法律ユースケースでRAGがファインチューニングに勝る理由

法律事務所は「うちの先例でモデルをファインチューニングしよう」という話をよく耳にする。強力に聞こえるが、案件業務においてはたいてい間違ったデフォルトである。

間違ったデフォルト

パートナーが法務AIを評価する際、よく聞く売り文句はこうだ：契約書、判決文、プレイブックでモデルをファインチューニングし、事務所のやり方を「理解」させる。この発想は理解できる——弁護士は先例でジュニアを訓練するのだから、モデルも同じように訓練してはどうか、というわけだ。

しかし言語モデルはジュニアではない。ファインチューニングは重みを書き換える。それは図書館カードも、引用の追跡経路も、案件データを正しい場所に留めておくクリーンな方法も与えてくれない。研究メモ、契約審査、プレイブックに基づく修正といった大半の法律業務では、**検索拡張生成（RAG）**の方がより良い主要アーキテクチャである。

本稿では、それぞれの手法が実際に何を行うのか、なぜファインチューニングが法律知識の保管場所として機能しないのか、RAGが優れている点、そして軽量なファインチューニングがなお有効な場面について説明する。

ファインチューニングとRAGは実際に何をするのか

ファインチューニングは、ベースモデルを取り、あなたの事例で継続的に訓練する。パターンはモデルのパラメータの中に移動する——文章のスタイル、条項の分類の傾向、管轄区域特有の言い回しなど。訓練後、モデルは吸収した内容から回答する。あなたが別途追加しない限り、「バインダーを開く」という独立したステップは存在しない。

RAGはコーパスをモデルの外に保持する。クエリ時にシステムは関連する文章——条項、判決、テンプレート、プレイブックのルール——を検索し、それらをコンテキストとして回答を生成する。モデルは依然として生成器のままであり、事務所の知識は更新可能・範囲設定可能・監査可能な検索可能ストアの中に留まる。

分かりやすい例え：ファインチューニングは数ヶ月の勉強の後の閉架式試験、RAGは事務所の図書館を机に置いた開架式試験だ。法律業務はほぼ常に開架式の業務である。クライアント、裁判所、パートナーが求めるのは根拠であり、雰囲気ではない。

なぜ法律業務がファインチューニングを主戦略として崩壊させるのか

幻覚的な権威

ファインチューニング済みのモデルは、まるで HKSAR v Someone を引用しているかのように、あるいは第622章を引用しているかのように聞こえることがある。しかし信頼できる出典の追跡経路——どの文書が読まれたか、どの段落が主張を支持しているか、引用が正確かどうか——を確実に提供することはできない。重みは脚注を生成しない。法律業務において、出典のない自信満々な文章は責任問題である。

陳腐化する法律

条例、実務指示、事務所のテンプレート、相手方のプレイブックは変化する。再訓練（あるいは頻繁なアダプターの更新）は、新しい判決をインデックス化したり、更新済みテンプレートを検索コーパスに差し替えたりするのに比べて、遅く、コストが高い。「知識」が重みの中にしか存在しないなら、昨日のモデルはすでに間違っている。

案件の分離と秘密特権

クライアントファイル、非公開の答弁書、あるいは機密性の高い事案情報を訓練セットに入れることは、ガバナンス上の問題である。訓練データは粘着性が高い。ある案件を「学習解除」することは難しく、何が事務所の外に出たかを証明することも難しく、非公開の案件情報を公開または管理の甘いAIシステムに送ることを禁じる方針との整合性を取ることも難しい。ファインチューニングを知識の投げ込み先として使うことは、秘密特権やデータ制限のルールと衝突する。範囲を限定した検索を伴うRAGであれば、これらの境界を尊重できる。

ドリフトと忘却

ある業務領域向けにモデルを更新すると、別の領域を劣化させるリスクがある。訴訟の語調がM&Aの起草に混入し始めると、「破滅的忘却」は単なる学術的な注釈では済まなくなる。

監査と監督

パートナーは「システムは何を読んだのか？」に答える必要がある。ファインチューニングの答えは「モデルがうっすらと覚えている」というものだ。それはリスク委員会に持って行けるような監督体制ではない。

法律ユースケースでRAGが優れている点

RAGは、法律業務が実際に監督される方法と一致している。

根拠に基づく生成。 検索 → 生成 → 引用。答えは、あなたが開いて確認できる文章に紐づいている。幻覚は消えない——検索が漏らすこともあり、モデルが誤読することもある——しかし照合できる対象がある。

