論文の概要: Why AI Governance Frameworks Are Hard to Adopt: A Role-Based Stress Test of the NIST AI RMF

• arxiv url: http://arxiv.org/abs/2608.12352v1
• Date: Fri, 03 Jul 2026 02:29:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.188142
• Title: Why AI Governance Frameworks Are Hard to Adopt: A Role-Based Stress Test of the NIST AI RMF
• Title（参考訳）: AIガバナンスフレームワークが採用が難しい理由 - NIST AI RMFの役割ベースのストレステスト
• Abstract要約: フレームワークの採用をガバナンスの翻訳問題として扱う。 現地翻訳が主な問題ではなかった。 アクターの役割は、クロス・レベル・ガバナンス・バリュー、オーソリティ・コネクション、ガバナンス・トランスレーサビリティ、ガバナンス・バリューと強く結びついています。
• 参考スコア（独自算出の注目度）: 0.028647133890966986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI governance frameworks can be known, used, and implemented in form without becoming governance in practice. This paper examines that problem through a role-based stress test of the NIST Artificial Intelligence Risk Management Framework (AI RMF) in consumer lending. We treat framework adoption as a governance translation problem: whether RMF language can become role-usable, cross-level, authority-connected governance over the AI system-in-use, rather than producing governance-looking artifacts. The study uses LLM-based role simulation as a structured analytic probe. We apply a 4 $\times$ 2 $\times$ 3 design across four organizational roles, two AI deployments, and three governance hard cases, producing 120 scored responses. Results show that local translation was not the main problem. Simulated actors generally understood their assigned roles and translated the RMF into local activity. The harder problem was whether that activity became governance value. Actor role was strongly associated with Cross-Level Governance Value, Authority Connection, Governance Translatability, and governance value. Deployment was strongly associated with Structural Fit: the RMF fit a bounded ML underwriting model more cleanly than a workflow-embedded LLM underwriting copilot. Risk reduction was harder still. It appeared only when governance value was present and Structural Fit was full, but neither condition was sufficient by itself. The paper contributes a diagnostic account of framework-based AI governance. Frameworks create value when they help organizations see, interpret, escalate, authorize, and correct risk in the AI system-in-use. They also create value when they reveal limits of governability under existing evidence paths, authority structures, and system boundaries.
• Abstract（参考訳）: AIガバナンスフレームワークは、実際にガバナンスになることなく、知られ、使用し、形式的に実装することができる。 本稿では,NIST人工知能リスク管理フレームワーク(AI RMF)の消費者融資における役割ベースストレステストによる問題点について検討する。 我々は、フレームワークの採用をガバナンスの変換問題として扱う: RMF言語がガバナンスのようなアーティファクトを生成するのではなく、AIシステムに対するロール・ユース、クロスレベル、権威と結びついたガバナンスになるかどうか。 この研究は、構造化分析プローブとしてLLMに基づくロールシミュレーションを用いている。 4ドルの\times$2$\times$3で、4つの組織的役割、2つのAIデプロイメント、3つのガバナンスの難しいケースを設計し、120のレスポンスを生成します。 結果,局所翻訳が主な問題ではなかったことが示唆された。 シミュレートされた俳優は一般的に彼らの割り当てられた役割を理解し、RMFを地元の活動に翻訳した。 難しい問題は、その活動がガバナンスの価値になったかどうかだった。 アクターの役割は、クロス・レベル・ガバナンス・バリュー、オーソリティ・コネクション、ガバナンス・トランスレーサビリティ、ガバナンス・バリューと強く結びついています。 RMFはワークフローを組み込んだ LLM のアンダーライトコピロよりもクリーンな境界付きMLアンダーライトモデルに適合する。 リスク低減は依然として困難だった。 ガバナンスの価値があり、構造的なフィットが満ちていた時にのみ現れましたが、どちらの条件もそれ自身では不十分でした。 本稿では,フレームワークベースのAIガバナンスの診断に貢献する。 フレームワークは、組織がAIシステムインユースにおけるリスクを確認し、解釈し、エスカレートし、認可し、修正するのを助けることで価値を生み出す。 また、既存のエビデンスパス、権限構造、システム境界の下で、統治可能性の限界を明らかにすることで価値も生み出します。

