検索する部品を組み合わせた論文から来ています。モデルの知識は同じままで、答える前に読むものが変わります。古い資料を消せば、次の答えはすぐに変わります。

ファインチューニングは、入力と理想の出力の例でモデル自体を学習させます。OpenAI のモデル最適化のガイドは、効く場面を挙げています。1 つのプロンプトに入りきらない数の例があるとき、プロンプトを短くしたいとき、機密のデータを毎回送らずに学習させたいとき。そして、ファインチューニングには時間がかかることがあるとも書いています。

同じガイドは、2026 年 11 月 4 日の時点で、OpenAI がファインチューニングの基盤を段階的に終了しようとしていると書いています。新しい利用者はもう使えず、いまの利用者はこの先数か月は学習の仕事をつくれ、ファインチューニングしたモデルは元のモデルが廃止されるまで使えます。

小さなチームにとっての意味

• ファインチューニングでは事実が新しくならない。前の四半期の料金で学習したモデルは、前の四半期の料金を言います。
• 「うちらしくない」の多くは指示の問題。文体の手引きと返信の例 3 つで、たいてい直ります。
• 測らなければ選べない。Anthropic のプロンプトエンジニアリングの概要は、成功の基準と試す方法から始めます。そのテストが、もっと重いものが要るかどうかも教えてくれます。

具体例

例として架空の会社を使います。14 人の保険代理店グリーンフィールドは、慎重な口調で、正しい補償の上限を引用するメールを AI に下書きさせたい。コンサルタントは、過去のメール 2,000 通でのファインチューニングを提案しました。

業務の責任者はまず、実際のお客さんの質問から 20 問のテストを書きました。そのままのプロンプトで合格は 9 問。口調の手引きとメールの例 3 通を足すと 14 問。残る失敗はすべて補償の上限の間違いでした。いまの補償の概要を検索できる資料として入れると 19 問。最後の 1 問は、だれも書き留めていなかった保険のものでした。ファインチューニングしていたら、古いメールから古い上限を覚えていたはずです。

決め方

1. 実際の仕事から 20 問のテストを書く。合格の答えに入るべきことも。
2. はっきりしたプロンプトで流し、合格の数を記録する。
3. 例と文体の手引きを足して、もう一度。
4. 失敗が事実の問題なら、いまの資料を足して（RAG）もう一度。
5. 指示と資料で埋まらない差が測れて残ったときだけ、ファインチューニングを考える。使うサービスがまだ提供しているかも確かめる。

よくある誤解

• 「ファインチューニングで社内の知識を覚えさせる」覚えるのは例の型です。いまの事実は、モデルが読む資料に置きます。
• 「RAG は買う製品」やり方の名前です。ファイルを入れたプロジェクトがすでにそうです。RAG とベクトルデータベースを参照。
• 「測るのはあとで」どちらが効いたかを教えるのがテストです。評価（evals）を参照。

よくある質問

ファインチューニングと RAG の違いは？

RAG はモデルを変えず、答えるたびに資料から関係する箇所を渡します。ファインチューニングは、例を使ってモデルをさらに学習させ、ふるまいを変えます。変わる事実には RAG、指示と例では出せない動きや形式にはファインチューニングです。

いまも OpenAI のモデルはファインチューニングできる？

2026 年 11 月 4 日に読んだ OpenAI のモデル最適化のガイドは、ファインチューニングの基盤を段階的に終了しようとしていると書いています。新しい利用者はもう使えず、いまの利用者はこの先数か月は学習の仕事をつくれ、ファインチューニングしたモデルは元のモデルが廃止されるまで使えます。

小さなチームはファインチューニングすべき？

まずしません。はっきりした指示と例から始め、自社の事実が要るなら RAG で資料を渡し、どちらも小さなテストで測ります。OpenAI のガイドも、プロンプトエンジニアリングだけで十分なこともあると書いています。