AI ハイライト ── 全体像 — 2026-10-17 (土)

銀行は3000人を減らしながら、AIの目的は効率化であって代替ではないと説明する。企業向けソフトでは、AIエージェントが自動操縦に近づいても人の関与は残ると語られる。創薬では最大15億ドル規模の提携が結ばれ、診断では予測モデルが個々の腫瘍の判断に入り込んでいる。速さを生む力は、業務の現場にも研究室にも臨床にも、同じ時期に届いている。ここで読者に手渡したいのは、導入の成否を分けるのが性能の高さではなく、どの工程をAIに任せ、どの判断を人に残すかという線引きだという見方である。企業の説明や資金の大きさは、その線引きの根拠にならない。本文では、各分野で線がどこに引かれているかを順に確認する。

人員削減の言葉と、現場で起きている役割の変化

銀行の人員削減を伝える記事には、削減数と並んで説明の言葉が出てくる。Axis BankはFY26に3000人を減らす。報道（Goodreturns）によると、同行はAIの目的を業務効率化とし、人員の代替ではないと位置づけている。テック業界でも、AIと人員削減が雇用をどこへ向かわせるのかが地元メディアで取り上げられている（KTVU）。ただ、この種の発表では「3000人」という数字と「代替ではない」という説明が同じ紙面に並ぶ。説明の言葉は、読者が判断を預けられる根拠にはならない。

企業向けソフトの側では、人を残す設計が仕様として語られている。Workday Rising 2026の分析（iTWire）は、WorkdayのAIエージェントが自動操縦に近づく一方で、人の関与は維持されると伝えた。自動化が進むほど、どの工程に人を置くかは製品の設計判断になる。導入を検討する側が見るべきなのは、削減人数の多寡ではない。承認や例外対応のどこが人の手に残るのかである。

仕事の中身の変化は、介護、教育、住宅支援の現場のほうが具体的に見える。高齢者施設の報告書を取り上げた記事（McKnight's Senior Living）は、AIの業務活用が介護職の支えになっていると報じた。静岡県は県営団地にAIチャットを導入し、単身世帯の孤立対策に使う（毎日新聞）。教育では、SBCCDとBBOP CenterがCollege CorpsでAIリテラシーの提携を始めた（Precinct Reporter News）。この3件はいずれも、AIが人を置き換えるというより、人が担う仕事の範囲や、人に求められる力を変えている例として読める。介護職は記録や確認の一部をAIに任せ、団地の住民はまずチャットで相談できるようになる。学ぶ側はAIを使いこなす力そのものを身につける。

そのため、雇用への影響は削減数だけで測れない。同じ「効率化」という言葉でも、人員を減らす場合と、人が対話や判断に回れるようにする場合とでは、働く人に起きることが違う。導入の成否を分けるのは、AIに何を任せ、人に何を残すかという線引きである。この線引きが、創薬や診断のように誤りの代償が大きい領域でどう引かれているかを、次に見ていく。

創薬と診断で進む、AIへの資金と臨床導入

資金はすでにAI主導の事業へ動いている。アストラゼネカは、AI創薬のインシトロと最大15億ドル規模の提携を結んだ（BigGo ファイナンス）。Google.orgは、トロント大学チームがペプチド創薬向けAIエンジン「OpenPep」を構築するために230万ドルを支援する（Bioengineer.org）。金融でも、スウェーデンのMattersがAIネイティブ銀行の立ち上げに500万ドルを調達した（The Next Web）。日本では官民370兆円、戦略17分野の中でAI・造船・創薬が並べて論じられている（日経ビジネス電子版）。提携の「最大」15億ドルという表現は、全額が約束されたわけではない点に注意が必要だ。読者が見るべきは金額の大きさよりも、その資金がどの工程をAIに任せる前提で組まれているかである。

臨床の側では、導入の議論が資金の動きに追いつこうとしている。画像診断のリーダーらは、臨床現場でAI自動化をどこまで広げるかをウェビナーで議論した（Radiology Business）。ここで根拠になるのが研究だ。Journal of Imagingには、CTによる肺結節検出でAI支援が放射線科医の成績に与える影響を、検出精度研究の系統的レビューとメタアナリシスで検証した論文がある。AIの精度ではなく、AIを使った医師の成績を測っている点が重要である。Journal of neuro-oncologyの研究は、MRIによる髄膜腫の術前WHOグレード予測で、多施設データを用いて深層学習、ラジオミクス、臨床、統合モデルを開発し比較した。単独のモデルと統合モデルを並べて比べる設計なので、何を組み合わせれば使えるのかを問う研究だといえる。