関連論文リスト

• The AI Resilience Gap: Bringing Artificial Intelligence Inside the Operational Resilience Perimeter [0.0]
  AIの採用は、信頼できるAIスタックとは異なる、かつ不十分にカバーされたレジリエンス義務を生み出します。 我々は、運用のレジリエンス周辺にAI依存関係をもたらすための、レシシックな方法であるAI Resilience Frameworkを提案する。
  論文  参考訳（メタデータ） (2026-07-08T12:54:11Z)
• Governing Generative AI Across Financial Institutions: An SR 26-2-Compatible Framework for Generative AI Risk Control [1.3253687170778101]
  Generative AI Control Framework (GAICF) は、生成AI対応金融ガバナンスのためのSR 26-2互換フレームワークである。 本稿では、生成AI対応金融ガバナンスのためのSR 26-2互換フレームワークである生成AI制御フレームワーク(GAICF)を提案する。
  論文  参考訳（メタデータ） (2026-07-05T03:46:47Z)
• The Three-Ring Architecture: Governing Agents in the Era of On-Platform Organisations [0.0]
  本稿では,3つのリングアーキテクチャを,オンプレミス組織の管理基盤として定式化する。 このアーキテクチャは、金融サービス、政府、調達、コンプライアンスなどの分野における10年間にわたって検証されてきた。
  論文  参考訳（メタデータ） (2026-06-05T10:20:03Z)
• Mechanical Enforcement for LLM Governance:Evidence of Governance-Task Decoupling in Financial Decision Systems [0.0]
  既存の評価はタスクの正確さを測るが、ガバナンスが意思決定の合理化レベルでの振る舞いを制約するかどうかは問わない。 政策コンプライアンスを合理的なレベルで定量化する5つのガバナンス指標を紹介します。 構造的なストレスの下では、テキストのみのガバナンスは両方の次元で同時に低下するのに対して、機械的な執行はタスクのパフォーマンスが低下してもガバナンスの品質を保っている。
  論文  参考訳（メタデータ） (2026-05-14T12:12:42Z)
• Position: agentic AI orchestration should be Bayes-consistent [92.04373485710285]
  本稿では,エージェントシステムのオーケストレーションレベルにおいて,一貫性のある意思決定にはベイズ原理が必要であることを論じる。 信念とユーティリティ対応ポリシーがエージェントAIオーケストレーションをどのように改善するかを説明するための例とデザインパターンを提供する。
  論文  参考訳（メタデータ） (2026-05-01T15:43:43Z)
• When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [68.12864562049957]
  身体ロボットシステムは、高レベルの推論をサポートするために、大規模言語モデル(LLM)ベースのエージェントにますます依存している。 エージェントはいつ、いつ、いつ行動すべきか? 本稿では,エンボディエージェントのリソース・アウェア・オーケストレーションのための階層的なフレームワークであるRARRL(Resource-Aware Reasoning via Reinforcement Learning)を提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:38:50Z)
• How Controllable Are Large Language Models? A Unified Evaluation across Behavioral Granularities [75.10343190811592]
  大規模言語モデル(LLM)は、社会的に敏感なドメインにますますデプロイされる。 私たちのベンチマークでは、安全で制御可能な振る舞いのための原則的で解釈可能なフレームワークを提供しています。
  論文  参考訳（メタデータ） (2026-03-03T03:50:13Z)
• Media and responsible AI governance: a game-theoretic and LLM analysis [61.132523071109354]
  本稿では,信頼できるAIシステムを育成する上での,AI開発者,規制当局,ユーザ,メディア間の相互作用について検討する。 進化的ゲーム理論と大言語モデル(LLM)を用いて、異なる規制体制下でこれらのアクター間の戦略的相互作用をモデル化する。
  論文  参考訳（メタデータ） (2025-03-12T21:39:38Z)

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。