{ "schemaVersion": "1.0", "language": "ja", "id": "generative-ai", "name": "生成AI", "description": "生成モデルの活用と影響を横断する基本ファセット。", "alternateNames": [ "Generative AI" ], "canonicalUrl": "https://catalysphere.co.jp/topics/generative-ai/", "machineReadableUrl": "https://catalysphere.co.jp/topics/generative-ai/index.json", "updatedAt": "2026-10-01", "articles": [ { "slug": "ai-transparency-disclosure-design", "title": "AI透明性は一つの表示では終わらない", "summary": "EU AI Act Article 50を提供者／利用者と出力の種類で分け、人向け表示、機械が読み取れる印、例外、版の証拠を一つの表示設計記録へ落とす方法を整理します。", "quickAnswer": { "what": "Article 50は、役割とシステム・出力の種類ごとに別の透明性義務を置いており、一つの汎用バッジでは代替できません。[1]", "why": "人向け表示の明瞭さ・時機・アクセシビリティと、機械可読マーキング・検出可能性は、目的も実装面も異なります。[1] [3]", "action": "Catalysphereは、該当条項、配置、例外根拠、検査結果、版、責任者を残す表示設計の記録を公開前の受入確認に使うことを提案します。" }, "updatedAt": "2026-09-26", "url": "https://catalysphere.co.jp/articles/ai-transparency-disclosure-design/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-transparency-disclosure-design/index.json" }, { "slug": "ai-automation-capacity-conversion", "title": "聞き取りでは約90%減。余力は増えたのか", "summary": "匿名企業で、毎月のインターネット調査をAIを組み込んだRPAで自動化した。関係者への聞き取りでは作業時間が約90%減った一方、数か月後に新しい仕事へ使われたと説明できたのは、減ったと推定された時間の10〜20%だった。実際に空いた時間と、その使い道をどう測るかを考えます。", "quickAnswer": { "what": "匿名企業の一業務では、聞き取りで作業時間が約90%減ったと推定された。ただし、この数値だけでは横展開や財務効果を認められない。", "why": "二つの割合は基準にしている時間が違う。ログ、案件数、品質、確認・修正・保守時間も未確認で、この数値だけでは利益や因果関係を判断できない。", "action": "現時点で承認できるのは測定段階まで。まず工程時間と品質、確認・修正・保守を確かめ、その後に空いた時間の使い道を追う。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-automation-capacity-conversion/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-automation-capacity-conversion/index.json" }, { "slug": "rpa-redesign-operational-handoff", "title": "RPAを見直す――AI時代の実行方式と運用移管", "summary": "業務を見直した後に残る処理を、基幹機能、API、RPA、AI、人へどう割り当て、作成者不在でも運用できると何で判定するかを整理します。", "quickAnswer": { "what": "RPAはAIの古い代替ではなく、規則と完了条件を明示できる画面操作を担う選択肢の一つです。", "why": "基幹機能、API、RPA、AI、人は排他的な五択ではなく、正本、接続、操作、判断、承認という異なる役割を組み合わせます。", "action": "工程ごとに「実行方式・移管受入票」を作り、作成者不在の演習で監視、停止、手動継続、支援要請、業務回復を確認し、未達なら共同運用、範囲縮小、移管延期へ戻します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/rpa-redesign-operational-handoff/", "machineReadableUrl": "https://catalysphere.co.jp/articles/rpa-redesign-operational-handoff/index.json" }, { "slug": "ai-workflow-redesign", "title": "AI導入後の業務は、どこまで再設計すべきか", "summary": "一部工程の時間短縮を全体成果と見なさず、ボトルネック、例外、専門家への引継ぎ、余力の再配分まで含めて業務フローを組み替えます。", "quickAnswer": { "what": "AI導入後は職務を丸ごと置き換えず、生成・評価・例外判断・承認の工程ごとに役割を再設計します。", "why": "個人の工程が速くなっても、後工程、確認負荷、需要、例外処理が変わらなければ全体成果は増えないためです。", "action": "端から端のリードタイム、確定品質、再作業、例外滞留、専門家負荷を測り、詰まりが移った工程から直します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-workflow-redesign/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-workflow-redesign/index.json" }, { "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": "multilingual-llm-equity", "title": "多言語AIの平均点は、言語間の不公平を隠す", "summary": "翻訳ベンチマークの総合点だけで展開せず、文化依存項目、母語話者評価、言語別の最悪性能、救済経路から提供範囲を決めます。", "quickAnswer": { "what": "英語からの翻訳評価だけでは、文化に依存する問いと低資源言語の失敗を見落とし得ます。", "why": "モデル全体の性能向上が、言語間の最悪差を自動的に縮めるとは限りません。", "action": "言語別の正答、棄権、重大失敗、人との評価一致を測り、下限未達の提供を制限します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/multilingual-llm-equity/", "machineReadableUrl": "https://catalysphere.co.jp/