この二つの流れを並べると、判断の置き場所が見えてくる。創薬や新しい銀行では、資金が先に出て、成果は後から検証される。診断では、検証の問いが「AIが正しいか」から「AIを使った人の成績がどう変わるか」へ移っている。導入を検討する側は、提携額や調達額ではなく、人の成績まで測った根拠があるかを確認するほうが、任せる範囲を決める材料になる。

資金が集まる速さと、検証が積み上がる速さは同じではない。その差を誰が埋めるのかという問いが、次の節につながる。

予測モデルが腫瘍の個別判断に入り込む

乳がんの研究では、機械学習で作る「パソミクス・シグネチャー」を使い、CXCL9 の発現と予後を評価する新しいデジタルマーカーが示された（CytoJournal）。肺腺がんでは、AI で導いた炎症・代謝エコシステム・シグネチャーから、微小環境のリモデリングと免疫回避を進める因子として ATP2A2 が同定されている（Frontiers in Cell and Developmental Biology）。どちらも、病理像や遺伝子発現のデータから予後に関わる指標を取り出す研究だ。モデルが出す数値だけでなく、その数値がどの生物学的因子に結びつくかまで示そうとしている点が共通している。

画像を使う研究でも同じ方向が見える。転移性去勢感受性前立腺がんでは、ガイドラインに沿った治療強化を受けるかどうかを予測する因子を、説明可能な機械学習で調べている（Frontiers in Oncology）。肝がんでは、腫瘍内ハビタットと腫瘍周囲ラジオミクスを組み合わせ、初回 TACE の効果の予測精度を高めた。多施設の後ろ向き研究である（Frontiers in Oncology）。腎がんでは、造影 CT 由来の細胞外容積分画を用い、解釈可能な機械学習で淡明細胞型腎細胞がんの WHO/ISUP グレードを術前に予測している（Frontiers in Oncology）。予後、治療選択、治療効果、グレードと、予測の対象は腫瘍ごとの個別判断の各場面に広がっている。

こうした研究は、予測そのものより、予測の理由を示せるかを成果に据えている。個別の患者に適用する段階では、根拠を示せないモデルは医師が検討する材料にならず、示せるモデルは医師が納得するか、誤りに気づくための材料になる。導入を検討する側は、精度の数字だけで比べるのでは足りない。何を根拠に予測したのかを、臨床の担当者が確認できる形で出せるかを問う必要がある。なお、肝がんの研究は後ろ向きである。実際の診療で効果を確かめた結果ではないことも、読む側は押さえておきたい。

この流れは腫瘍だけにとどまらない。AI で 10 万 1 千人を解析した研究では、褐色脂肪が心臓や精神の健康と関連することが示された（News-Medical）。解析の規模が大きくなるほど、関連が見つかる速さは増す一方、その関連をどう読み、どこまで判断に使うかは人が決めることになる。説明できる予測が評価の軸になるということは、予測を受け入れる責任が、使う側の人に残るということでもある。次の節では、その責任を組織の中でどう分けるかを見ていく。

肯定し続けるAIと、規制・競争の圧力

常に肯定してくれるAIには、対人関係を損なう恐れがある。Forbes JAPANは、責任転嫁や共感の欠如への懸念を伝えている。使い手に都合のよい返事ばかりが返ると、自分の振る舞いを見直す機会が減るという見立てだ。一方で、対話サービスの側は広がり続けている。Universidad de Córdoba（UCO）の発信には、18歳以上向けでフィルターなしの性的会話チャットボットや、プライバシー管理付きの「AI girlfriend love simulator」型サービス（AI Girl Generator Online With Customizable Characters And Privacy Controls）が並ぶ。プライバシー設定を備えることが売り文句になっており、利用者のデータをどう扱うかが商品の一部になっている。導入を検討する側は、機能の多さよりも、AIが何でも肯定する設計かどうか、会話記録を誰が管理するのかを先に確かめる必要がある。

AIの「考える力」をめぐる議論も続いている。Deccan Heraldは、インド哲学のプルシャとプラクリティの考え方を引いて、AIの意識の限界と、機械は考えるのかという問いを扱った。Psychology Todayは、本物の絵画がAI生成に見えてしまう理由を論じている。どちらも、人が「AIらしさ」を見分ける感覚が揺らいでいることを示す。出力が本物か生成物かを人の目で判定する運用は、前提から見直しが要る。

