--- title: "RAGとファインチューニングの違いと選び方 「知識を補う」か「振る舞いを整える」か｜AI-Ready.jp" url: https://www.ai-ready.jp/column/rag-vs-fine-tuning/ description: "RAGは答えるたびに社内の資料を探してAIに渡し、知識を補う方法です。ファインチューニングは例を学ばせ、答え方の形式や口調を整える方法です。社内の情報で答えさせたいならまずRAGを検討し、どちらもプロンプトの工夫と評価から始めます。" updated: 2026-11-12 publisher: "フロレンティナ株式会社" --- [柱：基盤とセキュリティ](https://www.ai-ready.jp/about-ai-ready/infrastructure-security/) # RAGとファインチューニングの違いと選び方「知識を補う」か「振る舞いを整える」か 執筆：[石田誠](https://www.ai-ready.jp/about/authors/#ishida)更新 2026-11-12最終確認 2026-11-12出典 3件[図解 1点](https://www.ai-ready.jp/zukai/) この記事の結論 RAG（検索拡張生成）は、答えるたびに社内の資料を探してAIに渡し、「知識」を補う方法です。ファインチューニングは、例を学ばせて、答え方の形式や口調などの「振る舞い」を整える方法です。社内の情報をもとに答えさせたいならまずRAGを検討し、どちらを選ぶ場合も、プロンプト（頼み方）の工夫と評価から始めるのが近道です。 自社の「基盤とセキュリティ」の準備度は？[10問・約3分で確かめる（無料・登録不要）](https://www.ai-ready.jp/diagnosis/quick/) 生成AIを業務に使い込むと、「うちの会社の情報で答えてほしい」「うちの書き方で出してほしい」という要望が出てきます。そのときによく候補に挙がるのが、RAGとファインチューニングです。名前は似た場面で出てきますが、補うものが違います。この記事では、2つの違いと、自社の目的に合う選び方を整理します。 この記事でわかること - RAGとファインチューニングの違い - 目的ごとの選び方 - 選ぶ前に始めておくこと ## RAGとファインチューニングは、何が違いますか？ OpenAIの開発者向けの案内では、AIの答えを良くする方法を2つの方向に分けて説明しています。一つは「AIが何を知っている必要があるか」を補う方向、もう一つは「AIがどう振る舞う必要があるか」を整える方向です。RAGは前者、ファインチューニングは後者の代表的な方法です。 この案内では、試験勉強にたとえた説明もあります。RAGは、教科書を手元に置いて、調べながら答えるようなものです。ファインチューニングは、授業で何度も例を見て、答え方を身につけるようなものです。 ### RAG：答えるたびに資料を探して渡す RAGでは、質問が来るたびに、社内の資料の中から関係する部分を探し、その内容をAIへの指示に添えて答えさせます。AIそのものは作り変えません。 Google Cloudのブログ記事（2024年5月16日）では、RAGが向く場面として、答えにいつも根拠の資料を示したい場合、AIが学習した知識ではなく自社のデータにもとづいて答えさせ誤りを減らしたい場合、利用者ごとに見られる資料を分けたい場合、頻繁に更新される情報を扱う場合などが挙げられています。国の「AI事業者ガイドライン（第1.2版）」でも、RAGなどによって、事実と異なる答え（ハルシネーション）を抑え、出力の根拠をわかりやすくすることが期待されている、と触れられています。 ### ファインチューニング：例を学ばせて振る舞いを整える ファインチューニングでは、入力と望ましい出力の組をたくさん用意し、AIのモデルに追加で学ばせます。 先のGoogle Cloudの記事では、問い合わせの分類や、自由な文章から決まった形式の出力を作るといった、はっきり決まった作業に向くとされています。自社らしい口調のように数字で表しにくい振る舞いを整える方法や、大きなモデルの答え方を小さなモデルに引き継いで速く動かす方法（蒸留）も紹介されています。OpenAIの案内では、ファインチューニングでは学習に使うデータの量よりも質が大切だとしています。 RAGは知識を補い、ファインチューニングは振る舞いを整えます RAG（教科書を手元に置いて答える） 質問 答えるたびに社内の資料を探し、指示に添えて渡す 資料にもとづく答え資料を差し替えれば新しい内容で答えられる ファインチューニング（例を見て答え方を身につける） 入力と望ましい出力の組 モデルに追加で学ばせる 形式や口調がそろったモデルデータは量より質が大切 どちらを選ぶ場合も、まずプロンプトの工夫と評価の質問の用意から始めます。組み合わせて使うこともできます。 ## 目的に合わせて、どう選べばよいですか？ 困りごとが「知識の不足」なのか「振る舞いのばらつき」なのかで考えると、選びやすくなります。 - **社内の規程やマニュアル、商品の情報で答えさせたい**：知識の不足なので、まずRAGを検討します。資料が改定されても、差し替えれば新しい内容で答えられます - **どの資料にもとづく答えかを示したい**：RAGが向いています - **出力の形式をいつも同じにしたい、口調を自社の書き方にそろえたい**：振る舞いの問題なので、ファインチューニングが候補になります - **両方の困りごとがある**：組み合わせることもできます。口調はファインチューニングで整え、中身はRAGで社内の資料から取る、という使い方です OpenAIの案内では、2つの方法は足し合わせて使えるとする一方で、困りごとの種類に合わない方法を足すと、かえって精度が下がった例も紹介しています。何に困っているのかを見極めてから選ぶことが大切です。 