ファインチューニングとは、事前学習済みLLMを特定のタスクやドメインのデータセットで追加トレーニングし、そのコンテキストでのアウトプットを望む動作により合わせることです。事前学習はモデルに膨大な一般的知識を与えますが、「一般的」は特定のタスクで特に優れていないことを意味します。ファインチューニングは特定のニーズに基盤を磨きます：数千の入出力ペアを提供し、モデルが期待されるアウトプットを学習します。ファインチューニング後、これらの要件はモデルのパラメータに組み込まれ、毎回のプロンプトでの説明が不要になります。
ファインチューニングが存在するのは、事前学習済みLLMの汎才特性が特定シナリオでは制限となるからです。異なる組織は「良い答え」を異なるように定義します——法律事務所は厳格な法律言語が必要、子ども向けプラットフォームは8歳が理解できる言葉が必要、ブランドは固定のトーンが必要。これらの要件はプロンプトだけでは安定して達成しにくく、ファインチューニングはこれらのルールをモデルに訓練し、プロンプトなしにどの会話でも自然に従うようにします。
ファインチューニングの最も直接的な影響はツール選択の考え方を変えることです。正しい診断順序は：プロンプトエンジニアリングで解決できるか？RAGで解決できるか？両方が不十分な場合のみファインチューニングを検討する。ファインチューニングは最後の手段であり、最初の選択肢ではありません。また、日常的に使うAIツールの多くはすでにファインチューニング済みのバージョンです——GitHubCopilotはコードデータセットでファインチューニングされています。
ファインチューニングは開発者と企業のツールです。開発者の場合、ファインチューニング前のチェックリスト：1. 少なくとも1,000〜5,000件の高品質なトレーニング例はあるか？2. システムプロンプト＋フューショットで80%以上のニーズを満たせるか？3. ニーズは「形式とスタイルの一貫性」か「最新情報が必要」か？4. トレーニング-評価-再トレーニングの反復コストを予算が吸収できるか？
台湾の法律テックスタートアップが契約レビューAIをファインチューニングしました。痛点：未調整のClaudeは「可能性がある」「提案する」などの曖昧な表現を使うことがありましたが、法律文書には確定的な記述が必要です。3,000件の弁護士レビュー済みペアを収集してClaudeをファインチューニング。アウトプットスタイルが法律言語基準に100%準拠しました。しかし毎年の法令改正により、後にRAGとの組み合わせ（Fine-Tuning＋RAGハイブリッドアーキテクチャ）が必要になりました。
ファインチューニングの利点：高度に一貫した出力行動；毎回のルール再提示不要；言葉で説明しにくいスタイルのニュアンスを学習できる。欠点：高いトレーニングコスト；大量の高品質ラベル付きデータが必要；知識をリアルタイムで更新できない；過学習リスク。意思決定フレームワーク：まずプロンプトエンジニアリング、次にRAG、それでも不十分な場合のみファインチューニングを検討。