規制と競争の圧力は、使い方に外から枠をはめ始めている。Aju Pressによると、米連邦取引委員会（FTC）はセキュリティー事案を受けて、OpenAIとAnthropicの調査を開始した。The Mighty 790 KFGOは、中国がAI、バイオ、太陽光の40技術を輸出規制リストに加える案を出したと報じた。StateTech Magazineは、米州政府のAIが実証から本格運用に移りつつあると伝えている。公的機関が日常業務に組み込む段階に入れば、調達や説明責任の基準も厳しくなる。CGTNが取り上げた中国の精密農業のように、AIが産業の現場を変える動きも続く。供給元の事故調査や技術の輸出管理は、特定の事業者やモデルに依存した設計の脆さを浮き彫りにする。

マクロ環境も無関係ではない。Investing.comは、米ドルとインフレの逆説を論じ、AI関連の信用リスクとエネルギー高が世界成長の見方を改めさせていると伝えた。AIへの投資は資金調達と電力の双方に支えられており、その条件が悪化すれば、導入計画の採算にも響く。

肯定的な対話、調査、輸出規制、信用リスクは、いずれもAIをどこまで信頼して任せるかの条件を外側から決めている。次に問われるのは、その条件の下で、任せる範囲を誰がどう決めるかである。

人員削減の説明、創薬への資金、診断を支える予測モデル、肯定を返し続ける対話サービスは、それぞれ別の領域の話に見える。しかし、いずれも同じ一点に行き着く。AIが何をどこまで担うかは、技術の能力だけでは決まらない。誰がその出力を確かめ、誰が結果に責任を負うのかを設計の側で定めているかどうかが、利用者や患者、社員からの信頼を分ける。説明の言葉や金額の大きさは、その設計の代わりにならない。導入を判断するときは、速さや費用の効果と並べて、人に残す工程と責任の置き場所を先に確認したい。任せる範囲を明確にした導入ほど、後から見直しも説明もしやすい。

Q1: あなたの担当する作業のうち、AIの出力をそのまま使ってよい部分と、自分の目で確かめてから使う部分を、どこで分けていますか。 Q2: AIが出した結果に誤りや偏りがあったとき、それを誰がどの段階で見つけ、どう止める仕組みになっていますか。 Q3: AIによる効率化の成果を語るとき、人に残す判断と責任の範囲を、社内外にどこまで具体的に説明できますか。

最後に ── 三つの問い

- あなたの担当する作業のうち、AIの出力をそのまま使ってよい部分と、自分の目で確かめてから使う部分を、どこで分けていますか。 Q2: AIが出した結果に誤りや偏りがあったとき、それを誰がどの段階で見つけ、どう止める仕組みになっていますか。 Q3: AIによる効率化の成果を語るとき、人に残す判断と責任の範囲を、社内外にどこまで具体的に説明できますか。 - AIが出した結果に誤りや偏りがあったとき、それを誰がどの段階で見つけ、どう止める仕組みになっていますか。 Q3: AIによる効率化の成果を語るとき、人に残す判断と責任の範囲を、社内外にどこまで具体的に説明できますか。 - AIによる効率化の成果を語るとき、人に残す判断と責任の範囲を、社内外にどこまで具体的に説明できますか。

AIに何ができるかは、毎日のように更新されています。ところが今回の材料を並べると、企業・政府・個人の判断を分けているのは能力の高さではなく、どこまで任せるか、誰が責任を持つか、何で効果を測るかが決まっていないことでした。たとえばAnthropicが新人の採用を縮小した一方で、シティなど米銀はAIエージェントによる口座へのアクセスを制限し始めています。同じ時期に、任せる範囲を広げる動きと狭める動きが並んで起きています。雇用の損失の数字、規制の対象の違い、医療での費用と効果、土台となる研究の動きも、同じ線上にあります。この半日の記事を、その線に沿って読んでいきます。

任せる範囲を絞り始めた企業と銀行

Anthropicが新人の採用を縮小したと、India Todayが伝えている。見出しには「AIの作業量は人間の6倍」とある。AIを開発する企業自身が、人に頼る範囲を狭める側に動いたことになる。一方、Financial Timesは、シティをはじめ米銀で、AIエージェントによる口座へのアクセスを制限する動きが相次いでいると報じた。前者はAIに任せる仕事を増やす話で、後者は任せる範囲を締める話だ。同じ時期に、Anthropicの採用縮小もシティなどの口座アクセス制限も起きている。AIに何ができるかだけでは、拡大と抑制のどちらを選ぶかは決まらないことがわかる。

読者が自社に当てはめるなら、AIの作業量を人員計画に反映するかどうかと、AIに触れさせる資産の範囲を決めるかどうかは、別の判断として扱う必要がある。銀行の例では、口座という失敗の影響が大きい場所から先に線を引いている。仕事の量を任せることと、権限を渡すことは同じ話ではない。

