論文の概要: Nonuniformity Principle in Human-AI Coworking

• arxiv url: http://arxiv.org/abs/2607.16530v1
• Date: Fri, 17 Jul 2026 22:10:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.175204
• Title: Nonuniformity Principle in Human-AI Coworking
• Title（参考訳）: 人間-AI協調作業における不均一原理
• Abstract要約: 生成AIでは、AI生成出力の品質を保証するためには、人間の判断と関与が不可欠である。 人間の専門家は、しばしば中間出力をレビューし、フィードバックを与え、修正し、その後のステップをステアリングすることで、AIを定期的に監視することが望ましい。 これにより、人間の監視の必要性と、より少ない介入でより多くのアウトプットを提供するAIの効率との間に緊張が生じます。
• 参考スコア（独自算出の注目度）: 7.8976567245659615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As generative AI is increasingly applied to automate multi-step and high-stake workflows, human judgment and involvement remain essential for ensuring the quality of AI-generated outputs. In practice, while it is desirable for human experts to provide oversight on AI regularly, often by reviewing intermediate outputs, giving feedback, making corrections, and steering subsequent steps, such oversight is constrained by the time and resources that humans can afford. This creates a tension between the need for human oversight and AI's efficiency in delivering more output with less intervention. An important but underexplored question, then, is how to optimally engage humans in human-AI coworking. This work was originally motivated by our empirical observation that in long AI workflows, human oversight often improves user satisfaction while reducing unnecessary rework and token consumption. From there, we formulate the problem of where to place oversight stages in human-AI coworking. Under reasonable assumptions, we then develop the nonuniformity principle, which states that the optimal schedule places oversight stages with non-decreasing gaps along the workflow. We empirically validate this principle in two common AI agent workflows: writing literature reviews and constructing websites.
• Abstract（参考訳）: 生成AIが多段階および高レベルのワークフローの自動化にますます応用されているため、AI生成出力の品質を保証するためには、人間の判断と関与が不可欠である。 実際には、人間の専門家が定期的にAIの監視を行うことが望ましいが、しばしば中間出力をレビューし、フィードバックを与え、修正し、その後のステップを操ることによって、人間が利用できる時間とリソースによって、そのような監視が制限される。 これにより、人間の監視の必要性と、より少ない介入でより多くのアウトプットを提供するAIの効率との間に緊張が生じます。 重要なのは、人間とAIのコワーキングをいかに最適に行うかだ。 この作業は元々、長期にわたるAIワークフローにおいて、人間の監視がユーザの満足度を向上させると同時に、不要な再作業やトークン消費を減らす、という経験的な観察に動機づけられたものです。 そこから,人間とAIの協調作業における監視段階の配置に関する問題を定式化する。 妥当な仮定の下では、最適なスケジュールはワークフローに沿って非減少的なギャップを持つ過度なステージを配置する、という不均一性原理を開発する。 私たちはこの原則を2つの一般的なAIエージェントワークフローで実証的に検証します。

