{ "schemaVersion": "1.0", "language": "ja", "id": "economics-sustainability", "name": "経済性・持続可能性", "description": "費用対効果、労働、調達と計算資源の外部性を扱う。", "alternateNames": [ "Economics & Sustainability", "ROI", "生産性", "労働市場", "雇用", "推論コスト", "ロックイン", "AI調達", "ベンダー評価", "データセンター", "電力", "水資源", "サステナビリティ" ], "canonicalUrl": "https://catalysphere.co.jp/topics/economics-sustainability/", "machineReadableUrl": "https://catalysphere.co.jp/topics/economics-sustainability/index.json", "updatedAt": "2026-10-01", "articles": [ { "slug": "ai-use-case-portfolio-prioritization", "title": "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", "summary": "期待効果の大きさだけで順位を付けず、検証可能性、失敗影響、可逆性、学習価値を使ってAI候補へ探索・検証資源を配分します。", "quickAnswer": { "what": "AIユースケースは、期待価値の順位ではなく、次の判断を改善する検証ポートフォリオとして選びます。", "why": "便益、失敗影響、検証可能性、可逆性、共通基盤が異なり、粗い総合点では重要な不確実性が隠れるためです。", "action": "候補ごとに最小の証拠段階と撤回条件を置き、検証後に拡大・保留・停止へ予算を再配分します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-use-case-portfolio-prioritization/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-use-case-portfolio-prioritization/index.json" }, { "slug": "ai-pilot-experiment-design", "title": "生成AIの本番移行を決めるパイロット比較設計", "summary": "従来手順とAI支援手順を同じ条件で比べ、確認・修正を含む人の時間、確定品質、未完了案件を記録します。本番移行・保留・再試験・停止を決める比較票を提示します。", "quickAnswer": { "what": "生成AIの本番移行は、従来手順との比較で業務成果と品質を確認できた範囲に限定します。", "why": "アクセス、実利用、初稿の速さ、確認負荷、確定成果を分け、未完了や観測できない成果も判断に残す必要があります。", "action": "割付、受付件数、総人時間、品質、追跡期限、欠測、停止権限を比較票へ固定し、費用換算へ渡す測定値を揃えます。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-pilot-experiment-design/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-pilot-experiment-design/index.json" }, { "slug": "algorithmic-management-worker-agency", "title": "アルゴリズム管理は、仕事の裁量を奪うのか", "summary": "配分、監視、評価、報酬を機能別に分け、効率だけでなく自律性、接続圧力、不安、異議申立てを下限に置く仕事設計を整理します。", "quickAnswer": { "what": "アルゴリズム管理は一律に有害でも有益でもなく、役割明確化という資源と、裁量低下・監視・不安という要求を同時に生み得ます。", "why": "既存証拠は調査・観察・限定事例が多く、同じ技術でも管理機能、報酬、職場参加、人による再審査で結果が変わるためです。", "action": "配分・監視・評価・制裁を分け、業績、自律性、健康、異議実効性へ別々の下限を置き、労働者参加と裁量域を実装します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/algorithmic-management-worker-agency/", "machineReadableUrl": "https://catalysphere.co.jp/articles/algorithmic-management-worker-agency/index.json" }, { "slug": "small-model-routing-economics", "title": "最強モデルの全件利用は、最良の投資とは限らない", "summary": "全依頼を高性能モデルへ送る設計も、安価なモデルへ固定する設計も最適とは限りません。カスケードとルーター研究から、品質制約付きの振り分けを考えます。", "quickAnswer": { "what": "モデルの大きさを全社で一つに決めるより、依頼ごとに安価な経路と高性能な経路を選ぶ方が合理的な場合があります。", "why": "依頼の難しさとモデル間の得意不得意が不均一で、品質を維持したまま高価な呼び出しを減らせる余地があるためです。", "action": "自社入力で品質下限、誤振り分け損失、再試行、遅延を測り、低確信・高影響・範囲外・検証不能な案件を安全側へ昇格するルールを検証します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/small-model-routing-economics/", "machineReadableUrl": "https://catalysphere.co.jp/articles/small-model-routing-economics/index.json" }, { "slug": "generative-ai-energy-water", "title": "生成AIの電力と水は「一質問あたり」では測れない", "summary": "一回のプロンプトの印象値ではなく、用途、処理量、モデル、地域、時間、設備を含む電力・水の測定境界を定め、調達と運用へ反映します。", "quickAnswer": { "what": "IEAの2026年更新では、世界のデータセンター電力消費は2025年の485TWhから2030年に950TWhへ約2倍となる中心見通しです。