articles/multilingual-llm-equity/index.json" }, { "slug": "long-context-reliability", "title": "長文AIは公称上限で承認しない――位置・根拠・費用で実効長を決める", "summary": "長文AIの導入責任者が、位置・問題型・ノイズを変え、全文・分割・検索の最悪品質と総確認費から自動化できる範囲を決める方法を示します。", "quickAnswer": { "what": "入力上限は、長い文書のどの位置からも必要根拠を安定して使える保証ではありません。", "why": "単純な文字列探索と、離れた複数根拠を結ぶ業務推論を別々に評価する必要があります。", "action": "全文投入、分割、検索を同じ問題集合で比べ、品質下限と総確認費を満たす範囲だけを承認します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/long-context-reliability/", "machineReadableUrl": "https://catalysphere.co.jp/articles/long-context-reliability/index.json" }, { "slug": "chain-of-thought-auditability", "title": "AIの思考過程は、監査証跡ではなく調査仮説である", "summary": "Chain-of-Thoughtの流暢さを内部判断の再現とみなさず、回答精度、因果的な忠実性、隠れた手掛かり、実行ログを分けた監査設計を示します。", "quickAnswer": { "what": "表示されたChain-of-Thoughtは調査の手掛かりにはなりますが、モデル内部の判断経路を忠実に再現する監査証跡とは限りません。", "why": "結論を変えた選択肢順序や暗黙の手掛かりを説明文が省き、もっともらしい事後合理化を生成する実験証拠があるためです。", "action": "CoTは仮説生成へ限定し、入力、取得根拠、ツール応答、状態差分、独立検算を正本として、忠実性を別試験します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/chain-of-thought-auditability/", "machineReadableUrl": "https://catalysphere.co.jp/articles/chain-of-thought-auditability/index.json" }, { "slug": "ai-generated-text-detection-evidence", "title": "AI文章検出器は、不利益判断の単独証拠にできない", "summary": "AI文章検出器と生成時透かしを分け、言い換え耐性、未知モデル、集団別偽陽性、本人の版履歴と異議申立てまで含む証拠手順を設計します。", "quickAnswer": { "what": "AI文章検出のスコアは生成由来を確定する証明ではなく、高影響な処分では調査開始の一材料に限定すべきです。", "why": "事後検出は言い換え・未知モデル・言語集団で崩れ、生成時透かしも提供者実装・鍵・文章長・改変に依存するためです。", "action": "用途別の偽陽性の上限を置き、版履歴、引用、作業ログ、本人説明を併合し、独立再審査と訂正可能な異議経路を実装します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-generated-text-detection-evidence/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-generated-text-detection-evidence/index.json" }, { "slug": "synthetic-training-data-model-collapse", "title": "合成データの再帰学習では、平均より先に分布の尾が失われる", "summary": "合成データの再利用を一律に禁じるのではなく、実データの置換・蓄積・選別を分け、希少事例と多様性を守る学習データ運用を設計します。", "quickAnswer": { "what": "合成データは自動的にモデル崩壊を起こしませんが、実データを置き換える再帰学習では分布の尾と多様性が失われ得ます。", "why": "劣化は素材名より、実データの保持、世代間の再利用、標本選択、有限データの誤差がどう重なるかで変わるためです。", "action": "標本の由来と世代を残し、平均性能と別に少数群・裾・多様性を試験します。悪化した合成源や区分を隔離し、確認済みの基準構成へ戻してから再試験します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/synthetic-training-data-model-collapse/", "machineReadableUrl": "https://catalysphere.co.jp/articles/synthetic-training-data-model-collapse/index.json" }, { "slug": "ai-conversational-persuasion-autonomy", "title": "会話AIは、人の選択をどこまで変えてよいのか", "summary": "個別化された会話AIは、誤信念の訂正にも、本人が気づかない商業誘導にも使えます。正当な行動支援と操作を分け、自律性を測る運用条件を整理します。", "quickAnswer": { "what": "会話AIの影響は、望ましい結果が出たかではなく、誰の目的で、何を知らせ、どの選択肢を残して変化を促したかで判定します。", "why": "個別化と対話は態度や選択を動かし得ますが、短期の納得、持続的な態度、実際の行動は同じ成果ではありません。[2][4][6]", "action": "目的・商業意図・利用データを明示し、拒否・比較・撤回を実質的に可能にしたうえで、態度と行動と選択後の後悔を分けて測ります。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-conversational-persuasion-autonomy/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-conversational-persuasion-autonomy/index.json" }, { "slug": "ai-reliance-calibration-behavioral-science", "title": "説明を増やしても、AIへの依存は正しくならない", "summary": "AIの説明、確信度表示、判断順序、利用者制御は、正しい助言の採用と誤った助言の棄却を本当に両立できるのか。