読みながら、自社の現在地を確かめませんか クイック診断は10問・約3分・登録不要です。7つの柱ごとの目安と、「基盤とセキュリティ」を含めて次に取り組むことがわかります。 [無料で診断する](https://www.ai-ready.jp/diagnosis/quick/)[結果の解説（30分・無料）](https://www.ai-ready.jp/consult/review/) ## 選ぶ前に、何から始めればよいですか？ OpenAIの案内も、Google Cloudの記事も、まずは簡単な方法から始めることを勧めています。具体的には、次の順番です。 1. **プロンプトの工夫**：目的、前提、出してほしい形をはっきり伝え、必要な資料を直接添えて試します。扱う情報が少なければ、これで足りることもあります 2. **評価の質問の用意**：実際の業務の質問と、社内で合意した正しい答えの組をつくり、良くなったかどうかを同じ物差しで確かめられるようにします 3. **困りごとの見極め**：うまくいかない原因が、知識の不足なのか、振る舞いのばらつきなのかを分けます 4. **方法の選択**：知識の不足ならRAG、振る舞いならファインチューニングを検討します RAGを使う場合は、もとになる資料の整理が成果を左右します。古い版の資料が混ざっていたり、置き場所がばらばらだったりすると、AIは誤った資料をもとに答えてしまいます。RAGの進め方は[社内の資料をAIで探せるようにする（RAGの基本）](https://www.ai-ready.jp/guide/rag-basics/)、資料の整え方は[AIに使うデータの整え方](https://www.ai-ready.jp/guide/data-preparation-for-ai/)をご覧ください。 ## 手間と費用は、どう考えればよいですか？ 2つの方法は、かかる手間の種類が違います。 - **RAG**：資料を探せる形に整える準備と、資料を最新に保つ運用が中心です。資料の置き場所や版の管理、利用者ごとに見られる資料を分ける設定などが必要になります - **ファインチューニング**：入力と望ましい出力の組を、質の良いものとしてそろえる準備が中心です。業務やモデルが変わったときには、学ばせ直しが必要になることがあります どちらの場合も、うまくいったかを確かめる評価の質問は欠かせません。費用は、使うサービスや仕組みの作り方によって大きく変わるため、候補のサービスの料金表と、自社の利用の量をもとに見積もります。利用料の見積もり方は、[生成AIの利用料の見積もりと管理](https://www.ai-ready.jp/guide/ai-cost-management/)をご覧ください。 まずはプロンプトの工夫で足りるかを確かめ、それでも足りないときに、どちらの方法を足すかを判断する、という順番にすると、むだな手間と費用を抑えられます。 ## 関連するひな形・ガイド・用語 ひな形 - [社内データの棚卸し表](https://www.ai-ready.jp/templates/data-inventory-sheet/) ガイド - [社内の資料をAIで探せるようにする（RAGの基本）](https://www.ai-ready.jp/guide/rag-basics/) - [社内のナレッジベースの作り方](https://www.ai-ready.jp/guide/knowledge-base-building/) - [AIに使うデータの整え方：所在・置き場所・権限・品質・責任者](https://www.ai-ready.jp/guide/data-preparation-for-ai/) - [生成AIの使い方の選び方：SaaS・API・自社環境の違いと判断の目安](https://www.ai-ready.jp/guide/ai-platform-selection/) コラム - [生成AIのモデルの違いをどう見るか順位表より、自社の業務で試して比べる](https://www.ai-ready.jp/column/comparing-llm-models/) - [プロンプトエンジニアリング入門 AIに伝わる頼み方の基本](https://www.ai-ready.jp/column/prompt-engineering/) 用語 - [RAG（検索拡張生成）](https://www.ai-ready.jp/glossary/rag/) - [ファインチューニング](https://www.ai-ready.jp/glossary/fine-tuning/) - [埋め込み（エンベディング）](https://www.ai-ready.jp/glossary/embedding/) - [ベクトルデータベース](https://www.ai-ready.jp/glossary/vector-database/) - [ハルシネーション](https://www.ai-ready.jp/glossary/hallucination/) ## よくあるご質問 Q社内の規程やマニュアルをもとにAIに答えさせたい場合は、どちらがよいですか？ AまずRAGを検討します。RAGは答えるたびに資料を探して渡すため、規程が改定されても資料を差し替えれば新しい内容で答えられ、どの資料にもとづく答えかを示しやすくなります。ファインチューニングで知識を覚えさせると、改定のたびに学ばせ直す手間がかかります。 Qファインチューニングが向いているのは、どんな場合ですか？ A決まった形式で出力させたい、文章の口調を自社の書き方にそろえたい、問い合わせを決まった区分に分けさせたい、といった「振る舞い」を整えたい場合です。入力と望ましい出力の組を、質の良いものとして用意できることが前提になります。 QRAGとファインチューニングは、組み合わせて使えますか？ A組み合わせることもできます。たとえば、口調や形式はファインチューニングで整え、答えの中身はRAGで社内の資料から取る、という使い方です。ただし、どちらから手を付けるかは、困りごとが知識の不足なのか、振る舞いのばらつきなのかを見極めてから決めます。 ## この記事に出てくる用語 - [RAG（検索拡張生成）](https://www.ai-ready.jp/glossary/rag/) - [ファインチューニング](https://www.ai-ready.jp/glossary/fine-tuning/) - [プロンプト](https://www.ai-ready.jp/glossary/prompt/) - [生成AI](https://www.ai-ready.jp/glossary/generative-ai/) - [AI事業者ガイドライン](https://www.ai-ready.jp/glossary/ai-guidelines-for-business/) - [ハルシネーション](https://www.ai-ready.jp/glossary/hallucination/) - [モデル](https://www.ai-ready.jp/glossary/model/) - [分類（機械学習）](https://www.ai-ready.jp/glossary/classification/) - [蒸留](https://www.ai-ready.jp/glossary/distillation/) - [ナレッジベース](https://www.ai-ready.jp/glossary/knowledge-base/) - [ベクトルデータベース](https://www.ai-ready.jp/glossary/vector-database/) - [埋め込み（エンベディング）](https://www.ai-ready.jp/glossary/embedding/) - [プロンプトエンジニアリング](https://www.ai-ready.jp/glossary/prompt-engineering/) ## 「基盤とセキュリティ」のほかの記事 [この柱の解説 →](https://www.ai-ready.jp/about-ai-ready/infrastructure-security/) [基盤とセキュリティAIのベンダーロックインはどう避けるか？依存を減らすより「出口」を用意する考え方石田誠2026-11-12](https://www.ai-ready.jp/column/avoiding-vendor-lock-in/)[基盤とセキュリティAIの電力消費と企業の考え方石田誠2026-11-12](https://www.ai-ready.jp/column/ai-energy-use/)[基盤とセキュリティAIツールの安全性をどう見るか石田誠2026-11-12](https://www.ai-ready.jp/column/evaluating-ai-tool-safety/) ## 出典 1. [OpenAI「Optimizing LLM Accuracy」](https://developers.openai.com/api/docs/guides/optimizing-llm-accuracy) 2. [Google Cloud Blog「To tune or not to tune? A guide to leveraging your data with LLMs」（2024年5月16日）](https://cloud.google.com/blog/products/ai-machine-learning/to-tune-or-not-to-tune-a-guide-to-leveraging-your-data-with-llms) 3. [総務省・経済産業省「AI事業者ガイドライン（第1.2版）」本編](https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/pdf/20260331_1.pdf) 最終確認日：2026-11-12 ## 次の一歩 [測るAI-Ready診断（無料）いまの準備状況を、7つの柱で確かめられます。](https://www.ai-ready.jp/diagnosis/) [相談する結果の解説（30分・無料）診断の結果をもとに、オンラインでご説明します。](https://www.ai-ready.jp/consult/review/) [窓口ご相談のお申し込み経営・M&A・事業承継・上場・バリューアップはフロレンティナ、AIの導入・開発・データ・セキュリティ・研修はアメリア・テクノロジーがお受けします。](https://www.ai-ready.jp/consult/apply/) 目次 1. RAGとファインチューニングは、何が違いますか？ 2. 目的に合わせて、どう選べばよいですか？ 3. 選ぶ前に、何から始めればよいですか？ 4. 手間と費用は、どう考えればよいですか？ 5. よくあるご質問 この記事が扱う柱 主に「基盤とセキュリティ」 [基盤とセキュリティの解説](https://www.ai-ready.jp/about-ai-ready/infrastructure-security/) 自社の準備度を確かめる 10問・約3分・登録不要。7つの柱ごとの目安がわかります。 [無料で診断する](https://www.ai-ready.jp/diagnosis/quick/) --- 出典：フロレンティナ株式会社「RAGとファインチューニングの違いと選び方 「知識を補う」か「振る舞いを整える」か｜AI-Ready.jp」 https://www.ai-ready.jp/column/rag-vs-fine-tuning/