論文の概要: From Token-Max to Outcome-Max: How You Use AI Determines Its Productivity

• arxiv url: http://arxiv.org/abs/2610.05697v1
• Date: Mon, 05 Oct 2026 02:16:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 05:00:18.493232
• Title: From Token-Max to Outcome-Max: How You Use AI Determines Its Productivity
• Title（参考訳）: Token-MaxからOutcome-Maxへ:AIが生産性を決定づける方法
• Abstract要約: 本稿では,単体コスト毎に個別に検証されたタスク完了を報奨し,原則的停止規則を導出する結果-maxを提案する。 これら3つのレベル全体で、結果-maxはAI支援生産の効率を改善し、検証済みのタスクパフォーマンスをほぼ維持する。 我々の結果は、AIの生産性はモデル能力だけでなく、AIの使用を管理する目的を構築する方法にも依存していることを示唆している。
• 参考スコア（独自算出の注目度）: 26.369034913997854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative artificial intelligence (AI) models can perform increasingly complex tasks, yet greater AI usage does not necessarily translate into proportional productivity gains. We identify token-max as one source of this inefficiency: when token consumption is treated as productive effort, agents are encouraged to over-exert and expend computation beyond what is necessary. We instead propose outcome-max, which rewards independently verified task completion per unit cost and induces a principled stopping rule. Then, to study these objectives, we develop a three-level simulation framework spanning immediate interaction, long-run behavioral adaptation, and organizational collaboration. Across all three levels, outcome-max improves the efficiency of AI-assisted production while largely preserving verified task performance. To further align these incentives with outcome-max, we introduce OutcomeShare, an incentive mechanism. Theory and simulation show that OutcomeShare can induce participation while generating shared gains for employees, firms, and LLM providers. Together, our results suggest that AI productivity not only depends on model capability, but also on how to construct the objectives governing AI use.
• Abstract（参考訳）: 生成的人工知能(AI)モデルはますます複雑なタスクを実行できるが、AIの使用量の増加は必ずしも生産性の向上に必ずしも寄与しない。 トークン消費が生産的努力として扱われる場合、エージェントは必要以上の過剰なエクササイズと拡張計算を奨励される。 代わりに、単体コストごとに独立に検証されたタスク完了を報奨し、原則化された停止規則を導出する結果最大を提案する。 そして,これらの目的を考察するために,即時相互作用,長期的行動適応,組織的コラボレーションにまたがる3段階のシミュレーションフレームワークを開発する。 これら3つのレベル全体で、結果最大はAI支援生産の効率を改善し、検証済みのタスクパフォーマンスをほぼ維持する。 これらのインセンティブとアウトカムマックスをさらに整合させるため,インセンティブメカニズムであるOutcomeShareを導入する。 理論とシミュレーションは、OutcomeShareが従業員、企業、LLMプロバイダの共通利益を生み出しながら参加を誘導できることを示している。 我々の結果は、AIの生産性はモデル能力だけでなく、AIの使用を管理する目的を構築する方法にも依存していることを示唆している。

