論文の概要: The Architecture of AI Transformation: Four Strategic Patterns and an Emerging Frontier
- arxiv url: http://arxiv.org/abs/2509.02853v3
- Date: Fri, 12 Sep 2025 02:23:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-15 12:05:48.623989
- 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
- From Horizontal Layering to Vertical Integration: A Comparative Study of the AI-Driven Software Development Paradigm [11.70675405835839]
本稿では,ソフトウェア工学におけるジェネレーティブAI導入の組織的意義について,複数ケース比較研究を通じて検討する。
水平層から垂直層への遷移は資源消費を8倍から33倍に削減する。
我々は,上級技術者のアイドル認知帯域の再活性化など,組織再設計のための管理戦略で締めくくった。
論文 参考訳（メタデータ） (2026-01-30T07:38:16Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - Top 10 Open Challenges Steering the Future of Diffusion Language Model and Its Variants [85.33837131101342]
本稿では,基盤基盤,アルゴリズム最適化,認知推論,統合マルチモーダルインテリジェンスという4つの柱で構成された戦略ロードマップを提案する。
この移行は、複雑な構造的推論、動的自己補正、シームレスなマルチモーダル統合が可能な次世代AIの開発に不可欠である、と我々は主張する。
論文 参考訳（メタデータ） (2026-01-20T14:58:23Z) - The Three Axes of Success: A Three-Dimensional Framework for Career Decision-Making [0.0]
The Three Axes of Success, a normative decision framework decomposing career trajectories into Wealth, Autonomy, and Meaning。
我々は、測定可能なプロキシを通じて各軸を運用し、キャリアアーチタイプを分析し、不確実性の下で逐次的または同時最適化戦略を導出する。
これは、人的資本理論、自己決定理論、効果的な利他主義からの洞察を合理なキャリアデザインのための一貫性のあるアーキテクチャに統合し、キャリア成功に関する最初の統一的な決定論的処理を提供する。
論文 参考訳（メタデータ） (2026-01-16T16:54:56Z) - ORPR: An OR-Guided Pretrain-then-Reinforce Learning Model for Inventory Management [9.138155308817215]
プレトレイン-Then-Reinforce」アプローチは、AIの適応的認識をオペレーションリサーチの構造的厳密さと調和させる。
構造化OR論理で導かれる場合、軽量でドメインインフォームドモデルにより最先端の性能とロバストな転送性が得られることを示す。
論文 参考訳（メタデータ） (2025-12-22T03:39:43Z) - From Accuracy to Impact: The Impact-Driven AI Framework (IDAIF) for Aligning Engineering Architecture with Theory of Change [0.40611352512781873]
インパクト駆動型AIフレームワーク(IDAIF、Impact-Driven AI Framework)は、変化の理論(ToC)と現代の人工知能システム設計を統合する新しいアーキテクチャ方法論である。
IDAIFは、ToCの5段階モデルと対応するAIアーキテクチャレイヤの体系的なマッピングを確立することで、このギャップに対処する。
3つのケーススタディは、医療、サイバーセキュリティ、ソフトウェアエンジニアリングドメインにまたがるIDAIFアプリケーションを実証している。
論文 参考訳（メタデータ） (2025-12-09T10:21:02Z) - AI Exchange Platforms [1.143498094481099]
人工知能の組織技術フレームワークへの迅速な統合は、組織がAI駆動モデルに関わる方法を変えました。
AIモデル交換のための構造化プラットフォームの重要性は、組織的有効性と適応性において最重要になっている。
本稿では,急速に成長するAIモデル交換領域における技術,ビジネスモデル,ユーザエンゲージメントの動的相互作用を理解するための重要なリソースとして機能する。
論文 参考訳（メタデータ） (2025-10-07T19:19:25Z) - 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) - When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。
最初の大規模人間実験(N=118)を行い,その測定を行った。
2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
論文 参考訳（メタデータ） (2025-06-05T20:48:16Z) - 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。