論文の概要: The Deployment Wall: A Diagnostic Framework and Instrument for Enterprise AI in the Deployment Era
- arxiv url: http://arxiv.org/abs/2607.29089v1
- Date: Fri, 31 Jul 2026 07:16:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.642483
- Title: The Deployment Wall: A Diagnostic Framework and Instrument for Enterprise AI in the Deployment Era
- Title（参考訳）: デプロイメントウォール: デプロイメント時代のエンタープライズAIのための診断フレームワークと機器
- Abstract要約: 生成人工知能への企業投資は1年で3倍になり、約37億ドルとなった。
フィールドリサーチは、企業生成AIパイロットの約95%が、測定可能な利益と損失のインパクトを与えていないことを発見した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enterprise investment in generative artificial intelligence (AI) tripled in a single year to roughly US$37 billion, yet independent field research finds that about 95% of enterprise generative-AI pilots deliver no measurable profit-and-loss impact. We argue that the dominant explanation--that models are not yet capable enough--is mistaken, and that enterprise AI has entered a Deployment Era in which advantage derives not from model intelligence but from the removal of the organizational and architectural friction that prevents a capable model from reaching production. Building on the software-engineering literature on technical debt and machine-learning deployment, and on a structured synthesis of independent field studies, we make the diagnosis operational. We introduce three linked constructs and one measurement instrument: the Deployment Wall, a six-stage value-leak model that mechanically reproduces observed survival rates; the Seam Index, a reproducible 0-12 diagnostic that scores any platform by how many of six recurring friction "seams" it removes natively rather than leaving to the adopter; and Deployment Debt, a construct that reframes unresolved friction as a compounding, quantifiable liability. We specify a scoring protocol with evidence anchors so the instrument can be applied consistently, illustrate it on a worked platform-selection example, and derive six falsifiable propositions with a research agenda for validation. The framework converts an eight-figure platform decision from a benchmark comparison into an architecture comparison.
- Abstract（参考訳）: 生成人工知能(AI)への企業投資は1年で3倍に増加し、約37億ドルとなったが、独立分野の研究によると、企業生成AIのパイロットの95%が、測定可能な利益と損失のインパクトを与えていない。
エンタープライズAIは、モデルインテリジェンスからではなく、有能なモデルが生産に到達できないような組織的およびアーキテクチャ的な摩擦を取り除くことによる利点を生んでいる。
技術的負債と機械学習の展開に関するソフトウェア工学的な文献と、独立したフィールド研究の構造化された合成に基づいて、診断を運用する。
実験では, 生存率を機械的に再現する6段階の値リークモデルであるDeployment Wall, 再現可能な0-12の診断指標であるSeam Index, 繰り返し発生する6つの摩擦"シーム"のうち何個かのプラットフォームにスコアを付けることで, 適用者へ移動するのではなく, ネイティブに除去する Deployment Debt, 複雑で定量的な負債として未解決摩擦を再構成する Deployment Debt の3つの構造と測定機器を紹介した。
我々は,エビデンスアンカーを付したスコアリングプロトコルを定め,その機器を一貫して適用し,動作するプラットフォーム選択の例に説明し,検証のための研究議題で6つの偽候補を導出する。
このフレームワークは、8桁のプラットフォーム決定をベンチマーク比較からアーキテクチャ比較に変換する。
関連論文リスト
- Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative Artificial Intelligence [86.61561123749011]
Apodex Discovery(アポデックスディスカバリー)は、重度解法を用いて発見的AIを構築し評価するためのフレームワークである。
まず16のセクターで511の業界を調査し、423の高価値現実問題を集め、最初のリリースで20を選定した。
第二に、共通の環境-タスク-エピソード抽象化は、データ、ツール、制約、フィードバック、軌跡記録、中間成果物と最終提出物の検証を提供する。
論文 参考訳（メタデータ） (2026-08-11T18:48:40Z) - Risk Architecture for AI-Native Engineering Teams: An Organizational Framework for Agentic System Governance [0.0]
本稿では、純粋なソフトウェアエンジニアリング、ハイブリッド、AIネイティブチームを区別する7次元プロファイルを提供する。
研究の対象は人間の行動よりもフレームワークの妥当性にあるため、評価は観察されたカバレッジクレームよりも導出される。
論文 参考訳（メタデータ） (2026-07-01T19:31:02Z) - Template-as-Ontology: Configurable Synthetic Data Infrastructure for Cross-Domain Manufacturing AI Validation [0.0]
1つのPython構成モジュールは、タイムステップ製造シミュレータの仕様として機能する。
5層パイプライン-シミュレート、CDC/Icebergレイクハウス、スタースキーマ、12のパラメータ化されたAIツール-は、因果的に一貫性のあるMES型のデータを生成します。
このフレームワークは、個別の製造AIバリデーションのための再利用可能なデータ層を提供する。
論文 参考訳（メタデータ） (2026-05-11T21:36:05Z) - The Semantic Training Gap: Ontology-Grounded Tool Architectures for Industrial AI Agent Systems [0.0]
大規模言語モデル(LLM)ベースのAIエージェントは、分析、品質管理、意思決定支援のための製造環境にますます多くデプロイされている。
これらのエージェントは、ドメイン用語で統計的に流布するが、操作意味論の基盤的理解は欠如している。
本稿では、AIシステムが学習を通してドメイン語彙を取得する方法と、生産業務が存在論的関係を通じて意味を定義する方法とを、構造的に切り離すという意味訓練のギャップを特定し、形式化する。
論文 参考訳（メタデータ） (2026-05-11T20:48:18Z) - ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。
Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文 参考訳（メタデータ） (2026-05-11T16:20:51Z) - The Productivity-Reliability Paradox: Specification-Driven Governance for AI-Augmented Software Development [0.0]
コントロールされた研究によると、よくスコープされたタスクで生産性が20～56%向上し、最も厳格なRCT文書は経験豊富な開発者にとって19%の減速を報告している。
10,000人以上の開発者を対象としたテレメトリでは、プルリクエストが98%増加したが、フラットなデリバリメトリクスによるレビュー時間が91%長かった。
本稿では,非決定論的コードジェネレータから生じる系統的な現象と,仕様の不十分な規律であるProductivity-Reliability Paradox(PRP)について論じる。
論文 参考訳（メタデータ） (2026-05-01T23:37:50Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - Quantitative Analysis of Technical Debt and Pattern Violation in Large Language Model Architectures [0.0]
本研究では,AI合成システムにおける「建築エロージョン」と技術的負債の蓄積を計測する最初の経験的枠組みを提案する。
プロプライエタリなモデルは高いアーキテクチャ適合性を実現する一方で、オープンウェイトモデルは重要なばらつきを示す。
これらの結果から, システムスキャフォールディングに小型オープンウェイトモデルを用いることで, 構造的技術的負債の蓄積が促進されることが示唆された。
論文 参考訳（メタデータ） (2025-12-03T21:24:02Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - Networks of Networks: Complexity Class Principles Applied to Compound AI Systems Design [63.24275274981911]
多くの言語モデル推論コールからなる複合AIシステムは、ますます採用されている。
本研究では,提案した回答の生成と正当性検証の区別を中心に,ネットワークネットワーク(NoN)と呼ばれるシステムを構築した。
我々は,Kジェネレータを備えた検証器ベースの判定器NoNを導入し,"Best-of-K"あるいは"judge-based"複合AIシステムのインスタンス化を行う。
論文 参考訳（メタデータ） (2024-07-23T20:40:37Z) - Robots That Ask For Help: Uncertainty Alignment for Large Language Model
Planners [85.03486419424647]
KnowNoは、大きな言語モデルの不確実性を測定し、調整するためのフレームワークである。
KnowNoは、タスク完了に関する統計的保証を提供する共形予測理論に基づいている。
論文 参考訳（メタデータ） (2023-07-04T21:25:12Z)
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。