論文の概要: AI Strategy: How to Choose What AI Product to Implement
- arxiv url: http://arxiv.org/abs/2607.23733v1
- Date: Sun, 26 Jul 2026 16:05:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.213755
- Title: AI Strategy: How to Choose What AI Product to Implement
- Title（参考訳）: AI戦略 - 実装するAI製品を選択する方法
- Abstract要約: 企業は支払いを行うAIプロジェクトを選択するのに苦労している。
2つのプロジェクトは、スマートでモチベーションの高い利害関係者にも同じように期待できるが、反対の決定に値する。
それぞれの賭けを3つのコンポーネントに分解するフレームワークである期待ROIを提示します。
- 参考スコア（独自算出の注目度）: 0.14323566945483493
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Firms struggle to choose AI projects that pay off: two projects can look equally promising to smart, motivated stakeholders and yet deserve opposite decisions. At the residential real-estate brokerage Compass, one AI product (Likely-to-Sell recommendations) flagged sales outreach opportunities and went on to account for nine figures in annual gross commission revenue. Another championed AI product (a Time-on-Market pricing tool) was rightly shelved. A simple ROI estimate could not distinguish the two. We present expected ROI (eROI), a framework that decomposes each bet into three components and rates them separately: Value if Successful, Likelihood of Success, and Investment Required. Each maps to a question executives can answer before building: How valuable would it be if it worked? How likely is it to work? And what would it cost to implement? Separating the three breaks a common catch-22: teams cannot estimate ROI until they know whether a project will work, yet cannot know whether it will work without building it. Judging Value if Successful on its own dissolves the loop, letting a team argue that a product would be valuable if it worked while it weighs how likely that is. The framework also asks, before ranking anything, whether there are enough good ideas on the table. After ranking, it guides assembling a portfolio of bets rather than funding only the single top-ranked project. We illustrate eROI on Compass's candidate AI products. Precise ROI estimates are hard to make given the inherent uncertainty of AI projects. Coarse business-level ratings of the three components are enough to tell strong bets from weak ones.
- Abstract（参考訳）: 2つのプロジェクトは利口で動機づけられた利害関係者に等しく有望に見えるが、反対の決定に値する。
住宅不動産ブローカーのCompassでは、AI製品(いいね!
もうひとつのチャンピオンとなったAI製品(Time-on-Marketの価格設定ツール)は、正しく棚上げされた。
単純なROI推定では両者を区別できなかった。
それぞれの賭けを3つのコンポーネントに分解し、それらを別々に評価するフレームワークである期待ROI(eROI)を紹介します。
それぞれのマップは、構築前に答えられる。
どれくらいの確率で機能しますか。
実装に要するコストは?
チームは、プロジェクトがうまくいくかどうかを知らなければROIを見積もることができません。
価値を判断する 成功すればループは解消され、製品が機能する一方で、それがどの程度の確率で機能するかをチームが議論するようになる。
フレームワークは、何でもランク付けする前に、テーブル上に十分な良いアイデアがあるかどうかを尋ねる。
ランク付け後、単一のトップランクのプロジェクトだけに資金を提供するのではなく、賭けのポートフォリオを組み立てるガイドとなる。
我々は、Compassの候補となるAI製品についてeROIを説明します。
AIプロジェクトの本質的な不確実性を考えると、ROIの正確な推定は難しい。
3つのコンポーネントのビジネスレベルの粗末な評価は、弱いコンポーネントからの強い賭けを示すのに十分です。
関連論文リスト
- AI Research Preference Models [87.14303218008381]
研究エージェントは、独自の機械学習実験を提案し、実装し、評価することができる。
フロンティア作業の進行は コストで妨げられています
