記事 / 技術の選び方
RAGとファインチューニングの違い。業務データで「どちらを選ぶか」の判断基準
RAGは検証済みのデータをその都度参照させる方式、ファインチューニングはモデル自体を学習データに寄せる方式です。正確さと更新頻度が要る業務はRAG、多様性が価値の題材にはファインチューニングは逆効果でした。実案件の結果から判断基準を整理します。
公開 2026年9月11日
RAGは、検証済みのデータをその都度検索してAIに渡し、それを根拠に答えさせる方式です。ファインチューニングは、モデル自体を自社のデータに寄せる方式です。業務で正確さと更新のしやすさが要るならRAG、出力の型や文体を固定したいならファインチューニングが向きます。多様性そのものが価値の題材では、ファインチューニングは逆効果でした。
要点
- RAGはデータを変えれば答えが変わる。ファインチューニングはモデルを作り直さないと変わらない
- 事実の正確さが要る業務(請求、レシピ、法令、製品仕様)はRAG。根拠を原本まで辿れる形にできる
- ファインチューニングは出力を学習データの分布に寄せる。「型」を固定したいときには効くが、多様性が価値の題材では候補が似通う
- どちらを選んでも、AIに自由創作をさせない線を先に引く。検証済みデータの再構成に役割を限定する
- 検証に使える正解データの量が設計を左右する。「マスタがある」は現物で確認する
比較
| 観点 | RAG | ファインチューニング |
|---|---|---|
| 仕組み | 質問ごとに関連データを検索してAIに渡す | モデルの重みを自社データで更新する |
| 得意 | 事実の正確さ、最新性、根拠の提示 | 文体・型・語彙の固定 |
| 苦手 | 検索に引っかからない質問 | 事実の更新、多様性が要る出力 |
| データ更新 | データを差し替えるだけ | 再学習が必要 |
| 費用のかかり方 | 検索基盤と運用 | 学習と評価の反復 |
| 根拠の追跡 | 出典を返せる | 返せない |
| 向く業務 | 請求精査、ナレッジ検索、レシピや仕様の生成 | 定型文書の文体統一、特定の出力形式 |
なぜそうなるか。実案件で起きたこと
ファインチューニングは出力を学習データに寄せます。 製造業のデザイン部門向けに、発想の起点となる画像を生成するPoCを行いました。最初に画像生成モデルを自社の画像で学習させる方式を試したところ、出力が学習データに寄って多様性が下がりました。発想の起点に求められるのは正確さではなく多様性です。方針を転換し、複数のAIに参照画像を解釈させたうえで生成条件を制御する方式に変えると、デザイナーが候補と認める割合は数倍になりました。
正確さが要る業務では、検証済みデータの再構成に限定します。 海外向けメディアの立ち上げでは、公的データや一次情報から知識基盤を組み、AIの役割を自由創作ではなく検証済み知識の再構成に限定しました。安全性に関わる項目は外部の公的データと自動照合し、最後は人の検収を通しています。この分離を先に決めたので、機能が増えても品質の担保のしかたが変わりませんでした。
根拠を原本まで辿れることが、業務では価値になります。 月次の請求精査を目視から異常検知へ移した案件では、判定条件を外に出し、どの数字も原本まで辿れる納品形式にしました。RAGの利点は「答えが出ること」より「答えの根拠を示せること」にあります。
選び方の手順
- 出力に求めるのは正確さか、型か、多様性かを一つ選ぶ。正確さならRAG、型ならファインチューニング、多様性ならどちらでもなく解釈と生成条件の設計
- データの更新頻度を確認する。月に一度でも変わるならRAG
- 根拠を示す必要があるかを確認する。顧客や監査に説明するならRAG
- 正解データを現物で数える。 検証に使えるデータが少ないと、どちらの方式でも評価ができない
- AIに任せない範囲を決める。 自由記述をさせず、決められた選択肢や検証済みデータの再構成に限定する
よくある失敗
- 「精度を上げたい」でファインチューニングを選ぶ。 事実の正確さはデータの質で決まり、学習では上がりません
- 多様性が要る題材で学習させる。 出力が似通い、使える候補が減ります
- マスタがあると信じて設計する。 無かった、古かった、という例は珍しくありません
- 根拠を返せない構成にする。 業務では「なぜその答えか」を聞かれます
- 評価指標を技術側で作る。 使う側の「使える」を唯一の指標にしないと、数値は良いのに使われない状態になります
よくある質問
- RAGとは何ですか
- Retrieval-Augmented Generation の略で、質問に関係するデータをその都度検索してAIに渡し、それを根拠に文章を生成させる方式です。モデル自体は変えず、渡すデータで答えを制御します。データを更新すればすぐ答えに反映されます。
- ファインチューニングはいつ使うべきですか
- 出力の「文体」や「型」を固定したいときです。事実の正確さや最新性が要る用途には向きません。多様性そのものが価値の題材では、学習データに出力が寄って逆効果になった実例があります。
- 両方を組み合わせることはありますか
- あります。型はファインチューニングで固定し、事実はRAGで渡す構成です。ただし多くの業務では、RAGとプロンプトの制御だけで足り、ファインチューニングは運用の負担に見合わないことが多いです。
- RAGを始めるのに必要なデータは何ですか
- 検証済みの一次情報です。存在すると聞いていたマスタが無いことは珍しくなく、検証に使える正解データの量が設計を左右します。始める前に現物で確認してください。