カスタマイズの階層

「自社の業務に合わせたい」というとき、選択肢は一つではありません。カスタマイズ手法は、軽量・低コストなものから、重く高コストなもの へと階層をなします。原則は「目的を満たす最も軽い手段から試す」こと。いきなり微調整に飛びつくのは、多くの場合過剰です。

カスタマイズの梯子

手法	変えるもの	コスト	適する状況
① プロンプト設計	入力（文脈）のみ	最小	振る舞いの調整、形式の指定。まず最初に試すべき層。
② RAG / 外部知識	参照する知識	小〜中	最新情報・社内文書に基づく回答が必要なとき。
③ 微調整 (Fine-tuning)	モデルの重み	中〜大	特有の口調・形式・専門タスクを安定して再現したいとき。
④ 事前学習 (Pre-training)	モデルを一から	最大	独自基盤モデルが必要な特殊領域。大組織向け。

微調整と効率化（PEFT / LoRA）

微調整（Fine-tuning） は、追加データでモデルの重みを更新し、特定タスクへの適応を図ります。全パラメータを更新する完全微調整は高コストなため、近年は一部のパラメータのみを効率的に学習する PEFT（Parameter-Efficient Fine-Tuning） が主流です。

その代表が LoRA（Low-Rank Adaptation） で、元の重みを凍結したまま、小さな低ランク行列を追加して学習します。学習対象が大幅に減るため、必要な計算資源とストレージが小さくなり、複数の用途別アダプタを切り替えて使うこともできます。

ツール利用とエージェント

モデル自体を変えずに能力を拡張する方向として、ツール利用（function calling / tool use） があります。モデルに「計算機」「検索」「データベース照会」などの外部機能を呼び出させ、その結果を踏まえて応答させる仕組みです。これを多段で自律的に繰り返し、目標達成まで計画・実行する構成が エージェント と呼ばれます。

標準化の動きとして、外部ツールやデータ源とモデルを接続するためのプロトコル（例：MCP, Model Context Protocol）も登場しています。エージェント設計では、各ツールの入出力を明確に定義し、失敗時の挙動を設計することが品質を左右します。

評価とガードレール

カスタマイズの成否は 評価 で測られます。出力は確率的に揺らぐため、代表的な入力に対する期待出力（評価セット）を用意し、変更前後で品質を比較する習慣が重要です。あわせて、不適切な入出力を抑える ガードレール（入力検証・出力フィルタ・禁止事項の明示）を設けることで、実運用での安全性を高められます。