我々は、複数の候補ソリューションのどれが実行価値が最も高いかを予測するAI Research Preference Models(RPM)を紹介する。
論文 参考訳（メタデータ） (2026-08-14T04:20:37Z) - How Much Due Diligence Before You Bid? Learning in Intractable Takeover Auctions [0.0]
2つの会社が同じターゲットを買おうとするが、その目標がどんなものなのか正確には誰も知らない。
入札者は、入札前に個人で見積もる、費用がかかる不完全な宿題を支払う。
入札コンテストのシンプルなコンピュータモデルを構築し、自分たちと対戦して入札をうまく教える。
論文 参考訳（メタデータ） (2026-06-28T15:21:27Z) - Framing, Judging, Steering: An Assessable Competency Model for Teach-ing Students to Reason With Generative AI [47.027290803102666]
生産的AI利用を3つの評価可能なスキルに分解する能力モデルであるCoRe-3(Co-Reasoning)を提案する。
理論上のスキルを基盤として、5つのテスト可能な提案を述べ、それらをCoReasoningLabでインスタンス化します。
人為的な合意と成果が次々に行われます。私たちは、計測器、データ、プロトコルをリリースします。
論文 参考訳（メタデータ） (2026-06-04T10:25:31Z) - A paradox of AI fluency [28.34945398004834]
流動的なユーザは初心者よりも複雑なタスクをこなし、根本的に異なるインタラクションモードを採用しています。
これらの違いはAIのパラドックスにつながります。
個人は受動的受け入れよりも積極的エンゲージメントのスタンスを採用するべきである。
論文 参考訳（メタデータ） (2026-04-28T17:51:13Z) - The Hot Mess of AI: How Does Misalignment Scale With Model Intelligence and Task Complexity? [53.15349353876531]
AIがより有能になるにつれて、より汎用的で簡潔なタスクを委任します。
我々はAIモデルによる誤りのバイアス分散分解を用いてこの問題を運用する。
より有能なAIはより困難なタスクを追求し、よりシーケンシャルな行動と思考を必要とするので、私たちの結果は失敗がより一貫性のない行動を伴うことを予測します。
論文 参考訳（メタデータ） (2026-01-30T14:52:03Z) - The Machine Learning Canvas: Empirical Findings on Why Strategy Matters More Than AI Code Generation [0.0]
機械学習(ML)プロジェクトの80%以上は、本当のビジネス価値を提供できない。
我々は,150人のデータサイエンティストを調査し,統計モデルを用いて回答を分析した。
AIアシスタントはコーディングを高速化するが、成功は保証しない。
論文 参考訳（メタデータ） (2026-01-05T07:02:58Z) - What Is Your AI Agent Buying? Evaluation, Implications and Emerging Questions for Agentic E-Commerce [1.998857368899133]
プラットフォームに依存しないエージェントと完全にプログラム可能なモックマーケットプレースを組み合わせたサンドボックス環境を開発した。
まず、集合的な選択を探索し、モデル間でモーダルな選択が異なることを明らかにする。
次に、合理性チェックと、製品の位置と属性の列挙に関するランダム化実験により、選択のドライバを分析します。
論文 参考訳（メタデータ） (2025-08-04T17:19:36Z) - Evaluating Intelligence via Trial and Error [59.80426744891971]
本研究では,試行錯誤プロセスにおける失敗回数に基づいて知性を評価するためのフレームワークとして,Survival Gameを紹介した。
フェールカウントの期待と分散の両方が有限である場合、新しい課題に対するソリューションを一貫して見つける能力を示す。
我々の結果は、AIシステムは単純なタスクで自律レベルを達成するが、より複雑なタスクではまだまだ遠いことを示している。
論文 参考訳（メタデータ） (2025-02-26T05:59:45Z) - How Performance Pressure Influences AI-Assisted Decision Making [52.997197698288936]
我々は、プレッシャーと説明可能なAI(XAI)技術がAIアドバイステイク行動とどのように相互作用するかを示す。
我々の結果は、圧力とXAIの異なる組み合わせで複雑な相互作用効果を示し、AIアドバイスの行動を改善するか、悪化させるかのどちらかを示す。
論文 参考訳（メタデータ） (2024-10-21T22:39:52Z) - Improving Language Model Negotiation with Self-Play and In-Context
Learning from AI Feedback [97.54519989641388]
交渉ゲームにおいて,複数大言語モデル(LLM)が,遊び,振り返り,批判によって自律的に互いに改善できるかどうかを検討する。
私たちが考慮している言語モデルのサブセットだけが、AIフィードバックから自己プレイし、取引価格を改善することができます。
論文 参考訳（メタデータ） (2023-05-17T11:55:32Z) - The Who in XAI: How AI Background Shapes Perceptions of AI Explanations [61.49776160925216]
私たちは、2つの異なるグループ、つまりAIのバックグラウンドを持つ人々といない人たちの、異なるタイプのAI説明に対する理解について、混合手法による研究を行います。
その結果,(1) 両群は異なる理由から不合理な数に対する信頼を示し,(2) それぞれの群は意図した設計以上の異なる説明に価値を見出した。
論文 参考訳（メタデータ） (2021-07-28T17:32:04Z)
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。