論文の概要: Governing the Agentic Enterprise: A Governance Maturity Model for Managing AI Agent Sprawl in Business Operations

• arxiv url: http://arxiv.org/abs/2604.16338v1
• Date: Fri, 13 Mar 2026 14:35:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.905888
• Title: Governing the Agentic Enterprise: A Governance Maturity Model for Managing AI Agent Sprawl in Business Operations
• Title（参考訳）: AIエージェントのビジネス運用におけるスプロール管理のためのガバナンス成熟度モデル
• Authors: Vivek Acharya,
• Abstract要約: 組織は、コントロールされていないエージェントのスプロールに直面します。 この課題の認知度は高まるが、学術文献には正式な、実証的に検証されたガバナンス成熟度モデルがない。 本稿では、12のガバナンスドメインにまたがる5段階のフレームワークであるエージェントAIガバナンス成熟度モデル(AAGMM)を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rapid adoption of agentic AI in enterprise business operations--autonomous systems capable of planning, reasoning, and executing multi-step workflows--has created an urgent governance crisis. Organizations face uncontrolled agent sprawl: the proliferation of redundant, ungoverned, and conflicting AI agents across business functions. Industry surveys report that only 21% of enterprises have mature governance models for autonomous agents, while 40% of agentic AI projects are projected to fail by 2027 due to inadequate governance and risk controls. Despite growing acknowledgment of this challenge, academic literature lacks a formal, empirically validated governance maturity model connecting governance capability to measurable business outcomes. This paper introduces the Agentic AI Governance Maturity Model (AAGMM), a five-level framework spanning 12 governance domains, grounded in NIST AI RMF and ISO/IEC 42001 standards. We additionally propose a novel taxonomy of agent sprawl patterns--functional duplication, shadow agents, orphaned agents, permission creep, and unmonitored delegation chains--each linked to quantifiable business cost models. The framework is validated through 750 simulation runs across five enterprise scenarios and five governance maturity levels, measuring business outcomes including cost containment, risk incident rates, operational efficiency, and decision quality. Results demonstrate statistically significant differences (p < 0.001, large effect sizes d > 2.0) between all governance maturity levels, with Level 4-5 organizations achieving 94.3% lower sprawl indices, 96.4% fewer risk incidents, and 32.6% higher effective task completion rates compared to Level 1. The AAGMM provides practitioners with an actionable roadmap for governing autonomous AI agents while maximizing business returns.
• Abstract（参考訳）: エンタープライズビジネスオペレーションにおけるエージェントAIの急速な採用 — 計画、推論、実行が可能な自律システム — は、緊急のガバナンス危機を生み出しました。 組織は、管理されていないエージェントのスプロールに直面します。ビジネス機能全体で、冗長で、過剰で、競合するAIエージェントの急増です。 業界調査では、自律エージェントの成熟したガバナンスモデルを持つ企業は21%に過ぎず、エージェントAIプロジェクトの40%は、ガバナンスとリスク管理が不十分なため、2027年までに失敗すると予測されている。 学術文献では、この課題の認知度が高まるにもかかわらず、ガバナンス能力と測定可能なビジネス成果を結びつける、正式な、実証的に検証されたガバナンス成熟モデルが欠如している。 本稿では,NIST AI RMFとISO/IEC 42001標準に基づく,12のガバナンスドメインにまたがる5レベルフレームワークであるエージェントAIガバナンス成熟度モデル(AAGMM)を紹介する。 さらに,機能的重複,シャドウエージェント,孤児エージェント,パーミッションクリープ,および監視不能デリゲートチェーンの新たな分類法を提案する。 このフレームワークは5つのエンタープライズシナリオと5つのガバナンス成熟度レベルにわたって750のシミュレーションを実行し、コスト封じ込め、リスクインシデント率、運用効率、意思決定品質などのビジネス成果を測定します。 その結果、すべてのガバナンス成熟度レベル間で統計的に有意な差(p < 0.001、大きな効果サイズ d > 2.0)を示し、レベル4-5の組織は94.3%低いスプロール指数、96.4%低いリスクインシデント、32.6%高い効果的なタスク完了率を示した。 AAGMMは、ビジネスリターンを最大化しながら自律的なAIエージェントを管理するための実行可能なロードマップを提供する。

関連論文リスト

• OccuBench: Evaluating AI Agents on Real-World Professional Tasks via Language Environment Simulation [57.505743202759646]
  OccuBenchは10の業界カテゴリと65の専門ドメインにわたる100の現実のプロフェッショナルタスクシナリオをカバーするベンチマークである。 我々のマルチエージェント合成パイプラインは, 可溶性, 校正困難, 文書基底の多様性を保証した評価インスタンスを自動生成する。
  論文  参考訳（メタデータ） (2026-04-13T00:27:32Z)
• AI TIPS 2.0: A Comprehensive Framework for Operationalizing AI Governance [0.0]
  組織はユースケースレベルでの不適切なリスク評価に苦しむ。 ISO 42001やNIST AI RMFのような既存のフレームワークは高い概念レベルを維持している。 開発ライフサイクル全体にAIプラクティスを組み込むための体系的なアプローチはない。
  論文  参考訳（メタデータ） (2025-12-09T20:57:22Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Towards Outcome-Oriented, Task-Agnostic Evaluation of AI Agents [1.0305173936249623]
  白書では、AIエージェントの成果に基づくタスク非依存のパフォーマンス指標11の新たなフレームワークを提案する。 本稿では、ゴール完了率(GCR)、自律度指数(AIx)、マルチステップタスクレジリエンス(MTR)、ビジネスインパクト効率(BIE)などの指標を紹介する。 この結果から, エージェント設計の相違が顕著であり, ハイブリットエージェントを一貫した高性能モデルとして強調した。
  論文  参考訳（メタデータ） (2025-11-11T13:40:46Z)
• LIMI: Less is More for Agency [49.63355240818081]
  LIMI(Less Is More for Intelligent Agency)は、機関が根本的に異なる開発原則に従うことを示す。 高度なエージェント・インテリジェンスは、最小でも戦略的にキュレートされた自律行動のデモンストレーションから生まれる可能性がある。 マシンの自律性はデータの豊富さではなく、高品質なエージェント実証の戦略的キュレーションから生まれる。
  論文  参考訳（メタデータ） (2025-09-22T10:59:32Z)
• Security Challenges in AI Agent Deployment: Insights from a Large Scale Public Competition [101.86739402748995]
  44の現実的なデプロイメントシナリオを対象とした,22のフロンティアAIエージェントを対象にしています。 Agent Red Teamingベンチマークを構築し、19の最先端モデルで評価します。 私たちの発見は、今日のAIエージェントの重要かつ永続的な脆弱性を浮き彫りにしたものです。
  論文  参考訳（メタデータ） (2025-07-28T05:13:04Z)
• Agentic Business Process Management: Practitioner Perspectives on Agent Governance in Business Processes [0.7270112855088837]
  生成AIの台頭に伴い、ソフトウェアエージェントへの産業的関心が高まりつつある。 本稿では,組織がAIエージェントを効果的に管理する方法を検討する。 AIエージェントの採用に責任を負う6つの重要な推奨事項を概説している。
  論文  参考訳（メタデータ） (2025-03-23T20:15:24Z)

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。