論文の概要: From Hype to ROI: An Economic Model for LLM Adoption in Information Systems and Security Operations

• arxiv url: http://arxiv.org/abs/2610.33352v1
• Date: Fri, 23 Oct 2026 22:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.307673
• Title: From Hype to ROI: An Economic Model for LLM Adoption in Information Systems and Security Operations
• Title（参考訳）: ハイプからROIへ:情報システムとセキュリティ運用におけるLLM導入の経済モデル
• Abstract要約: 大規模言語モデル(LLM)は、反復的な言語ベースのタスクを自動化することで、情報集約的な操作における大幅な効率向上を約束する。 本稿では,運用情報システムにおけるLCM導入決定を支援するための一般的な経済モデルを開発する。 導入経済学は文脈依存であり、自動化は正確性によって強制される悪用可能なレバーであり、エラーのコストとモデルの価格が二次的であることを示す。
• 参考スコア（独自算出の注目度）: 1.843265073880121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) promise significant efficiency gains across information-intensive operations by automating repetitive language-based tasks. However, adoption decisions remain largely opportunistic, as organizations struggle to move from pilots to sustainable industrialization. Without systematic economic frameworks, practitioners cannot assess whether LLM investments create value in a given context. This paper develops a general economic model to support informed LLM adoption decisions in operational information systems. Facing high uncertainty, we represent parameters as random variables centered on authoritative benchmarks, and evaluate the model by Monte Carlo simulation across pessimistic-to-optimistic assumptions on LLM efficiency. The ROI distributions show the probability of profitability and the Value at Risk for each configuration, together with a sensitivity analysis of its main drivers. As a first instantiation, we apply the model to Security Operations Centers (SOCs), mapping workflows onto established standards to identify tasks suited to LLM augmentation. The model balances productivity gains, driven by alert volume, analyst effort, and LLM efficiency, against operational costs, including inference, infrastructure, and error remediation, covering both cloud API and self-hosted deployments. Results show that adoption economics are context-dependent, and that automation is an exploitable lever, gated by accuracy, while the cost of errors and the model's price are secondary. Across the analyzed models and prices, most configurations are unprofitable, with profitability limited to high-accuracy, low-uncertainty deployments. The model gives organizations a quantitative basis for evidence-based adoption decisions, by locating the boundary between profit and loss, and the loss risked beyond it.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、反復的な言語ベースのタスクを自動化することで、情報集約的な操作における大幅な効率向上を約束する。 しかし、組織がパイロットから持続可能な工業化に移行するのに苦慮しているため、採用決定は相変わらず不透明なままである。 体系的な経済枠組みがなければ、LLM投資が特定の文脈で価値を生み出すかどうかを評価することはできない。 本稿では,運用情報システムにおけるLCM導入決定を支援するための一般的な経済モデルを開発する。 信頼性ベンチマークを中心にパラメータをランダム変数として表現し,LLM効率に関する悲観的から最適化的な仮定を越えてモンテカルロシミュレーションによりモデルを評価する。 ROI分布は、それぞれの構成に対する利益率とリスクに対する価値の確率を示し、主要なドライバの感度分析を行う。 最初のインスタンス化として、このモデルをSecurity Operations Centers (SOCs) に適用し、LLM拡張に適したタスクを特定するためにワークフローを確立された標準にマッピングする。 このモデルは、クラウドAPIとセルフホストデプロイメントの両方をカバーする、推論、インフラストラクチャ、エラー修正を含む運用コストに対して、アラートボリューム、アナリストの取り組み、LLM効率によって引き起こされる生産性向上のバランスを取る。 その結果、導入経済は文脈依存であり、自動化は正確性によって強制される悪用可能なレバーであり、エラーのコストとモデルの価格が二次的であることが示された。 分析されたモデルと価格全体を通じて、ほとんどの構成は収益性がなく、利益性は高い正確性、低い不確かさのデプロイメントに限定されている。 このモデルは、利益と損失の境界とそれを超える損失を突き止めることによって、エビデンスベースの採用決定の定量的基盤を提供する。

関連論文リスト

• Toward Expert Investment Teams:A Multi-Agent LLM System with Fine-Grained Trading Tasks [6.55184070677326]
  投資分析を細かなタスクに分解するマルチエージェント取引フレームワークを提案する。 実験結果から,細粒度タスクの分解はリスク調整されたリターンを著しく改善することが示された。 我々は,ストックインデックスと各システムの出力のばらつきとの相関を低くして,優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-02-26T18:37:36Z)
• Failure Modes in LLM Systems: A System-Level Taxonomy for Reliable AI Applications [0.0]
  大規模言語モデル(LLM)は、意思決定支援ツール、自動化、AI対応ソフトウェアシステムに急速に統合されている。 本稿では,現実のLLMアプリケーションで発生する15の隠れ障害モードのシステムレベルでの分類について述べる。
  論文  参考訳（メタデータ） (2025-11-25T05:19:23Z)
• Reasoning with Confidence: Efficient Verification of LLM Reasoning Steps via Uncertainty Heads [104.9566359759396]
  データ駆動の不確実性スコアに基づくステップレベルの推論検証の軽量な代替案を提案する。 本研究は, LLMの内部状態が不確実性を符号化し, 信頼性の高い検証信号として機能することが示唆された。
  論文  参考訳（メタデータ） (2025-11-09T03:38:29Z)
• Interpreting LLMs as Credit Risk Classifiers: Do Their Feature Explanations Align with Classical ML? [4.0057196015831495]
  大言語モデル(LLM)は、ゼロショットプロンプトによる分類タスクのための古典的な機械学習モデルの柔軟な代替品として、ますます研究されている。 本研究では,ゼロショットLPMに基づく分類器と,現実のローンデフォルト予測タスクにおいて,最先端の勾配ブースティングモデルであるLightGBMとを体系的に比較する。 我々は,それらの予測性能を評価し,SHAPを用いて特徴属性を分析し,LLM生成自己説明の信頼性を評価する。
  論文  参考訳（メタデータ） (2025-10-29T17:05:00Z)
• Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
  TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。 本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:08:55Z)
• The Real Barrier to LLM Agent Usability is Agentic ROI [110.31127571114635]
  大規模言語モデル(LLM)エージェントは、人間とAIの相互作用において有望な変化を示す。 我々は、需要の高いマスマーケットアプリケーションにおいて、重要なユーザビリティギャップを強調します。
  論文  参考訳（メタデータ） (2025-05-23T11:40:58Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
  大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。 本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• The Economic Implications of Large Language Model Selection on Earnings and Return on Investment: A Decision Theoretic Model [0.0]
  我々は、異なる言語モデルによる金銭的影響を比較するために、決定論的アプローチを用いる。 この研究は、より高価なモデルの優れた精度が、特定の条件下でどのようにしてより大きな投資を正当化できるかを明らかにしている。 この記事では、テクノロジの選択を最適化しようとしている企業のためのフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-05-27T20:08:41Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)

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。