用語比較
ファインチューニングとプロンプトエンジニアリングの違い｜モデルを変えるか、指示を変えるか（生成AIパスポート）
プロンプトエンジニアリングは、モデルに渡す文脈・指示・目的・例を工夫して、出力を良くする方法です。ファインチューニングは、学習済みのモデルに期待する入力と出力の例を与えて追加で学習させ、そのタスクに合ったモデルにする方法です。
プロンプトエンジニアリングは入力を変え、ファインチューニングはモデル自体を変えると覚えると、生成AIパスポートの選択肢を切り分けられます。
このページは、OpenAI公式ガイドの記述をもとに、変えるもの・必要なデータ・反映の速さ・向く場面で比べます。数値や場面の例は、説明用の架空のものです。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。生成AIパスポートの一次情報確認日: 2026-08-31。
結論
プロンプトエンジニアリング
文脈・指示・目的・少数の例をプロンプトに書いて出力を良くする。モデルの重みは変わらない。
ファインチューニング
ベースモデルに期待する入力と出力の例を与えて追加学習する。形式の一貫性や新しい種類の入力への対応に向く。
見分け方
「プロンプトの書き方を変える」ならプロンプトエンジニアリング、「追加で学習させる」ならファインチューニング。
違いを表で確認
| 比較軸 | プロンプトエンジニアリング | ファインチューニング |
|---|---|---|
| 変えるもの | プロンプトエンジニアリング：入力（プロンプト）を変える。モデルは変わらない | ファインチューニング：学習でモデルを更新し、そのタスクに合わせる |
| 必要なもの | プロンプトエンジニアリング：明確な指示・目的、必要な文脈、少数の正しい出力例（few-shot） | ファインチューニング：期待する入力と出力のペアを、プロンプトに入る数より多く用意する |
| 手間と反映 | プロンプトエンジニアリング：書き換えれば次のリクエストから試せる | ファインチューニング：データの準備と学習に時間がかかることがある |
| 向く場面 | プロンプトエンジニアリング：まず試す方法。最新情報や社内データなどの文脈を渡すときにも使う | ファインチューニング：決まった形式で一貫して答えさせたい、新しい種類の入力を扱いたい場面 |
| 運用面の利点 | プロンプトエンジニアリング：プロンプトに例や文脈を入れるほど、入力が長くなる | ファインチューニング：プロンプトを短くでき、大規模運用ではトークン費用と遅延を抑えられることがある |
生成AIパスポートの学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
「追加で学習させる」という選択肢の名前を問われる人
ファインチューニングです。学習済みのモデルに、期待する入力と出力を与えて、特定のタスクに合わせます。
モデルを作り直さずに出力の質を上げる方法を問われる人
プロンプトエンジニアリングです。指示を明確にし、必要な文脈と少数の例を与えます。
社内資料や最新情報を答えに使いたい人
最新情報や社内データを文脈として渡す方法はプロンプトに含められます。外部の資料を検索して渡す仕組みは、RAGの比較ページで確認できます。
具体例で使い分ける
例 1
問い合わせ文を決まった形式で分類したい場合（架空の場面）
問い合わせメールを「請求」「配送」「その他」に分け、必ず同じ書式で返させたいとします。
- 最初は、プロンプトに分類の基準と出力の書式を書き、正しい例を数件付けて試します。
- それでも書式がぶれ、例が文脈窓に収まらないほど必要になったら、入出力の例を大量に用意してファインチューニングを検討します。
結論: まずプロンプトエンジニアリングで試し、足りないときにファインチューニングを検討します。公式ガイドも、評価・プロンプト・ファインチューニングを組み合わせて改善を回すとしています。
例 2
プロンプトが長くなりすぎた場合（架空の場面）
毎回のリクエストに、長い例と社内ルールを入れていて、費用と待ち時間が気になります。
- ファインチューニングで、例の内容を学習させると、プロンプトを短くできます。
- OpenAIのガイドは、短いプロンプトで済むため大規模運用ではトークン費用が下がり、遅延も小さくなりうるとしています。
結論: 運用の規模が大きいときは、ファインチューニングで入力を短くする選択肢があります。
例 3
機密データを扱う場合
社外に出したくない自社データの内容を、モデルに反映させたいとします。
