論文の概要: The Two-Ledger Model: Transaction-Grain Cost Accounting for Multi-Agent AI Systems Across Clouds, Models, and Systems of Record

• arxiv url: http://arxiv.org/abs/2611.06989v1
• Date: Wed, 04 Nov 2026 17:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.421767
• Title: The Two-Ledger Model: Transaction-Grain Cost Accounting for Multi-Agent AI Systems Across Clouds, Models, and Systems of Record
• Title（参考訳）: Two-Ledger Model: クラウド、モデル、記録システム全体にわたるマルチエージェントAIシステムのためのトランザクション-グラインドコスト会計
• Abstract要約: ファイナンスは、SKUと課金期間によって集約された決済穀物のみのAIコストを受け取る。 FinOps Open Cost and Usage Specification (FOCUS)は、請求データに対して、プロバイダ間で1つのスキーマを提供するが、決済は継続する。 本稿では, FOCUS に適合する請求データの決済台帳を, 呼び出し・粒度利用記録の帰属台帳に結合して提案する 2-Ledger Model を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Enterprises run business transactions through multi-agent AI systems spanning clouds, large language models (LLMs), orchestration harnesses, and systems of record. Finance receives AI cost only at settlement grain, aggregated by SKU and charge period. The business question (what did this order, claim, or case cost in AI?) cannot be answered from billing data, because providers never see enterprise transaction boundaries. The FinOps Open Cost and Usage Specification (FOCUS) gives billing data one schema across providers but remains settlement-grain even as it adds AI token and requester attribution. We formalize this grain mismatch, derive seven requirements, and propose the Two-Ledger Model: a settlement ledger of FOCUS-conformant billing data joined to an attribution ledger of invocation-grain usage records built on OpenTelemetry GenAI telemetry. A layered correlation spine (trace context, A2A/MCP metadata, business-key correlation, probabilistic matching) assigns each record to its business transaction with recorded method and confidence; a versioned rate card prices usage in near real time; period reconciliation ties both ledgers to the invoice, and the unexplained residual identifies shadow AI. Costs are reported per order, claim, or outcome with agentic cost metrics. A simulation with known ground truth shows the spine sustaining cost coverage above 99% as trace propagation falls to zero, the reconciliation residual recovering planted unmetered spend within 0.24 percentage points while flagging provider billing errors, and mid-flight gating cutting p99 transaction cost by up to 61% at a 2-4% false-pause rate. We propose the attribution ledger as an invocation-grain FOCUS profile for standardization.
• Abstract（参考訳）: 企業はクラウド、大規模言語モデル(LLM)、オーケストレーションハーネス、記録システムにまたがるマルチエージェントAIシステムを通じてビジネストランザクションを実行する。 ファイナンスは、SKUと課金期間によって集約された決済穀物のみのAIコストを受け取る。 ビジネス上の問題(この注文、請求書、AIのケースコストは?)は請求データからは答えられません。 FinOps Open Cost and Usage Specification (FOCUS)は、請求データに対して、プロバイダ間で1つのスキーマを提供するが、AIトークンとリクエストアトリビューションが加えられたとしても、解決に適していない。 我々は、この粒度ミスマッチを形式化し、7つの要件を導出し、OpenTelemetry GenAIテレメトリ上に構築された呼び出し・粒度利用記録の帰属台帳に、FOCUSに適合する請求データの決済台帳を結合したTwo-Ledger Modelを提案する。 階層化相関スピン(トレースコンテキスト、A2A/MCPメタデータ、ビジネスキー相関、確率マッチング)は、各レコードをそのビジネストランザクションに記録されたメソッドと信頼性で割り当て、バージョン付きレートカードの価格設定をほぼリアルタイムで行う。 コストは、エージェントコストの指標によって、順番、クレーム、結果毎に報告される。 既知地上事実を用いたシミュレーションでは、トレーサ伝播が0に低下するにつれて、脊椎が99%以上のコストカバーを持続し、未測定の未測定使用が0.24ポイント以内で回復し、プロバイダの請求エラーを警告し、飛行途中のギティングでp99取引コストを最大61%削減し、2-4%の偽ポーズ率で61%削減した。 本稿では,標準化のためのFOCUSプロファイルとして属性台帳を提案する。

関連論文リスト

• TRIDENT-Seq: Profile-Matched Prefix-Future Contrast for Label-Efficient Payment Risk Modeling [11.099727240743926]
  Ant Internationalは、ユーザと支払いビジネスの間で大量のトランザクション履歴を蓄積している。 PFC(Prefix-Future Contrast)を用いたトランザクション基盤モデルTRIDENT-Seqを提案する。 PFCは各接頭辞に類似した行動プロファイルを持つ候補者のその後の行動の要約と一致する。
  論文  参考訳（メタデータ） (2026-10-27T15:01:12Z)
• Parallel AI Agent Collaboration as Graph-Structured Distributed Block Optimization [51.43213415859029]
  並列AIエージェントは、有効なローカル編集を生成できるが、編集が組み合わされた場合、共有ソリューションを分解できることが示される。 独立集合は、同じ現在の解に対して測定された検証されたゲインが正確に加算された互換性のある編集を認証する。 最適な分数カラー化は、検証された局所改善の合計の1/f(G)=1/f(G)の分数を保持する合併をもたらすことを証明している。
  論文  参考訳（メタデータ） (2026-10-21T17:27:17Z)
• Evaluating Inference Compute for Generative AI: A Framework for Enterprise Workloads [0.0]
  LLMの展開は単ターン完了からエージェント軌道へ移行している。 これは推論ハードウェアの経済性を逆転させる。 この体制がなぜインディーに重みを保ち続ける加速器を好んでいるかを示す。
  論文  参考訳（メタデータ） (2026-10-05T13:31:06Z)
• Total Cost of Agency: Exact Attribution of Memory Injection Cost in Multi-Agent LLM Workflows [0.8770825039504507]
  マルチエージェントワークフローのコストをプロンプト、推論、メモリインジェクション、ミスペナルティ、コンテキスト蓄積コンポーネントに分解する。 ワードカウントプロキシからトークンを推定するのではなく、直接トークンを注入する。
  論文  参考訳（メタデータ） (2026-09-20T18:23:47Z)
• The Multi-Lab Enterprise: Governance, FinOps, and Telemetry Challenges of Multi-Model AI Adoption [0.0]
  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。
  論文  参考訳（メタデータ） (2026-07-31T08:17:20Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• LLM Readiness Harness: Evaluation, Observability, and CI Gates for LLM/RAG Applications [51.56484100374058]
  評価をデプロイメント決定ワークフローに変換するLLMおよびRAGアプリケーションのための準備性ハーネスを提案する。 このシステムは、最小限のAPI契約の下で、自動ベンチマーク、OpenTelemetryオブザーバビリティ、CI品質ゲートを組み合わせる。 チケットルーティングとBEIRタスクのハーネスを、完全なAzureマトリックスカバレッジで評価する。
  論文  参考訳（メタデータ） (2026-03-28T18:03:32Z)
• Data Sharing Markets [95.13209326119153]
  我々は、各エージェントがデータの買い手および売り手の両方になり得る設定について検討する。 両データ交換(データ付きトレーディングデータ)と一方データ交換(お金付きトレーディングデータ)の2つの事例を考察する。
  論文  参考訳（メタデータ） (2021-07-19T06:00:34Z)

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。