論文の概要: The Architecture of AI Transformation: Four Strategic Patterns and an Emerging Frontier

• arxiv url: http://arxiv.org/abs/2509.02853v2
• Date: Wed, 10 Sep 2025 23:07:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 11:47:11.863521
• Title: The Architecture of AI Transformation: Four Strategic Patterns and an Emerging Frontier
• Title（参考訳）: AIトランスフォーメーションのアーキテクチャ:4つの戦略的パターンと新たなフロンティア
• Authors: Diana A. Wolfe, Alice Choe, Fergus Kidd,
• Abstract要約: 95%の企業が、AIデプロイメントによる測定可能な利益の影響を報告していない。 本稿では,AI戦略を2つの独立した次元に沿って再認識する2x2フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite extensive investment in artificial intelligence, 95% of enterprises report no measurable profit impact from AI deployments (MIT, 2025). In this theoretical paper, we argue that this gap reflects paradigmatic lock-in that channels AI into incremental optimization rather than structural transformation. Using a cross-case analysis, we propose a 2x2 framework that reconceptualizes AI strategy along two independent dimensions: the degree of transformation achieved (incremental to transformational) and the treatment of human contribution (reduced to amplified). The framework surfaces four patterns now dominant in practice: individual augmentation, process automation, workforce substitution, and a less deployed frontier of collaborative intelligence. Evidence shows that the first three dimensions reinforce legacy work models and yield localized gains without durable value capture. Realizing collaborative intelligence requires three mechanisms: complementarity (pairing distinct human and machine strengths), co-evolution (mutual adaptation through interaction), and boundary-setting (human determination of ethical and strategic parameters). Complementarity and boundary-setting are observable in regulated and high-stakes domains; co-evolution is largely absent, which helps explain limited system-level impact. Our findings in a case study analysis illustrated that advancing toward collaborative intelligence requires material restructuring of roles, governance, and data architecture rather than additional tools. The framework reframes AI transformation as an organizational design challenge: moving from optimizing the division of labor between humans and machines to architecting their convergence, with implications for operating models, workforce development, and the future of work.
• Abstract（参考訳）: 人工知能への巨額の投資にもかかわらず、95%の企業がAIデプロイメント(MIT、2025)による測定可能な利益の影響を報告していない。 この理論的な論文では、このギャップはAIを構造的変換ではなく漸進的な最適化へと導くパラダイム的ロックインを反映していると論じている。 クロスケース分析を用いて,AI戦略を2つの独立した次元に沿って再認識する2x2フレームワークを提案する。 このフレームワークは、個別の強化、プロセスの自動化、労働力の代替、コラボレーションインテリジェンス(コラボレーティブ・インテリジェンス)の非デプロイのフロンティアという、4つのパターンを実際に支配している。 証拠は、最初の3つの次元がレガシーな作業モデルを強化し、永続的な価値取得なしに局所的な利得が得られることを示している。 協調的な知性を実現するには、相補性(人間と機械の強度を区別する)、共進化(相互作用による相互適応)、境界設定(倫理的および戦略的パラメータの人間の決定)の3つのメカニズムが必要である。 相補性と境界設定は、規制された高レベルの領域で観測可能であり、共進化はほとんど欠落しており、システムレベルへの影響の制限を説明するのに役立つ。 私たちのケーススタディ分析では、協力的なインテリジェンスに進むためには、追加ツールではなく、役割、ガバナンス、データアーキテクチャの物質的再構成が必要であることが示されています。 このフレームワークは、AI変換を組織設計の課題として再編成する。人間と機械の間の労働の分割を最適化することから、その収束を設計することへの移行。

関連論文リスト

• AI Flow: Perspectives, Scenarios, and Approaches [51.38621621775711]
  私たちは最先端のITとCTの進歩を統合するフレームワークであるAI Flowを紹介します。 まず、デバイスエッジクラウドフレームワークは、エンドデバイス、エッジサーバ、クラウドクラスタを統合する基盤として機能する。 第2に,家族モデルの概念を導入し,同列に隠れた特徴を持つ様々なサイズのモデルに言及する。 第3に、コネクティビティとインタラクションに基づくインテリジェンスの出現は、AI Flowの新たなパラダイムである。
  論文  参考訳（メタデータ） (2025-06-14T12:43:07Z)
• OWL: Optimized Workforce Learning for General Multi-Agent Assistance in Real-World Task Automation [65.15955645757705]
  専門的な実行から戦略的計画を切り離す階層的なマルチエージェントフレームワークであるWorkforceを紹介します。 推論中、Workforceはワーカーエージェントの追加や修正によって新しいドメインにシームレスに適応する。 トレーニングには、ドメイン間の一般化を改善する最適化されたワークフォース学習(OWL)を導入する。
  論文  参考訳（メタデータ） (2025-05-29T17:51:58Z)
• Situationally-Aware Dynamics Learning [57.698553219660376]
  隠れ状態表現のオンライン学習のための新しいフレームワークを提案する。 提案手法は、非観測パラメータが遷移力学と報酬構造の両方に与える影響を明示的にモデル化する。 シミュレーションと実世界の両方の実験は、データ効率、ポリシー性能、安全で適応的なナビゲーション戦略の出現を著しく改善した。
  論文  参考訳（メタデータ） (2025-05-26T06:40:11Z)
• Feature Interaction Aware Automated Data Representation Transformation [27.26916497306978]
  我々は,マルコフ決定過程をカスケードした階層的強化学習構造を開発し,特徴選択と操作選択を自動化する。 我々は、選択された特徴間の相互作用強度に基づいてエージェントに報酬を与える。その結果、人間の意思決定をエミュレートする特徴空間をインテリジェントかつ効率的に探索する。
  論文  参考訳（メタデータ） (2023-09-29T06:48:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。