論文の概要: What Should a Software Team Spend on Agents? Simulation-Based Cost Optimization of Mixed AI-Human Teams
- arxiv url: http://arxiv.org/abs/2610.20394v1
- Date: Wed, 14 Oct 2026 15:57:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.24284
- Title: What Should a Software Team Spend on Agents? Simulation-Based Cost Optimization of Mixed AI-Human Teams
- Title（参考訳）: ソフトウェアチームはエージェントに何を振り向けるべきか? 混合AI-Humanチームのシミュレーションに基づくコスト最適化
- Abstract要約: AIエージェントは、ソフトウェア開発で急速に採用されているが、トークンコストが上昇しており、チームがエージェントにどれくらい費やすべきかは不明だ。
プロジェクトの要求する機能を最低コストで提供するために、人間開発者とAIエージェントの間でどのように費用を分配するかを決めます。
- 参考スコア（独自算出の注目度）: 3.951146171556069
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Context: AI agents are rapidly adopted in software development, but their token costs are rising and it is unclear how much a team should spend on agents, and on which tasks. Objective: We determine how teams should divide spending between human developers and AI agents to deliver the features a project demands at the lowest total cost. Method: We model mixed teams of human developers and AI agents with eight specialized roles as a discrete-time stochastic process covering bug injection and detection, technical debt, human supervision of agents, and release cycles with feature freezes. Using Monte Carlo simulation and evolutionary search, we determine cost-optimal teams for 432 scenarios varying developer capability, project velocity, debt dynamics, agent capability and price, and bug costs, and compare them with a human-only baseline. Results: Escaped bugs are the dominant cost driver, and 61% of the agent budget goes to finding bugs. Agent capability matters more than token price, since higher-quality outputs reduce downstream quality assurance costs. In teams with capable agents, human developers mostly fix bugs and leave the implementation of new features to the agents. Teams with high-capability agents are typically cheaper than human-only teams, but low-capability agents offer no consistent advantage. At realistic velocities, the optimal teams still spend more on developers than on agents. Conclusions: There is neither a universal token budget per developer nor a universal agentic team structure. As in traditional development, this depends on many factors and teams need to be carefully tailored to the project context to achieve the optimal cost-quality trade-off.
- Abstract（参考訳）: コンテキスト: AIエージェントはソフトウェア開発で急速に採用されているが、トークンコストが上昇し、チームがエージェントにどれくらい費やすべきか、どのタスクに費やすべきかは明確ではない。
目的: プロジェクトの要求する機能を最低コストで提供するために、チームがヒューマン開発者とAIエージェントに費用を分配する方法を決定する。
メソッド: バグ注入と検出、技術的負債、エージェントの人間監督、機能凍結を伴うリリースサイクルをカバーする、個別の時間確率プロセスとして8つの専門的な役割を持つ、人間開発者とAIエージェントの混在したチームをモデル化する。
Monte Carloシミュレーションと進化的検索を用いて、開発者能力、プロジェクトのベロシティ、負債のダイナミクス、エージェント能力と価格、バグコストの432シナリオのコスト最適化チームを決定し、それらを人間のみのベースラインと比較する。
結果: エスケープバグが主なコストドライバであり,エージェント予算の61%がバグ発見に費やされている。
エージェント能力は、高品質なアウトプットによって下流の品質保証コストが削減されるため、トークン価格以上に重要である。
有能なエージェントを持つチームでは、ヒューマン開発者が主にバグを修正し、新機能の実装をエージェントに任せる。
高い能力のエージェントを持つチームは一般的に、人間だけのチームよりも安いが、低い能力のエージェントは一貫性のある優位性を提供しない。
現実的な速度では、最適なチームは依然としてエージェントよりも開発者に注力しています。
結論: 開発者毎の普遍的なトークン予算や,汎用的なエージェントチーム構造は存在しません。
