一言でいうと
学習は、大量の例からパターンを身につける「準備の時間」です。
推論は、身につけたパターンを使って、利用者の入力に答える「本番の時間」です。
AIに質問するたび、何でも自動で学習しているわけではありません。
まずは「料理人の修業」と「店の営業」で考える
料理人は、店に立つ前に材料の扱い方や調理の型を学びます。何度も練習し、味見を受け、うまくいかなかった部分を直します。これがAIの「学習」に近い段階です。
店が開いた後、お客さんから「辛さ控えめで」と注文を受け、身につけた技術を使って一皿を作ります。これが「推論」に近い段階です。ここでいう推論は、人間のように深く考えていることを保証する言葉ではありません。学習で調整されたモデルに入力を渡し、結果を計算して出す処理を指します（2026-07-24 時点）。
この二つを混ぜると、「質問した内容がその場でAIの知識になった」「会話で訂正したから、次の利用者にも直った」と誤解しやすくなります。
学習と推論で起きていること
学習で起きていること
AIの学習では、文章、画像、音声などの例を使い、入力と望ましい出力の関係を捉えられるように、内部の多数の数値を調整します。この調整後のまとまりを「モデル」と呼びます（2026-07-24 時点）。
モデルは、百科事典の文章をページごとに保管した倉庫とは少し違います。たとえるなら、たくさんの料理を経験してできた「味付けの勘」に近いものです。元の料理をそのまま取り出すのではなく、経験から得た傾向を使って新しい注文に対応します。
ただし、この例えにも限界があります。AIには味覚も生活経験もなく、データの規則性を数値として扱っています（2026-07-24 時点）。「学んだ」という言葉を、人間とまったく同じ意味で受け取らないことが大切です。
推論で起きていること
利用者が質問を送ると、モデルは入力と会話の文脈を受け取り、出力を計算します。文章を作る生成AIでは、続きとして合いそうな小さな単位を順番に選び、回答を形にします（2026-07-24 時点）。
推論時に渡せるものには、次のようなものがあります。
- 利用者が入力した質問
- 「短く答えて」などの指示
- 同じ会話内の過去のやり取り
- システムが与えた役割や制約
- 検索や社内資料から取り出した参考情報
これらは、その回答を作るための「作業台に置いた材料」です。材料を置いたことと、モデル自体を作り直すことは別です。
学習と推論を表で比べる
| 比べる点 | 学習 | 推論 |
|---|---|---|
| 目的 | モデルの内部の数値を調整する | 調整済みモデルから結果を出す |
| 時期 | 提供前や更新時にまとめて行うことが多い | 利用者が質問・操作したときに行う |
| 入力 | 学習用に準備された多数の例 | その場の質問、画像、指示、参考資料 |
| 結果 | 新しい版のモデルや調整済みモデル | 回答、要約、分類、画像など |
| 主な負担 | 多くの計算、データ準備、評価 | 一回ごとの計算、待ち時間、利用料金 |
| 会話との関係 | 通常の会話とは別工程 | いまの会話を処理する工程 |
サービスによって、会話データの保存期間や改善への利用方針は異なります（2026-07-24 時点）。そのため「すべて学習される」「一切使われない」と一まとめにせず、利用中のサービスの設定、契約、プライバシー説明を確認する必要があります。
AIができるまでの6つの手順
細かな方法はモデルによって異なりますが、大まかな流れは次のように整理できます。
- 目的を決める
文章を扱うのか、画像を見分けるのかなど、何に使うモデルかを定めます。 - データを集めて整える
重複、誤り、権利、個人情報、偏りなどを確認し、学習に使える形へそろえます。 - 学習する
例を入力し、予測と目標との差を手がかりに内部の数値を繰り返し調整します。 - 評価する
学習に使っていない問題でも役立つか、安全上の問題がないかを調べます。 - 提供する
合格した版をアプリやサービスから使えるようにします。 - 推論する
利用者の入力を受け、調整済みモデルが一回ごとの結果を返します。
学校にたとえると、1から4が授業と試験、5が卒業後の配属、6が実際の仕事です。試験で高得点でも、現場のすべての質問に正しく答えられるとは限りません。同じように、評価結果が良いモデルでも、未知の状況や曖昧な依頼では誤る可能性があります。
会話・追加学習・資料参照の違い
会話で訂正したら、AIは覚えるのか
同じ会話の中では、先ほどの訂正を文脈として参照できる場合があります（2026-07-24 時点）。たとえば「会議は火曜ではなく水曜です」と伝えると、その後の予定表では水曜として扱えることがあります。
しかし、これは必ずしもモデルの学習ではありません。ホワイトボードに訂正を書き、会議中だけ全員が参照している状態に近いものです。会話が終わった後も記憶機能へ保存されるか、サービス改善のデータとして使われるか、モデルの次回更新に反映されるかは、それぞれ別の仕組みと方針です。
機密情報を「覚えさせないで」と書くだけで安全になるとは限りません。入力してよい情報かどうかを先に判断し、会社の規則やサービスのデータ取り扱いを確認するのが基本です。
追加学習と資料参照も別物
AIに自社の商品を詳しく答えさせたいとき、方法は一つではありません。
- 追加学習：例を使い、モデルの振る舞いや出力の傾向を調整する