関連論文リスト

• When Does AI Augment Work? A Workflow-Level Framework for Human-Agent Collaboration [78.16115745870405]
  職場における人工知能の価値を特徴付けることを目的としている。 現在の研究は、この価値を、現在の自動化能力とAIの公的な採用の観点から大きく測定している。 これを考慮するためには、今日の微粒化タスクを超えて分析の範囲を広げなければならない。
  論文  参考訳（メタデータ） (2026-09-11T06:29:34Z)
• EASy: Towards Efficient LLM-Based Agentic System [54.10819421625103]
  強化学習によるタスク性能と計算効率を協調的に最適化する訓練可能なエージェントフレームワークであるEASyを提案する。 EASyはLLMベースのオーケストレータに異種エグゼキュータの能力とコストプロファイルを明確に把握し、パフォーマンスのみのルーティング以上のコンテキスト依存的な調整を可能にする。 さらに、複雑なタスクを管理可能なマイルストーンに分解し、依存性を意識した実行グラフを構築し、適切なエグゼキュータを割り当て、その後の決定を中間的な結果に適用しながら、独立したステップを並列化するマイルストーン計画実行ワークフローも導入されている。
  論文  参考訳（メタデータ） (2026-08-05T08:50:36Z)
• Offloading Score: Measuring AI Reliance Through Counterfactual Workflows [70.84727355516559]
  私たちは、AIツールにオフロードされた認知活動の分断を定量化する、信頼度尺度であるオフロードスコアを導入します。 本研究は,本質的な計量妥当性評価と制御されたユーザスタディにより,オフロードスコアの検証を行う。 オフロードスコアは、時間制約設定における依存度を著しく高めることを示す。
  論文  参考訳（メタデータ） (2026-05-28T05:44:31Z)
• Generative AI and the Productivity Divide: Human-AI Complementarities in Education [2.2940141855172036]
  生成人工知能(GenAI)は、企業が知識を作成し、処理し、適用する方法を変えつつある。 平均して、GenAIアクセスはタスク性能を著しく向上させたが、ゲインの分布は非常に不均一であった。 高AICの参加者は圧倒的な利得を達成し、低AICの参加者は限定的あるいは負の限界リターンを示した。
  論文  参考訳（メタデータ） (2026-05-18T09:50:05Z)
• Artificial Effort [1.697437140819985]
  自動化に抵抗するタスクはごくわずかだが、現在ではほとんどのタスクが正確かつ無視可能なコストで解決できる。 本研究は,教師なし環境における実情タスクの活用のための境界条件を確立した。
  論文  参考訳（メタデータ） (2026-04-17T08:57:47Z)
• AgentEvolver: Towards Efficient Self-Evolving Agent System [51.54882384204726]
  本稿では,自律型エージェント学習を駆動する自己進化型エージェントシステムであるAgentEvolverを紹介する。 AgentEvolverは、セルフクエスト、セルフナビゲート、セルフコントリビューションという3つのシナジスティックメカニズムを導入している。 予備実験により、AgentEvolverは従来のRLベースのベースラインと比較して、より効率的な探索、より優れたサンプル利用、より高速な適応を実現していることが示された。
  論文  参考訳（メタデータ） (2025-11-13T15:14:47Z)
• Towards Outcome-Oriented, Task-Agnostic Evaluation of AI Agents [1.0305173936249623]
  白書では、AIエージェントの成果に基づくタスク非依存のパフォーマンス指標11の新たなフレームワークを提案する。 本稿では、ゴール完了率(GCR)、自律度指数(AIx)、マルチステップタスクレジリエンス(MTR)、ビジネスインパクト効率(BIE)などの指標を紹介する。 この結果から, エージェント設計の相違が顕著であり, ハイブリットエージェントを一貫した高性能モデルとして強調した。
  論文  参考訳（メタデータ） (2025-11-11T13:40:46Z)
• The Missing Reward: Active Inference in the Era of Experience [1.9761774213809036]
  アクティブ推論(AIF)は、自律型AIエージェントを開発する上で重要な基盤を提供する。 AIFは、自由エネルギーを最小化するために、外部の報酬信号を本質的な駆動に置き換えることができる。 この合成は、計算と物理の両方の制約に固執しながら自律的に開発できるAIシステムへの魅力的な道を提供する。
  論文  参考訳（メタデータ） (2025-08-07T17:57:12Z)
• Sustainability via LLM Right-sizing [21.17523328451591]
  大規模言語モデル(LLM)はますます組織に組み込まれている。 本研究は,10の日常業務において,プロプライエタリでオープンウェイトなLDMを11個評価することによって,実証的な回答を提供する。 その結果, GPT-4oは高い性能を保ちながら, コストと環境のフットプリントが著しく高いことがわかった。
  論文  参考訳（メタデータ） (2025-04-17T04:00:40Z)
• Scalable Best-of-N Selection for Large Language Models via Self-Certainty [75.1351701045874]
  Best-of-N selectionは、Large Language Models(LLMs)の推論性能を改善するための重要なテクニックである。 本稿では, LLM出力の固有確率分布を利用して, 外部報酬モデルを必要としない応答品質を推定する, 新規で効率的な指標である自己確実性を提案する。 本研究は, LLM推論能力を向上させるための実用的で効率的な方法として, 自己確実性を確立した。
  論文  参考訳（メタデータ） (2025-02-25T19:08:07Z)
• On the Modeling Capabilities of Large Language Models for Sequential Decision Making [52.128546842746246]
  大規模な事前訓練されたモデルでは、推論や計画タスクのパフォーマンスがますます向上している。 我々は、直接的または間接的に、意思決定ポリシーを作成する能力を評価する。 未知の力学を持つ環境において、合成データを用いた微調整LDMが報酬モデリング能力を大幅に向上させる方法について検討する。
  論文  参考訳（メタデータ） (2024-10-08T03:12:57Z)

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。