従来の開発と同じように、これは多くの要因に依存しますし、チームは最適なコスト品質のトレードオフを達成するために、プロジェクトコンテキストに合わせて慎重に調整する必要があります。
関連論文リスト
- Scaling Inference-Time Compute with Teams of Coding Agents [18.25787053664045]
マルチエージェントシステムは、推論をスケーリングするための新しい軸を約束する。
実際には、より多くのエージェントが重複作業や調整失敗、より高いコストを容易に生成できる。
地上から最小限のマルチエージェントハーネスを構築し、このフロンティアをさまざまな方法で追跡します。
ヘテロジニアスな17エージェントチームは、強い同質な5エージェントチームの1.4ポイント以内のコストでやってくる。
論文 参考訳（メタデータ） (2026-10-12T22:35:08Z) - Self-Organizing Agent Teams Learn to Reason Together [52.45199430212268]
私たちは、以前のコラボレーションから再利用可能な戦略を学び、役割、会話フェーズ、参加、情報の流れを整理する、AIエージェントの固定チームである、自己組織化エージェントチーム(SAT)を紹介します。
これらの戦略は、私たちがコラボレーティブ計算と呼ぶものを可能にします。エージェントの交換、チャレンジ、修復、そして、メンバーが独立して生成しないソリューションへの部分的推論を合成します。
論文 参考訳（メタデータ） (2026-09-19T01:27:40Z) - BAGEN: Are LLM Agents Budget-Aware? [35.04587529168086]
予算対応エージェント(BAGEN)は、受動的コストメトリックではなく、予算をアクティブな制御シグナルとして扱うべきである。
まず、内部予算(エージェント計算から)と外部予算(エージェント行動から)として予算見積もりを体系的に定義する。
次に、予算認識を段階的間隔推定として定式化する。
論文 参考訳（メタデータ） (2026-05-29T17:02:17Z) - Specialize Roles, Mix Deployments: Pushing the Cost-Accuracy Frontier of LLM Agent Teams [14.784600350594614]
LLMエージェントは、プランナー、エグゼキュータ、検証といった特別な役割にタスクを分割するマルチロールチームとして、ますます多くデプロイされている。
既存のエージェントベンチマークは、固定モデルまたは固定エージェント構成を評価し、コスト-正確/最適デプロイメントのための限定的なガイダンスを提供する。
本稿では,LLMエージェントチームを評価するためのロール対応ベンチマークスイートであるAgentCARDについて紹介する。
論文 参考訳（メタデータ） (2026-05-28T17:12:20Z) - Are We All Using Agents the Same Way? An Empirical Study of Core and Peripheral Developers Use of Coding Agents [4.744786007044749]
我々は,コア開発者および周辺開発者の受け入れに先立って,エージェント生成コントリビューションの使用,レビュー,修正,検証について検討する。
周辺開発者のサブセットはエージェントを頻繁に使用し、バグ修正、機能追加、ドキュメント、テストに均等にタスクを委譲する。
対照的に、コア開発者はドキュメントとテストに集中しているが、エージェントPRはメイン/マスターブランチに頻繁にマージされる。
論文 参考訳（メタデータ） (2026-01-27T22:50:01Z) - Impatient Users Confuse AI Agents: High-fidelity Simulations of Human Traits for Testing Agents [58.00130492861884]
TraitBasisは、AIエージェントを体系的にストレステストするための軽量でモデルに依存しない方法である。
TraitBasisは、ステアブルなユーザ特性に対応するアクティベーション空間で方向を学習する。
We observed on average a 2%-30% performance degradation on $tau$-Trait across frontier model。
論文 参考訳（メタデータ） (2025-10-06T05:03:57Z) - When Should We Orchestrate Multiple Agents? [74.27052374196269]
人間と人工の両方の複数のエージェント間の相互作用を編成する戦略は、パフォーマンスを過大評価し、オーケストレーションのコストを過小評価する。
推論コストや可用性制約といった現実的な条件下でエージェントを編成するフレームワークを設計する。
我々は,エージェント間の性能差やコスト差がある場合にのみ,オーケストレーションが有効であることを理論的に示す。
論文 参考訳（メタデータ） (2025-03-17T14:26:07Z) - Multi-Agent Neural Rewriter for Vehicle Routing with Limited Disclosure
of Costs [65.23158435596518]
チームのマルコフゲームとして、部分的に観測可能なコストでマルチサイクルルーティング問題を解く。
我々のマルチエージェント強化学習アプローチである、いわゆるマルチエージェントニューラルリライタは、1エージェントニューラルリライタを利用して、反復的に書き換えるソリューションによって問題を解決する。
論文 参考訳（メタデータ） (2022-06-13T09:17:40Z) - Inducing Equilibria via Incentives: Simultaneous Design-and-Play Finds
Global Optima [114.31577038081026]
本稿では,デザイナーとエージェントの問題を同時に1ループで解くための効率的な手法を提案する。
設計者は平衡問題を何度も解決しないが、エージェントに対するインセンティブの全体的な影響を予測できる。
このアルゴリズムは,幅広い種類のゲームに対して,サブ線形速度で大域的最適値に収束することを示す。
論文 参考訳（メタデータ） (2021-10-04T06:53:59Z) - Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。
我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。
実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
論文 参考訳（メタデータ） (2020-04-27T19:06:28Z)
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。