即時のコーパス更新。 終審法院の新しい判決、更新されたNDAテンプレート、更新されたプレイブックのルールは、訓練を行わずにインデックス化できる。ライブラリが最新だからこそ、システムも最新なのだ。

範囲を限定した検索。 検索対象を特定の案件、業務グループ、承認済みテンプレート集に限定できる。これはまさに事務所が利益相反や機密性について考える方法である。単一の共有された「脳」をファインチューニングすることは、このメンタルモデルと衝突する。

人間による検証。 提出やクライアントへの送付の前に、すべての引用と引用元は資格を持つ人間によって確認されるべきである。RAGは出典が明示的であるためこの確認を実行可能にする。ファインチューニングはこの確認を当て推量にしてしまう。

実際のワークフローに適合する。 プレイブックに対する契約審査、厳選された判例集に基づく研究メモ、承認済み文言に対する修正——これらはすべて「検索して生成する」ことにきれいに対応する。「重みが正しい条項を吸収していることを期待する」ことにはうまく対応しない。

ファインチューニングが依然として有効な場合

誠実であることが重要だ。ファインチューニングは無用ではない——単に、成文法や案件事実の保管場所としては間違った場所だというだけだ。

以下が必要な場合には、軽量なファインチューニングやアダプターを使うとよい：

事務所スタイル — 案件をまたいで安定している語調、構成、起草の慣習
分類とルーティング — 条項タイプの検出、文書のトリアージ、案件のルーティング
狭いスキルの形成 — 社内ツール向けの固定された出力スキーマに従うこと

ファインチューニングを次のような用途に使ってはならない：

案件事実やクライアント文書の保管場所
管理され引用可能な知識ベースの代替品
「今日、明日の判決をモデルに教える」ための手段

完全な再訓練よりも、小さなアダプターや指示チューニングを優先すべきだ。知識ベースは検索側に置き、ファインチューニングは振る舞いを磨き上げる役割に留め、ライブラリを置き換えるものにしてはならない。

香港、シンガポール、英国の事務所のための実践的アーキテクチャ

持続可能なパターンは次のようになる：

プライベートコーパス — 先例、承認済みテンプレート、プレイブック、および（方針が許す範囲で）事務所の管理下にある案件資料
検索層 — 業務領域、案件、権限に応じて範囲を限定した検索
生成 — モデルが検索されたコンテキストを用いて草稿や分析を生成する
検証 — 何かが事務所の外に出る前に、弁護士が事実、引用、出典を確認する
データの境界 — 非公開かつ機密性の高い案件情報は、公開の消費者向けAIツールに触れさせない

最後の点はオプションの見せかけではない。香港の司法機構は、裁判所利用者が非公開・機密・機密性の高い案件情報を公開AIモデルに入力することを禁止すると明言している。事務所も同じ境界を社内方針の最低基準として扱うべきだ。プライベートコーパスを伴うRAGは、案件ファイルを公開インターネットに貼り付けることなくAIの支援を得るための方法である。

判断チェックリスト

質問	優先すべき選択
引用可能な出典が必要か？	RAG
明日にでも最新の判決やテンプレートが必要か？	RAG
案件データをベンダーの訓練セットから排除する必要があるか？	RAG + プライベート検索
事務所の語調や条項分類だけが必要か？	RAGの上に（任意で）軽量なファインチューニング
「すべてのクライアントファイルで訓練したい」という誘惑にかられているか？	中止し、検索とアクセス制御を中心に再設計する

「パートナーが出典を開けるか？」という問いへの答えが「いいえ」であれば、まだ法律水準の答えには達していない。

結論

ファインチューニングは専門性のように感じられる。RAGはプロセスのように感じられる。法律業務はプロセスによって動く——出典、更新、範囲、そして監督だ。事務所が管理するコーパスと必須の人間検証を備えたRAGファーストのシステムを構築せよ。ファインチューニングはスタイルや狭いスキルのために控えめに使い、クライアントファイルの金庫や監査可能なライブラリの代替として使ってはならない。

文書の自動化と審査が実際にどのように見えるか興味があるだろうか？AlphaMatchの法務文書自動化を見てほしい——推測ではなく根拠を必要とするチームのために設計されたRAGファーストのワークフローだ。