論文の概要: Sophistication in GenAI Use: Field Evidence from a Large Firm
- arxiv url: http://arxiv.org/abs/2608.27364v1
- Date: Thu, 27 Aug 2026 17:03:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.499063
- Title: Sophistication in GenAI Use: Field Evidence from a Large Firm
- Title（参考訳）: GenAI利用の高度化:大規模企業からのフィールドエビデンス
- Abstract要約: 我々は、大企業のバックオフィスで、ジェネレーティブAI(genAI)の利用の高度化がいかに異なるかを研究する。
2025年の8ヶ月間に4000人近いバックオフィスの従業員から、713,564人の従業員プロンプトとそれに対応する大きな言語モデル応答を観察した。
- 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: We study how sophistication in generative AI (genAI) use varies among the back-office workforce of a large firm. Using proprietary data, we observe 713,564 employee prompts and their corresponding large language model responses from nearly 4,000 back-office employees across 15 functional areas over eight months in 2025. We document three main findings. First, senior employees exhibit more sophisticated genAI use, consistent with domain expertise complementing genAI capabilities. Second, sophistication varies considerably across functions and is highest in Strategy, Digital Innovation, and Project Management, three groups that share a focus on firmwide strategic initiatives and organizational change. Third, we observe neither improvements in sophistication over time nor lasting improvements following formal AI training, suggesting that sophisticated use can be difficult to change. Together, our study provides measures of and insights into sophisticated genAI use that managers can use to improve outcomes and that researchers can use in future research.
- Abstract（参考訳）: 我々は、大企業のバックオフィスで、ジェネレーティブAI(genAI)の利用の高度化がいかに異なるかを研究する。
プロプライエタリなデータを用いて,2025年の8ヶ月にわたって,約4,000人のバックオフィス従業員から,713,564人の従業員のプロンプトとそれに対応する大きな言語モデル応答を観察した。
主な発見は3つある。
まず、上級従業員は、genAI機能を補完するドメインの専門知識と整合して、より洗練されたgenAIの使用を示す。
第二に、高度化は機能によって大きく異なり、戦略、デジタルイノベーション、プロジェクトマネジメントにおいて最高である。
第3に、時間の経過とともに高度化が改善されることも、公式なAIトレーニング後の継続的な改善も見つからず、高度な使用は変更が難しい可能性があることを示唆している。
この研究は、マネージャが成果を改善するために、そして研究者が将来の研究に利用できるような、高度なgenAI利用の計測と洞察を提供する。
関連論文リスト
- Four Years of GenAI: How Educators and Industry Adapted Their Assessment Strategies [2.5306843392410023]
我々は、GenAIでエントリーレベルのエンジニアのコアスキルが変化したかどうかを検討する。
56人の教育者や24人の雇用専門家から回答を得た。
教育者がGenAI政策を主に学術的整合性に基づけているのに対して、業界におけるGenAIの利用は、ほぼユニバーサルである。
論文 参考訳（メタデータ） (2026-07-27T10:34:27Z) - Democratizing Generative AI for Sustainable Competitive Advantage [0.0]
本稿では,企業レベルのGenAI投資とガバナンスを,個人レベルのAI民主化に結びつける,クロスレベルな概念フレームワークを開発する。
我々は、個々のレベルのAI民主化は、組織的GenAI投資と持続可能な競争優位性の関係を仲介すると主張している。
論文 参考訳（メタデータ） (2026-04-22T14:47:01Z) - Impacts of Generative AI on Agile Teams' Productivity: A Multi-Case Longitudinal Study [5.9568322124195845]
生成人工知能(GenAI)ツールは、ソフトウェア工学におけるパラダイムシフトを表している。
この研究は、GenAIがアジャイルチームに与える影響の経年的評価を提供することを目的としている。
論文 参考訳（メタデータ） (2026-02-14T13:26:16Z) - 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) - SciMaster: Towards General-Purpose Scientific AI Agents, Part I. X-Master as Foundation: Can We Lead on Humanity's Last Exam? [51.112225746095746]
本稿では,人間研究者をエミュレートするツール強化推論エージェントであるX-Masterを紹介する。
XマスターズはHumanity's Last Examに32.1%のスコアで最新記録を樹立した。
論文 参考訳（メタデータ） (2025-07-07T17:50:52Z) - OWL: Optimized Workforce Learning for General Multi-Agent Assistance in Real-World Task Automation [65.15955645757705]
専門的な実行から戦略的計画を切り離す階層的なマルチエージェントフレームワークであるWorkforceを紹介します。
推論中、Workforceはワーカーエージェントの追加や修正によって新しいドメインにシームレスに適応する。
トレーニングには、ドメイン間の一般化を改善する最適化されたワークフォース学習(OWL)を導入する。
論文 参考訳（メタデータ） (2025-05-29T17:51:58Z) - Enterprise Architecture as a Dynamic Capability for Scalable and Sustainable Generative AI adoption: Bridging Innovation and Governance in Large Organisations [55.2480439325792]
生成人工知能(Generative Artificial Intelligence)は、イノベーションを促進し、多くの産業におけるガバナンスを再形成する可能性を持つ強力な新技術である。
しかし、テクノロジの複雑さ、ガバナンスのギャップ、リソースのミスアライメントなど、GenAIをスケールする上で大きな課題に直面している。
本稿では、大企業におけるGenAI導入の複雑な要件をエンタープライズアーキテクチャ管理が満たす方法について検討する。
論文 参考訳（メタデータ） (2025-05-09T07:41:33Z) - Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。
このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。
本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
論文 参考訳（メタデータ） (2025-02-17T03:05:20Z) - Improving Generalization of Alignment with Human Preferences through
Group Invariant Learning [56.19242260613749]
Reinforcement Learning from Human Feedback (RLHF) は、人間の好みに合わせた反応の生成を可能にする。
以前の研究は、強化学習(RL)がしばしばショートカットを利用して高い報酬を獲得し、挑戦的なサンプルを見落としていることを示している。
本稿では,複数のデータグループやドメインにまたがる一貫したポリシをRLで学習する,新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-10-18T13:54:15Z) - A Comprehensive Survey of Artificial Intelligence Techniques for Talent Analytics [46.025337523478825]
タレント分析は人的資源管理に応用されたデータ科学において有望な分野として現れてきた。
ビッグデータと人工知能技術の最近の発展は、人的資源管理に革命をもたらした。
論文 参考訳（メタデータ） (2023-07-03T07:53:20Z) - AutoML in The Wild: Obstacles, Workarounds, and Expectations [37.813441975457735]
本研究は,現実の実践においてユーザが遭遇するAutoMLの限界を理解することに焦点を当てる。
その結果,カスタマイズ性,透明性,プライバシーから生じる3つの大きな課題を克服するために,ユーザエージェンシーを積極的に実施していることが判明した。
論文 参考訳（メタデータ） (2023-02-21T17:06:46Z) - Towards AI-Empowered Crowdsourcing [27.0404686687184]
本稿では,AIを活用したクラウドソーシングをタスク委譲,労働者のモチベーション,品質管理の3分野に分けた分類法を提案する。
限界と洞察を議論し、これらの領域で研究を行う上での課題を整理し、将来有望な研究方向性を明らかにする。
論文 参考訳（メタデータ） (2022-12-28T05:06:55Z)
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。