AI開発の打ち合わせで「ファインチューニングしますか？」と聞かれて、なんとなくYESと答えてみたものの、後で何を頼まれていたのかよくわからない——そんな話を耳にすることがあります。
検討の早い段階で出てくる用語なので、いったん噛み砕いて整理してみます。
ひとことで言うと
ファインチューニングとは、すでにできあがっているAIに、自社のデータを使って追加で学ばせ、自社の用途にすこしだけ寄せる作業のことです。日本語では「微調整」や「追加学習」と呼ばれることもあります。
ゼロからAIを作るのではなく、世の中ですでに賢く育ったAIに、自社の言葉づかいや判断のクセを覚えてもらうようなイメージです。
たとえ話で説明
新人さんが入ってきた職場を想像してみてください。
その新人さんは、学校でビジネスマナーや一般常識はひととおり身につけてきています。挨拶もできるし、敬語もそれなりに使えるし、メールも書ける。ただし、自社のお客さん独特の言い回しや、社内ルール、業界の専門用語までは知りません。
そこで、職場で1〜2週間、先輩について実務を覚えてもらい、過去のメール例や社内のよくある質問集を読み込んで、自社のトーンで返信できるように育てるとします。これがイメージとしてのファインチューニングです。一から国語や算数を教え直しているわけではなく、すでに賢い人に「うちでの正解の出し方」を上書きで覚えてもらう作業に近いです。
※厳密には、AI内部の数値（パラメータ）の一部を自社データに合わせて更新する処理です。ゼロから学習させる場合と比べて、データ量も計算コストも小さくて済みます。
ビジネスで何が変わるか
ファインチューニングという選択肢を理解しておくと、AIまわりの発注検討で次のような判断がしやすくなります。
- 「自社の言葉づかいに寄せたい」場面で候補になる。決まったトーンの返答、業界用語の解釈、独自フォーマットでの出力など、汎用AIに毎回細かい指示を渡すのが面倒な場合に効きやすいと言われています
- ファインチューニング ≠ 万能薬。「最新の社内ドキュメントを覚えさせ続けたい」用途には向きません。情報を増やしたいだけなら、自社の資料を都度参照させる方式（RAG）の方が運用しやすいケースが多いです
- 学習データの質がほぼすべて。ノイズだらけのデータを学ばせると、変なクセまで覚えてしまいます。「何を正解として学ばせるか」を整理する作業がいちばん時間を食う部分です
- コストの出方が変わる。初期の学習にまとまった費用が一度かかり、その後はモデルを使うたびに利用料がかかります。プロンプトの工夫だけで済ます場合や、RAG と組み合わせる場合とでは、費用の現れ方が違います
- 「外したとき」の挙動も変わる。ファインチューニングだけではハルシネーション（AIがそれっぽい嘘をつく現象）を完全には防げません。出力を人が確認する仕組みは、合わせて検討しておくほうが安全です
発注先と話すときは「ファインチューニングします」だけで止まらず、「何の課題を、どのデータで、なぜこの方式で解こうとしているのか」まで一段降りて聞けると、要件のズレが減ります。
関連用語
- RAG（検索拡張生成）：AIに自社資料を渡しながら答えさせる仕組み。ファインチューニングと並ぶ「自社用途に寄せる代表アプローチ」のひとつ
- ハルシネーション：AIがそれっぽい嘘をつく現象。ファインチューニングだけでは完全には防げないので、人による確認の仕組みと組み合わせて考える
- プロンプト：AIに渡す指示文。ファインチューニングを使わず、プロンプトの工夫だけで目的が果たせるケースも多い