この記事で分かること／分からないこと
- 分かること: RAGとファインチューニングを組み合わせる構成の考え方
- 分かること: 組み合わせることで運用に持ち込まれる複雑さの中身
- 分からないこと: 組み合わせ構成を自社で実際に運用した効果(自社にファインチューニングの実測が無いため)
- 分からないこと: 個別のベンダーAPIの最新の料金・提供条件
RAGとファインチューニングを5軸で比較する内容は既存の比較記事にまとめている。この記事では個別ケースとして「両方使う」場合だけを掘り下げる。
両方使うという選択肢がある
RAGとファインチューニングは、どちらか一方を選ばなければならないわけではない。検索で事実を補いつつ、文体や指示追従の癖はファインチューニング済みモデルに任せる、という役割分担も考えられる。社内用語やトーンの記事で挙げたケースでも、両方を組み合わせる選択肢自体は成立する。
構成の基本形
典型的な構成は、検索で得た文脈をファインチューニング済みモデルへの入力として渡すというものである。検索側が事実の裏付け、生成側が文体や指示への従いやすさを担当する役割分担になる。ただし、この構成を選ぶことは、検索基盤とファインチューニング基盤の両方を並行して運用し続けることを意味する。
代償(1) 更新の経路が二重になる
検索側の更新は文書の差し替えで完結するのに対し、ファインチューニング側の更新は新しい学習データを用意してジョブを回す別の作業になる。両方を使う構成ではこの二つの経路を別々に管理する必要があり、片方だけを更新した結果、検索側の情報とファインチューニング側の生成の癖が食い違う状態が生まれうる。詳細は鮮度の記事で扱っている。
代償(2) 不具合が起きたときの切り分けが難しくなる
自社の実装では、RAG側の回答について、事実主張を根拠となる文書と機械的に照合する検査を用意している(出所: services/verifier/src/grounding-gate.ts、確認日2026-09-06)。両方を組み合わせた構成で誤った回答が出た場合、検索側の根拠不足はこの検査で機械的に検出できても、ファインチューニング側の生成の癖に起因する誤りは同じ方法では検出できない。どちらに起因するかを切り分けるには人手での確認が必要になる場面が増える。詳細は評価のしやすさで選ぶ記事で扱っている。
代償(3) 依存する基盤自体が同じ強さで存在し続けるとは限らない
ファインチューニング側の基盤は、提供元によって対応の厚さが変わりやすい。OpenAIの公式ガイドは、同プラットフォームの新規ユーザー向け提供を縮小しており、既存ユーザーも今後数か月だけ学習ジョブを作成できるとしている(出所: https://platform.openai.com/docs/guides/supervised-fine-tuning、確認日2026-09-06)。Googleも、Gemini APIおよびAI Studioでは現在ファインチューニング可能なモデルが無く、対応はGemini Enterprise Agent Platform側のみだとしている(出所: https://ai.google.dev/gemini-api/docs/model-tuning、確認日2026-09-06。同Platform側の手順は https://cloud.google.com/vertex-ai/generative-ai/docs/models/tune-models、確認日2026-09-06)。一方、Anthropicの公式ドキュメント(docs.claude.com)の目次には、ファインチューニングに関する項目が見当たらなかった(出所: https://docs.claude.com/en/docs/intro-to-claude、確認日2026-09-06)。両方使う構成では、後者の基盤の前提が変わりやすいという点が複雑さに上乗せされる。
よくある質問
Q1. RAGとファインチューニングを組み合わせる構成は具体的にどう作るのか
典型的には、検索で得た文脈をファインチューニング済みモデルへの入力として渡し、検索側が事実の裏付け、生成側が文体や指示への従いやすさを担当するという役割分担になる。
Q2. 組み合わせ構成の複雑さとは具体的に何か
更新経路が二重になること、不具合が起きたときの切り分けが難しくなること、ファインチューニング側の基盤の提供状況が提供元によって変わりやすいことの3点である。
Q3. ファインチューニングの提供状況は、どのプロバイダーで確認できたか
OpenAIは新規ユーザー向け提供を縮小している。GoogleはGemini APIおよびAI Studioでは提供せず、Enterprise Agent Platform側でのみ対応している。Anthropicの公式ドキュメントの目次には項目が見当たらなかった(いずれも確認日2026-09-06)。
Q4. 組み合わせ構成を自社で運用した効果は分かるか
分からない。自社にファインチューニング済みモデルの運用実測は無く、この記事はRAG側の実装と公式ドキュメントの確認結果に基づく整理にとどまる。
両方使う場合以外の判断ケースは、全体像をRAGサービス比較のハブ記事に、根拠の機械照合の仕組みは根拠必須にする設計の記事にまとめている。相談したい方は、お問い合わせから編集部までご連絡いただきたい。
- ハブ記事: RAGサービス比較15選
- 関連記事: 根拠必須にする設計
- 関連記事: 情報の鮮度が要る場合
- 関連記事: 評価のしやすさで選ぶ