AIユースケース選定は、順位表より検証資源の再配分で決まる

NIST AI RMF 1.0のMAP機能は、AIの事業価値、期待する便益と費用、対象範囲、非AIの代替手段を利用文脈とともに定義するよう示しています。[1] これはユースケースの収益性を実証したものではありませんが、候補を『要約』『検索』『エージェント』という機能名ではなく、誰のどの判断や成果を変えるのかで記述する基礎になります。

候補票の最初には、現在の判断、困っている人、望む結果、現行手順、非AIで改善する選択肢を置きます。AIが使えることではなく、AIを含む手順が現行または非AI代替より改善する余地があることを仮説にします。目的が曖昧な候補は、精度デモへ進めず課題定義へ戻します。

仮想例として『議事録を自動化する』では、作成時間、決定事項の抜け、担当者への引継ぎのどれが問題か分かりません。『会議後の次の業務開始までに、確認済みの決定・担当・期限を関係者へ届ける』と置けば、AI要約、テンプレート改善、会議運営変更を同じ成果で比べられます。

• DECISION：変えたい判断または確定成果を一つ置く
• OWNER：便益を受け、品質に責任を持つ人を定める
• BASELINE：現行手順の時間、品質、待ち、失敗を記録する
• ALTERNATIVE：AIを使わない改善策も同じ候補票へ置く

候補評価では、期待価値、検証可能性、失敗影響、可逆性、学習価値を別々に記録します。期待価値が大きくても成果が数年後にしか分からず、失敗が不可逆なら、最初の検証候補には向きません。価値が中程度でも短期間で比較でき、共通のデータ・評価基盤を学べる候補は探索の入口になり得ます。

NISTの生成AIプロファイルは、生成AIのリスクをモデル単体ではなく、データ、価値連鎖、誤情報、情報セキュリティ、プライバシー、人との相互作用など複数の群へ分けています。[2] 12群がすべての案件に同じ重みで当てはまるわけではありませんが、便益だけの順位表が用途固有の失敗を落とすことを防ぐ確認表になります。

五軸を加重平均して小数点の順位を作ることは勧めません。重大な権利侵害を大きな便益で相殺したり、測れない価値を仮の数値で埋めたりできるためです。各軸を高・中・低と根拠で示し、満たすべき下限と、追加調査で変えられる不確実性を分けます。

• VALUE：誰のどの成果が、どの時間軸で変わり得るか
• TESTABILITY：比較対象、観測可能な成果、必要期間を作れるか
• HARM：誤り、権利、情報、業務停止の影響と救済可能性は何か
• REVERSIBILITY：小規模化、手作業復帰、データ削除、利用停止ができるか
• LEARNING：他候補にも使えるデータ、評価、運用知識を何だけ得られるか

Dillonらの66社・7,137人の実験では、生成AIへアクセスできた利用者のメール時間が減っても、仕事の量や構成に検出可能な変化はありませんでした。[3] 幅広い導入候補を一度に試すと、利用は観測できても、どの工程がどの成果へつながったかを学べない場合があります。

候補を『全社展開』と『見送り』へ二分せず、問題確認、実行可能性、比較効果、運用耐久性の証拠段階へ分けます。最初は、必要データへ合法かつ安全にアクセスできるか、代表業務で品質下限を満たせるかを調べます。そこを通った候補だけが、従来手順との比較や複数部門での再現へ進みます。

一段階で答える問いは一つにします。実行可能性試験で利用者満足と財務ROIまで証明しようとすると、どの失敗で止めるか曖昧になります。次の資源配分を変えない測定は外し、各段階に必要な最小標本、期間、費用、通過・保留・停止の条件を持たせます。

• FRAME：問題、対象、非AI代替を確定する
• FEASIBILITY：データ、品質下限、権限、手作業復帰を試す
• EFFECT：従来手順と比較し、確定成果までの差を測る
• OPERATE：更新、例外、監視、費用を含めて継続できるか確かめる

学習価値とは、成功しそうな印象ではなく、検証結果によって次の選択がどれだけ変わるかです。結果が良くても悪くても同じ全社導入へ進むなら、その検証は意思決定を改善しません。反対に、小さな試験で複数候補の共通前提を消せるなら、直接便益が小さくても先に行う価値があります。

仮想例です。複数の候補が同じ社内文書基盤に依存するなら、候補別のデモを重ねる前に、正本、権限、鮮度、検索可能性を一つの代表業務で試します。失敗すれば基盤整備へ戻り、成功すれば複数候補の不確実性を同時に下げられます。ただし代表業務の成功が全用途の品質を保証するわけではありません。

学習価値は、共通前提の数、判断が反転する可能性、結果を次の行動へ使える時期で記述します。定量化できる場合も精密な金額へ見せず、どの候補のどの判断を変えるかを併記します。長い研究ほど価値が高いのではなく、次の選択に間に合うことが条件です。

ユースケースは独立したカードではありません。同じ専門家レビュー枠、データ基盤、法務審査、モデル契約を奪い合い、一つの候補が通ることで別の候補の費用やリスクが変わります。ポートフォリオ票には共通資源、順序依存、同時実行の上限を置きます。

高得点候補をすべて同時に始めると、希少な確認者が詰まり、各試験の品質が下がる可能性があります。選ばなかった候補も削除せず、保留理由、必要証拠、再審査日を残します。候補を始める費用だけでなく、その期間に実施できなくなる検証を機会費用として意思決定者へ示します。

組み合わせは、探索枠、検証枠、運用枠へ分けます。探索枠は不確実性が高いが学習価値のある少数候補、検証枠は比較可能な成果を持つ候補、運用枠は継続監視と更新費を負担する候補です。新規件数だけでなく、各枠の終了と撤回へも資源を予約します。

• SHARED：データ、評価、人、契約など共通制約を結ぶ
• SEQUENCE：前の検証が終わるまで開始できない候補を示す
• CAPACITY：専門家レビューと運用監視の同時上限を置く
• OPPORTUNITY COST：採用により遅れる候補と失う学習を残す

NIST AI RMFは、測定結果を使ってリスク対応を優先し、利用可能な資源と方法に応じて開発・配備を継続するか判断する考え方を示します。[1] [2] 本稿のポートフォリオモデルは、その枠組みを投資候補の再配分へ移した推奨であり、NISTが特定の五軸や会議方式を認証しているわけではありません。

月次または検証節目の会議では、順位を微調整するのではなく、新しい証拠で拡大、保留、再設計、停止のどれへ移すかを決めます。便益責任者だけでなく、業務、データ、品質、リスク、影響を受ける利用者が根拠を確認します。点数が高いという説明だけでは承認せず、前回から変わった証拠と残る不確実性を求めます。

良いポートフォリオは、候補数が多い状態ではありません。価値ある問いへ小さく資源を置き、証拠が強まった候補へ追加し、成立しない候補を早く戻し、そこで得た知識を次へ移せる状態です。停止を失敗として隠さず、回収した予算と学習を次の候補へ再配分します。

• EXPAND：証拠段階を通過し、残余リスクと運用能力を受容できる候補へ追加する
• HOLD：判断を変える証拠が不足する候補は期限と次の問いを付けて保留する
• REDESIGN：目的は残るが比較・データ・運用が壊れた候補は問題定義へ戻す
• STOP：下限未達または非AI代替が優れる候補を終了し、資源と学習を回収する