論文の概要: Strategic Decision Framework for Enterprise LLM Adoption

• arxiv url: http://arxiv.org/abs/2511.18589v1
• Date: Sun, 23 Nov 2025 19:05:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.912568
• Title: Strategic Decision Framework for Enterprise LLM Adoption
• Title（参考訳）: 企業LSM導入のための戦略決定フレームワーク
• Authors: Michael Trusov, Minha Hwang, Zainab Jamal, Swarup Chandra,
• Abstract要約: 大規模言語モデル(LLM)は、コンテンツ生成、コーディング支援、プロセス自動化に強力な機能を提供する。 本稿では,LSM導入のための系統的な6段階決定フレームワークについて述べる。 ビジネスリーダが技術的能力とビジネス目標を整合させるための実践的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Organizations are rapidly adopting Large Language Models (LLMs) to transform their operations, yet they lack clear guidance on key decisions for adoption and implementation. While LLMs offer powerful capabilities in content generation, assisted coding, and process automation, businesses face critical challenges in data security, LLM solution development approach, infrastructure requirements, and deployment strategies. Healthcare providers must protect patient data while leveraging LLMs for medical analysis, financial institutions need to balance automated customer service with regulatory compliance, and software companies seek to enhance development productivity while maintaining code security. This article presents a systematic six-step decision framework for LLM adoption, helping organizations navigate from initial application selection to final deployment. Based on extensive interviews and analysis of successful and failed implementations, our framework provides practical guidance for business leaders to align technological capabilities with business objectives. Through key decision points and real-world examples from both B2B and B2C contexts, organizations can make informed decisions about LLM adoption while ensuring secure and efficient integration across various use cases, from customer service automation to content creation and advanced analytics.
• Abstract（参考訳）: 大規模言語モデル(LLM)を急速に採用して運用を変革しているが、採用と実装に関する重要な決定に関する明確なガイダンスが欠如している。 LLMは、コンテンツ生成、コーディング支援、プロセス自動化において強力な機能を提供しますが、ビジネスは、データセキュリティ、LLMソリューション開発アプローチ、インフラストラクチャ要件、デプロイメント戦略において重要な課題に直面しています。 医療提供者は、医療分析にLLMを活用しながら患者のデータを保護する必要があり、金融機関は、自動化された顧客サービスと規制コンプライアンスのバランスをとる必要があり、ソフトウェア会社は、コードセキュリティを維持しながら、開発生産性を向上させることを目指している。 この記事では、LSM導入のための体系的な6段階の決定フレームワークを示し、組織がアプリケーションの初期選択から最終デプロイまでをナビゲートするのを手助けします。 我々のフレームワークは、成功と失敗の広範なインタビューと分析に基づいて、ビジネスリーダーが技術的能力とビジネス目標を整合させるための実践的なガイダンスを提供する。 B2BとB2Cの両方のコンテキストから重要な意思決定ポイントと実世界の例を通じて、企業は、顧客サービス自動化からコンテンツ生成、高度な分析に至るまで、さまざまなユースケースにわたるセキュアで効率的な統合を確保しながら、LLMの採用に関する情報的な決定を行うことができる。

関連論文リスト

• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• LLM-Powered AI Agent Systems and Their Applications in Industry [3.103098467546532]
  LLM(Large Language Models)はエージェントシステムである。 タスクスコープが制限された従来のルールベースのエージェントとは異なり、LLMベースのエージェントはより柔軟性、ドメイン間の推論、自然言語の相互作用を提供する。
  論文  参考訳（メタデータ） (2025-05-22T01:52:15Z)
• Embodied Agent Interface: Benchmarking LLMs for Embodied Decision Making [85.24399869971236]
  我々は,大規模言語モデル(LLM)を具体的意思決定のために評価することを目指している。 既存の評価は最終的な成功率にのみ依存する傾向がある。 本稿では,様々なタスクの形式化を支援する汎用インタフェース (Embodied Agent Interface) を提案する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:00Z)
• Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• On Large Language Models in National Security Applications [2.7624021966289605]
  2023年初頭のGPT-4の圧倒的な成功は、国家安全保障を含む様々な分野にわたる大規模言語モデル(LLM)の変革の可能性を強調した。 本稿では,情報処理,意思決定,運用効率に革命をもたらす可能性を分析し,国家安全保障におけるLLM統合の意義について考察する。
  論文  参考訳（メタデータ） (2024-07-03T18:53:22Z)
• FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design [11.913409501633616]
  textscFinMemは、金融上の意思決定のために考案された新しいLLMベースのエージェントフレームワークである。 textscFinMemのメモリモジュールは、人間のトレーダーの認知構造と密接に一致し、堅牢な解釈性を提供する。 このフレームワークは、エージェントが専門知識を自己開発し、新しい投資方法にアジャイルに反応し、取引決定を継続的に洗練することを可能にする。
  論文  参考訳（メタデータ） (2023-11-23T00:24:40Z)

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。