関連論文リスト

• When Does AI Augment Work? A Workflow-Level Framework for Human-Agent Collaboration [78.16115745870405]
  職場における人工知能の価値を特徴付けることを目的としている。 現在の研究は、この価値を、現在の自動化能力とAIの公的な採用の観点から大きく測定している。 これを考慮するためには、今日の微粒化タスクを超えて分析の範囲を広げなければならない。
  論文  参考訳（メタデータ） (2026-09-11T06:29:34Z)
• The Scaling Paradox in Human-AI Collaboration [2.1771821757134915]
  我々は,AIによる経験的スケーリングの利点が,人間とAIのジョイントシステムの性能向上にどのように変換されるかを調べるための分析モデルを構築した。 人間のAI能力の正確な認識が得られれば,AIがスケールアップするにつれて,人間のAIシステムの性能が肯定的にスケールできることが示される。 さらに、コスト内部化や認識アライメントといった運用方針を通じて、企業がこれらの歪みを積極的に管理できることを示します。
  論文  参考訳（メタデータ） (2026-08-01T18:51:50Z)
• The Boundaries of Automation: A Theory of Persistent Human Participation [107.84677954791773]
  高い能力を持つAIシステムであっても、人間の参加は継続する可能性がある、と私たちは主張する。 一部のアクティビティでは、ターゲットは事前に完全に指定されるのではなく、代わりにインタラクション自体を通じて現れる。 この観点は、自動化の限界に重要な意味を持つ。
  論文  参考訳（メタデータ） (2026-07-23T17:33:43Z)
• Align When They Want, Complement When They Need! Human-Centered Ensembles for Adaptive Human-AI Collaboration [13.041288521972563]
  人間とAIの意思決定において、人間の専門知識を補完するAIを設計することは、人間とAIのコラボレーションを強化する自然な戦略である。 一致したAIは、信頼を育みながら、最適な人間の行動を補強し、人間とAIチームのパフォーマンスを低下させるリスクを負う。 我々は、2つの専門的AIモデルの間で戦略的に切り替える、人間中心の適応型AIアンサンブルを新たに導入する。
  論文  参考訳（メタデータ） (2026-02-23T18:22:58Z)
• How Do AI Agents Do Human Work? Comparing AI and Human Workflows Across Diverse Occupations [112.57167042285437]
  エージェントが人間とエージェントの労働者の直接比較を初めて提示することで、エージェントがどのように人間の仕事をするかを考察する。 結果が88.3%速く、コストが90.4-96.2%低いことが判明した。
  論文  参考訳（メタデータ） (2025-10-26T18:10:22Z)
• Modeling AI-Human Collaboration as a Multi-Agent Adaptation [0.0]
  タスクの関数としてAIと人間のコラボレーションを形式化するエージェントベースのシミュレーションを開発する。 モジュラータスクでは、AIが人間の代わりになることが多いことを示します。 また、記憶や構造が欠如している「幻覚的」AIでさえ、ローカルオプティマから逃れることによって、低能力な人間を増強することで、結果を改善することも示しています。
  論文  参考訳（メタデータ） (2025-04-29T16:19:53Z)
• Human aversion? Do AI Agents Judge Identity More Harshly Than Performance [0.06554326244334868]
  我々は,大規模言語モデルに基づくAIエージェントがどのように人間の入力を評価し,統合するかを検討する。 AIシステムは人間のアドバイスを体系的に減らし、アルゴリズムの誤りよりも人間の誤りを厳しく罰する。
  論文  参考訳（メタデータ） (2025-03-31T02:05:27Z)
• The Model Mastery Lifecycle: A Framework for Designing Human-AI Interaction [0.0]
  ますます多くの分野におけるAIの利用は、長いプロセスの最新のイテレーションである。 異なる状況でAIをどのように使うべきかを決定する方法が緊急に必要である。
  論文  参考訳（メタデータ） (2024-08-23T01:00:32Z)
• Position: Towards Bidirectional Human-AI Alignment [109.57781720848669]
  我々は、人間とAIの双方向的・動的関係を説明するために、研究コミュニティは「調整」を明確に定義し、批判的に反映すべきであると主張する。 このフレームワークは、AIと人間の価値を整合させる従来の取り組みを取り入れているだけでなく、人間とAIを整合させるという、重要で未解明の次元も導入しています。
  論文  参考訳（メタデータ） (2024-06-13T16:03:25Z)
• Exploration with Principles for Diverse AI Supervision [88.61687950039662]
  次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。 この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。 この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。 本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:03:39Z)
• BO-Muse: A human expert and AI teaming framework for accelerated experimental design [58.61002520273518]
  我々のアルゴリズムは、人間の専門家が実験プロセスでリードすることを可能にする。 我々のアルゴリズムは、AIや人間よりも高速に、サブ線形に収束することを示す。
  論文  参考訳（メタデータ） (2023-03-03T02:56:05Z)

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。