行動実験から条件を整理します。", "quickAnswer": { "what": "AIの説明・透明性・利用者制御は、それ自体では適切な依拠を保証せず、正答採用と誤答棄却を別々に測る必要があります。", "why": "説明が検証コストを下げ、利用者に独立知識があり、不確実性が実際の正答確率と結び付くときに校正へ寄与しやすいためです。", "action": "説明なし、常時説明、条件付き説明、先行判断・強制停止を比較し、過信と過少利用の両方が下がった設計だけを採用します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-reliance-calibration-behavioral-science/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-reliance-calibration-behavioral-science/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": "generative-ai-copyright-provenance", "title": "生成AIの著作権管理は、最終出力ではなく制作工程から始まる", "summary": "学習・生成・公開を別々に捉え、権利確認と来歴記録を一つの運用証跡にする方法を、日本・EU・C2PAの一次資料から整理します。", "quickAnswer": { "what": "生成AIの著作権リスクは、生成物だけでなく学習データ、指示・編集、公開方法を通じた一連の工程として管理します。[1] [2]", "why": "法的判断と技術的来歴は役割が異なり、C2PAは来歴情報の改変検知を支えても、権利処理の適法性そのものは保証しません。[3]", "action": "案件ごとに権利根拠、利用規約、人の創作的寄与、生成履歴、公開時の表示を同じ台帳へ残し、疑義があれば公開を止めて専門家へ確認します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/generative-ai-copyright-provenance/", "machineReadableUrl": "https://catalysphere.co.jp/articles/generative-ai-copyright-provenance/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-creativity-diversity", "title": "生成AIは創造性を高めながら、アイデアを均質化するのか", "summary": "AI支援で一つひとつの案が良くなっても、組織全体の案が似てしまえば探索範囲は狭まります。創造性研究を基に、品質と集合的多様性を別々に管理する方法を考えます。", "quickAnswer": { "what": "生成AIは個々の案の評価を高めながら、集団全体の案を似せて探索範囲を狭める可能性があります。", "why": "多くの人が同じモデルの既知パターンへ誘導されると、平均品質と集合的多様性が別方向へ動くためです。", "action": "AI利用前の独立案を残し、前提の異なる役割を割り当て、品質と案の重複率を別々に評価します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/generative-ai-creativity-diversity/", "machineReadableUrl": "https://catalysphere.co.jp/articles/generative-ai-creativity-diversity/index.json" }, { "slug": "generative-ai-learning-design", "title": "生成AIは学習を深めるのか、支援中の成績を上げるだけか", "summary": "生成AIを使って解けたことと、AIなしでも解けることは同じではありません。メタ分析と教育実験から、支援中の成績、独力の再現、長期保持を分ける学習設計を考えます。", "quickAnswer": { "what": "生成AIは練習中の成果を上げても、理解、保持、別課題への転移まで改善するとは限りません。", "why": "答えを早く得る支援は認知負荷を下げる一方、必要な思考と誤りから学ぶ機会も減らし得るためです。", "action": "ヒントを段階化し、AIなしの直後試験と遅延試験を設け、支援中の成績と学習を分けて測ります。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/generative-ai-learning-design/", "machineReadableUrl": "https://catalysphere.co.jp/articles/generative-ai-learning-design/index.json" }, { "slug": "human-ai-synergy-meta-analysis", "title": "人とAIの協働は、人だけを超えても最良の単独主体を超えるとは限らない", "summary": "人より良くなる拡張効果と、人またはAIの最良成績を超える相乗効果を分け、106実験のメタ分析と経営実験から協働が成立する条件を考えます。", "quickAnswer": { "what": "人とAIの協働は、人だけより良くても、最も優れた単独の人またはAIを超えるとは限りません。", "why": "強みが重複したり、誤った助言を人が採用したりすると、組み合わせの追加価値が消えるためです。", "action": "生成、評価、選択、最終責任を分け、単独の最良基準を含む比較試験で相乗効果を確かめます。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/human-ai-synergy-meta-analysis/", "machineReadableUrl": "https://catalysphere.co.jp/articles/human-ai-synergy-meta-analysis/index.json" }, { "slug": "llm-professional-decision-quality", "title": "生成AIの助言で、専門家の判断は良くなるのか", "summary": "医師を対象にした無作為化試験と臨床研究の統合結果から、生成AIの助言が判断を改善する条件と、アクセスだけでは効果が出ない理由を整理します。", "quickAnswer": { "what": "生成AIの助言は専門家の判断を自動的には改善せず、課題と使い方によって利益も害も生じます。", "why": "AI単独の性能が高くても、人が誤った助言を見抜けるか、画面が検証を促すかで協働結果が変わるためです。", "action": "AIあり・なしを同じ症例で比較し、正答、時間、見逃し、訂正率を分けて導入可否を判断します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/llm-professional-decision-quality/", "machineReadableUrl": "https://catalysphere.co.jp/articles/llm-professional-decision-quality/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" } ] }