- プロンプトに含めると、毎回のリクエストにデータが入ります。
- ファインチューニングなら、リクエストのたびに含めずに学習させられると公式ガイドは述べています。
結論: データの扱い方の違いが、選ぶ理由になります。提供元の規約と社内の規則は、別に確認します。
問題文から答えを選ぶ手順
- 1
変えるものを見る
入力（プロンプト）を変えるならプロンプトエンジニアリング、モデルを追加学習するならファインチューニングです。
- 2
まず試す方を決める
書き換えるだけで試せるプロンプトエンジニアリングから始めます。
- 3
足りない点を確かめる
書式のぶれ、例が収まらない、プロンプトが長すぎる場合は、ファインチューニングを検討します。
- 4
評価で確かめる
どちらの場合も、出力を評価して改善したかを確かめ、結果をプロンプトや学習データに戻します。
試験での見分け方
- 1プロンプトエンジニアリングは、文脈・指示・目的・例を与えて出力を良くする方法で、モデルは変わらない。
- 2ファインチューニングは、学習済みのモデルに入力と出力の例を与えて追加で学習させる方法である。
- 3プロンプトに入れる正しい出力の例を少数与える方法を、few-shot learningという。
- 4ファインチューニングは、プロンプトに入らない量の例を与えられ、プロンプトを短くできる。
- 5出力の改善は、評価・プロンプトエンジニアリング・ファインチューニングの組み合わせで回す。
誤答しやすい選択肢
プロンプトの工夫でモデルが学習し直されると考える
修正: プロンプトを変えても、モデルの重みは変わりません。変わるのは入力です。
ファインチューニングを必ず先にやるものと考える
修正: 書き換えるだけで試せるプロンプトから始め、足りないときに検討するのが基本です。
few-shotをファインチューニングの一種と考える
修正: few-shotは、プロンプトに少数の例を入れる方法です。モデルは追加学習されません。
確認問題
Q1学習済みモデルに入力と出力の例を与えて追加学習させる方法は？
答え: ファインチューニング
ベースモデルに期待する入力と出力を与え、そのタスクに合ったモデルにします。
Q2プロンプトに少数の正しい出力例を入れて、望む応答を引き出す方法は？
答え: few-shot learning（プロンプトエンジニアリングの一つ）
モデルは例から、他のプロンプトへの応答の仕方を推し量ります。モデル自体は変わりません。
Q3大規模運用でプロンプトを短くし、費用と遅延を抑えたいときに検討するのは？
答え: ファインチューニング
例と文脈をモデルに学習させれば、プロンプトを短くできます。
到達チェック
- ファインチューニングとプロンプトの変えるものの違いを言える
- few-shotがどちらに入るか言える
- ファインチューニングを検討する場面を言える
関連ページで確認する
同じ資格で次に知りたいこと
- 貪欲法とビームサーチの違い｜次の1語だけで選ぶか、複数の候補を保つか（生成AIパスポート）
貪欲法(greedy search)とビームサーチ(beam search)の違いを、選び方・先読み・向く作業・サンプリングとの関係で整理。生成AIが次のトークンを選ぶ仕組みを、確認問題つきで確認できる。
- 生成AIパスポートと統計検定2級の違い
生成AIパスポートと統計検定2級の違いを、学ぶ内容、問題数、試験時間、受験方式、受験料、どちらを先に学ぶかで比較します。生成AIの安全利用と統計的推測・回帰のどちらが今の目的に合うかを判断できます。
- ベクトル検索とキーワード検索の違い｜意味で探すか、字面で探すか（生成AIパスポート・RAG）
ベクトル検索とキーワード検索の違いを、類似度の取り方・キーワードが分からないときの強さ・近似最近傍(ANN)・ハイブリッド検索で整理。RAGの検索の部分で何が起きているかを、確認問題つきで確認できる。
よくある質問
Qファインチューニングとプロンプトエンジニアリングの違いは？
プロンプトエンジニアリングは入力の書き方を変えてモデルは変えず、ファインチューニングは例を使った追加学習でモデルを更新します。
Qどちらを先に試しますか？
書き換えるだけで試せるプロンプトエンジニアリングから始め、書式のぶれやプロンプトの長さなどが課題になったらファインチューニングを検討するのが基本です。
Qfew-shotはファインチューニングですか？
いいえ。few-shotはプロンプトに少数の例を入れる方法で、モデルは追加学習されません。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）