[1]", "why": "米国の2030年推計は基準ケース649TWh・総電力の11.8%で、水はモデル、設備、地域、時刻により変わるため単一の換算値で管理できません。[2] [3]", "action": "ユースケース単位で処理量と代替手段を比べ、供給者から電力・水の測定範囲、地域、期間、推計方法を取得し、品質・費用と同じ会議で判断します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/generative-ai-energy-water/", "machineReadableUrl": "https://catalysphere.co.jp/articles/generative-ai-energy-water/index.json" }, { "slug": "ai-vendor-evaluation-exit", "title": "AIベンダー選定は、契約終了後の再開能力まで試験する", "summary": "精度デモだけで選ばず、データ、モデル依存、契約、移行可能性、停止・代替手段を導入前に試験するベンダー評価を整理します。", "quickAnswer": { "what": "AIベンダー評価では、現在の品質だけでなく、構成要素の可視性、変更通知、データ返却、代替モデルへの移行、終了後の削除までを選定条件にします。[1] [2]", "why": "NISTは生成AIを12のリスク群で整理し、第三者部品の依存、decommission、fallback、契約条件を明示的な管理対象にしています。[2]", "action": "PoC契約の前にサンプルデータを実際に書き出し、代替手段で再実行し、復旧時間・品質差・失われる機能を測る出口演習を行います。[3]" }, "updatedAt": "2026-07-24", "url": "https://catalysphere.co.jp/articles/ai-vendor-evaluation-exit/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-vendor-evaluation-exit/index.json" }, { "slug": "generative-ai-labor-market-effects", "title": "生成AIは雇用を変えるのか、それとも先に仕事を組み替えるのか", "summary": "生成AIの影響を、タスク時間、既存社員の賃金・労働時間、フリーランス需要、若年採用に分け、どこから変化が表れるかを読み解きます。", "quickAnswer": { "what": "生成AIの労働影響は一斉の雇用減ではなく、まず仕事の配分、外注需要、若年層の採用から表れ得ます。", "why": "タスクの時間短縮と、企業の雇用、賃金、採用は異なる調整経路と時間軸を持つためです。", "action": "人員数だけでなく、職務別の採用、移動、時間配分、新しい監督業務を継続して観測します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/generative-ai-labor-market-effects/", "machineReadableUrl": "https://catalysphere.co.jp/articles/generative-ai-labor-market-effects/index.json" }, { "slug": "ai-coding-productivity-context", "title": "AIコーディングは、いつ開発を速め、いつ遅くするのか", "summary": "AIコーディングの平均効果だけでは投資判断できない。実験室、企業、成熟OSSの研究を比較し、速度を左右する仕事・人・測定の条件を整理します。", "quickAnswer": { "what": "AIコーディングは、仕様が明確で検証しやすい仕事を速めても、文脈の深い保守を遅らせる場合があります。", "why": "出力の生成時間だけでなく、説明、待機、検証、レビュー、修正の負担が仕事ごとに異なるためです。", "action": "業務を検証容易性と文脈量で分け、着手からマージ後の再作業までをAIあり・なしで比べます。" }, "updatedAt": "2026-07-24", "url": "https://catalysphere.co.jp/articles/ai-coding-productivity-context/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-coding-productivity-context/index.json" }, { "slug": "generative-ai-roi-design", "title": "生成AIのROIは、導入前の設計で決まる", "summary": "研究が示す生産性向上を、そのまま事業価値と見なさない。時間、品質、正答、利用コストを業務単位で接続するROI設計を考えます。", "quickAnswer": { "what": "生成AIのROIは、短縮時間だけでなく品質、再作業、総コストを含む業務成果で判断します。", "why": "同じAIでも、業務の難易度、利用者の熟練度、確認工程によって効果が反転し得るためです。", "action": "導入前に業務単位の基準値と継続・停止条件を固定し、小さな比較検証から始めます。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/generative-ai-roi-design/", "machineReadableUrl": "https://catalysphere.co.jp/articles/generative-ai-roi-design/index.json" } ] }