論文の概要: The Multi-Lab Enterprise: Governance, FinOps, and Telemetry Challenges of Multi-Model AI Adoption

• arxiv url: http://arxiv.org/abs/2609.31622v1
• Date: Fri, 31 Jul 2026 08:17:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:45:13.769769
• Title: The Multi-Lab Enterprise: Governance, FinOps, and Telemetry Challenges of Multi-Model AI Adoption
• Title（参考訳）: Multi-Lab Enterprise: マルチモデルAI導入におけるガバナンス,フィンOps,テレメトリの課題
• Abstract要約: Global 2000企業の81%が3つ以上のモデルファミリを運用しており、OpenAI、Anthropic、Google Geminiが合わせて、エンタープライズLLMの使用と利用の約88～89%を占めている。 本稿では, マルチラブライセンスが, 耐久性のあるタスク固有モデル差分による市場構造の特徴であることを示す。 APIとエージェントのコストバーンを評価するための5メトリクスフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enterprises are not choosing a single frontier AI provider; they are licensing all of them. As of early 2026, 81% of Global 2000 enterprises run three or more model families, and OpenAI, Anthropic, and Google Gemini together account for roughly 88 to 89% of enterprise LLM usage and spend. Drawing on survey data, transaction data, provider disclosures, and case studies across finance, legal, consulting, healthcare, life sciences, retail, and government, this paper shows that multi-lab licensing is a structural feature of the market, driven by durable task-specific model differentiation rather than a transitional phase awaiting commoditization. This structure creates three operational problems. Governance fragmentation (P1): heterogeneous vendor security postures, documentation, and compliance surfaces must be reconciled across overlapping regulatory frameworks while shadow AI proliferates. FinOps breakdown (P2): token-based, behavior-driven consumption defeats budgeting. In the past year, 79% of enterprises overran AI budgets, with FinOps-mature organizations overshooting by a mean of 30.9%, and no standardized cross-provider unit of spend exists. Telemetry fragmentation (P3): each lab exposes adoption and cost data through incompatible consoles, APIs, and metric definitions, forcing bespoke unification layers. We map the emerging responses, including LLM gateways, observability platforms, and the Tokenomics Foundation's FOCUS extension. We then develop a five-metric framework for evaluating API and agent cost burn, with a worked example where the cheapest model per attempt is the most expensive per successful task. We conclude that P1, P2, and P3 reflect one missing abstraction: a cross-provider enterprise AI control plane.
• Abstract（参考訳）: 企業は、単一のフロンティアAIプロバイダを選択していない。 2026年初めの時点で、Global 2000企業の81%が3つ以上のモデルファミリを運営しており、OpenAI、Anthropic、Google Geminiが共同でエンタープライズLLMの使用と利用の約88～89%を占めている。 調査データ,取引データ,提供者開示,金融,法律,コンサルティング,医療,生命科学,小売,政府にまたがるケーススタディに基づいて,マルチラブライセンスは,商品化を待つ移行段階ではなく,永続的なタスク固有のモデルの分化によって,市場の構造的特徴であることを示す。 この構造は3つの運用上の問題を引き起こす。 ガバナンスの断片化(P1): ヘテロジニアスなベンダのセキュリティ姿勢、ドキュメント、コンプライアンス面は、重複する規制フレームワーク間で調整され、シャドウAIが増殖する。 FinOpsのブレークダウン(P2): トークンベースの行動駆動型消費は予算を損なう。 過去1年間で、企業の79%がAI予算を超過し、FinOpsの成熟した組織は平均30.9%オーバーシュートし、標準化されたクロスプロデューサ単位は存在しない。 テレメトリフラグメンテーション(P3): 各ラボは、互換性のないコンソール、API、メトリック定義を通じて、採用とコストデータを公開する。 LLMゲートウェイ、可観測プラットフォーム、およびTokenomics FoundationのFOCUS拡張を含む、新たなレスポンスをマップします。 次に、APIとエージェントのコストバーンを評価するための5メトリックのフレームワークを開発します。 我々は、P1、P2、P3が欠落した抽象化を反映していると結論付けている。

関連論文リスト

• IPO Finance Agent: Benchmark of LLM Financial Analysts Beyond Finance Agent v2, with Automated Rubric Generation, on the SpaceX (SPCX) IPO [0.0]
  ファイナンスエージェント v2(Vals AI)が金融言語モデルを評価する基準ベンチマークとして登場した。 タスクドメインと検索アーキテクチャの2つの方向に沿ってファイナンスエージェントフレームワークを拡張したIPOファイナンスエージェントを紹介します。 最高の性能評価モデルであるZhipu GLM-5.2は79.8%の精度に達し、その結果得られたフロンティアで最もコスト効率のよいXiaomi MiMo-2.5 Proはクエリあたり0.05 USDでわずかに低い精度(77.2%)に達した。
  論文  参考訳（メタデータ） (2026-06-22T08:42:19Z)
• CHI-Bench: Can AI Agents Automate End-to-End, Long-Horizon, Policy-Rich Healthcare Workflows? [150.84850629123287]
  現実的な医療業務のエンドツーエンドの自動化は、現在のベンチマークで不足している3つの機能を強調します。 $-Benchは3つのドメインにわたる長期医療のベンチマークである。 30以上のエージェントハーネス/モデル構成で、最高のエージェントはタスクの28.0%しか解決せず、厳格なパス3では20%をクリアし、単一のセッションですべてのタスクを実行するとパフォーマンスは3.8%に低下する。
  論文  参考訳（メタデータ） (2026-05-15T22:34:31Z)
• 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)
• MagicAgent: Towards Generalized Agent Planning [73.21129030631421]
  汎用エージェント計画に特化して設計された基盤モデルである textbfMagicAgent について述べる。 多様な計画タスクにまたがる高品質なトラジェクトリを生成する軽量でスケーラブルな合成データフレームワークを提案する。 MagicAgent-32B と MagicAgent-30B-A3B は様々なオープンソースベンチマークにおいて優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-02-22T01:39:16Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• On The Planning Abilities of OpenAI's o1 Models: Feasibility, Optimality, and Generalizability [59.72892401927283]
  さまざまなベンチマークタスクでOpenAIのo1モデルの計画能力を評価する。 その結果,o1-preview は GPT-4 よりもタスク制約に順応していることがわかった。
  論文  参考訳（メタデータ） (2024-09-30T03:58:43Z)

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。