- 資料参照：質問のたびにマニュアルなどを探し、回答材料として渡す
- 指示文：「この書式で答える」など、その場のルールを与える
追加学習は料理人の修業を追加する方法、資料参照は注文のたびにレシピ帳を開く方法、指示文は注文票に細かな希望を書く方法です。最新の価格や頻繁に変わる社内規則は、モデルへ覚え込ませるより、更新できる資料をその都度参照する方が管理しやすい場合があります。
区別すると役立つ場面と確認項目
学習と推論を区別できると、問題が起きた場所を考えやすくなります。
回答の口調が毎回ずれるなら、指示文や追加学習を見直す候補になります。最新情報を知らないなら、検索や資料参照を組み合わせる候補になります。特定の質問だけ間違うなら、質問の曖昧さや参照資料の不足を確認できます。
また、費用の見方も変わります。学習にはデータを整え、モデルを調整し、評価する準備が必要です。推論には利用回数や入出力の量に応じた計算が必要です。どちらに費用がかかるかは、モデル、提供方法、利用規模によって変わります（2026-07-24 時点）。
利用者が確認する4項目
AIサービスを使う前に、次の順番で確認すると混乱が減ります。
- 入力した内容は、回答を作る以外に何へ使われるか
- 会話履歴や記憶機能は保存されるか、消せるか
- サービス改善へのデータ利用を設定で選べるか
- 会社や家庭で入力してはいけない情報は何か
これらは、AI全体に共通する一つの答えではなく、サービスごとに確認する項目です。無料版と法人向け契約で条件が違う場合もあります（2026-07-24 時点）。
まとめ
学習はAIの「準備」、推論はAIを使う「本番」です。質問を送ったときに主に起きているのは推論であり、会話の内容がその場でモデル全体へ永久保存される、と単純には言えません。
迷ったら、次の問いで切り分けてください。「モデルそのものを変えているのか、それとも今の回答に材料を渡しているのか」。前者が学習や追加学習、後者が推論時の指示や資料参照です。この違いが分かると、AIに何を期待し、どこを確認すべきかが見えやすくなります。
自分の用途を30秒で判定する
| 判定質問 | 選ぶ工程 | 選外にする理由 |
|---|---|---|
| 同じ出力形式を大量に繰り返したいか | 追加学習を検討 | 数回だけなら指示文の方が準備が少ない |
| 最新価格や社内規程を使いたいか | 資料参照を検討 | モデルへ固定すると更新が遅れる |
| 今回だけ説明の長さを変えたいか | 推論時の指示 | モデル全体を変える必要がない |
この表は製品選定表ではなく、問題が起きている工程を切り分けるための独自判断表です。実際の保存条件、料金、利用できる調整方法はサービスごとに異なるため、契約中の公式説明で再確認します。
変更前後を小さく測る手順
学習や追加学習を選ぶ前に、まず同じ評価問題を十問だけ固定します。分類なら正解ラベル、文章作成なら必須項目と禁止表現を人が先に決めます。次に、現在のモデルへ同じ指示で十問を推論させ、正答数、書式違反数、根拠のない追記数、確認にかかった分数を記録します。この基準値がないまま調整すると、モデルが良くなったのか、質問や採点者が変わっただけなのかを区別できません。
| 比べる値 | 調整前 | 調整後 | 合格条件の例 |
|---|---|---|---|
| 正答した件数 | 十問中の件数 | 同じ十問中の件数 | 事前に決めた必要件数以上 |
| 書式違反 | 件数 | 件数 | 増えていない |
| 資料にない追記 | 件数 | 件数 | ゼロ、または人の確認対象 |
| 人の確認時間 | 合計分数 | 合計分数 | 短縮幅が準備時間を上回る |
この表の数値は製品性能を示す実測値ではなく、自分の業務で測る欄です。追加学習の長所は、繰り返す型を毎回長く指示しなくても再現しやすくなる点です。短所は、見本作成、調整、再評価が必要で、誤った見本も反復され得る点です。少数の単発作業なら指示文を選び、更新資料の参照が中心なら検索やRAGを選外にしません。十問で改善が確認できても、学習に使った例と似すぎていない別の十問で再測定し、初見表現へ通用するかを確かめます。
推論側の変更も同時に固定します。温度などの生成設定、システム指示、参照資料、モデルの版が変われば、追加学習以外の差が結果へ混ざるからです。比較表には実行日と設定を残し、一度に変える要素を一つにします。改善が再現しなければ、学習データを増やす前に、採点基準の揺れと入力条件の違いを調べます。
出典・次に読む
- Google Machine Learning Glossary: training、inference、fine-tuningの定義
- Google Supervised Learning: 学習済みモデルを新しい入力へ使う流れ
- Google LLM tuning: プロンプト、微調整、蒸留の役割
- OpenAI Model optimization: 評価と調整を反復する工程
- NIST Generative AI Profile: 生成AIのリスクと確認の枠組み
- 生成AIの仕組みを7段階で確認する
- 生成AIと検索の使い分け
- トークンとコンテキストの基礎
- ハルシネーションの検品手順
執筆・検証情報: テック羅針盤編集部が公開資料の比較と判断表の独自整理を行い、2026-08-23に確認しました。広告・アフィリエイトリンクは含みません。