人の側の役割を見直す記事も目立つ。Pipeline Magazineは「AIの力を引き出す『人の関与』の重要性」を扱い、Bentley Universityは「AI時代も人間のスキルは重要」という立場を示している。採用を絞る企業と、人の関与を説く媒体が並ぶ状況は、一見ちぐはぐだ。ただ、Anthropicが新人を減らしたと報じられ、シティなどがエージェントの権限を絞ったと報じられている以上、人に求められる仕事は、作業の実行から、AIの出力を確認し、どこまで任せるかを判断することへ移りつつあると読める。人の関与は、AIの力を引き出す条件として語られ始めている。

顧客対応でも、人を残す選択が出ている。リフォーム産業新聞によれば、LIXILはショールーム東京を刷新し、AIと伴走型サービスを組み合わせて「理想の暮らし」を提案する。AIを導入しながら、顧客に寄り添う部分を人の仕事として位置づけている点が、銀行の権限制限とは別の形での線引きだ。顧客に近い場面ほど、何を機械に任せ、何を人が担うかが、サービスの中身として見える。

三つの例に共通するのは、能力の評価より先に、任せる範囲と担い手を決める作業が進んでいることだ。ただ、その範囲を誰が決め、結果をどの指標で測るのかは、まだ共通の答えがない。

雇用の損失が数字で見え始める

ZDNETは、AIによる人員削減を州ごとに追跡し、賃金の損失を金額で示す取り組みを伝えた。これまでAIと雇用の話は、「何割の仕事が置き換わりうるか」という予測が中心だった。州別の賃金損失という形になると、どの地域で、どれだけの所得が失われたかを実績として比べられる。企業が人員をどこまでAIに置き換えるかを決めるとき、その費用の一部が地域の所得という形で外から見えるようになる。州政府が支援策の規模を考えるときも、同じ数字が根拠になる。

同じ流れの中に、ウォーシュ氏の発言がある。The New York Timesによると、同氏はインフレ抑制を明言したうえで、AIを経済への「衝撃」と位置づけた。AIを個別の業界の話ではなく、物価や雇用を含む経済全体への影響として扱う見方である。ZDNETの州別の金額と、The New York Timesが伝えた発言を並べると、影響を国の水準でも地域の水準でも見る材料がそろい始めたと言える。ただし、どこまでが自動化の影響で、どこからが他の要因かという切り分けは、二つの記事だけでは分からない。数字が出ても、その解釈を誰が引き受けるかは決まっていない。

数字が見えると、次に問われるのは、その損失と恩恵が誰に帰属するかである。Monthly Reviewは、マルクス主義エコロジーの立場からAIを論じ、資本への批判を展開している。技術そのものよりも、それを所有し運用する資本の側に配分の問題があるという見方だ。州ごとの賃金損失が金額で示されるほど、利益を受け取る側と損失を負う側が別であることも、同じ尺度で見えやすくなる。これは一つの立場からの批判であり、同意するかどうかは読者が判断することだが、効果を測る基準に「誰の取り分か」を入れるべきかという問いは残る。

一方で、金額に置き換えにくい問いもある。GeekWireは、Amazonの開発者のガレージが、古いコンピューターの博物館になると報じた。旧式の機械を残す営みは、効率や賃金の尺度では測れない。何を作り、何を残し、誰がそれを担うのかという、人間の仕事の意味に関わる。賃金損失の金額、経済への「衝撃」という位置づけ、資本への批判、旧式機械の保存は、どれもAIの能力そのものではなく、その影響をどの物差しで受け止めるかを示している。次の節では、その物差しの違いが、企業や政府、個人の判断をどう分けているかを見ていく。

規制と輸出管理が先に走る

中国は、AI、バイオ、太陽光など40の技術を輸出規制リストに加える方針だ（Reuters）。規制の網は、AIを単独で扱うのではなく、産業をまたぐ技術の束にかけられている。同じ時期に米国では、中間選挙にAI生成広告が1億3700万ドル分流れ込んだ（The New York Times）。一方は技術の輸出を、もう一方は使われ方を問題にしており、同じ「AI規制」という言葉でも対象が違う。海外で事業を組む企業にとっては、自社の技術がどの国のどの規則に触れるかを、製品ごとに確かめる作業が増える。

規制を誰が担うかも定まっていない。米下院議員2人は、AI規制に連邦政府が一定の役割を果たすと見込んでいる（The Des Moines Register）。見込みの段階ということは、州ごとの規則と連邦の規則が重なる可能性が残るということだ。広告のように選挙という特定の場面で問題が出た分野では、その分野の規則が先に動くことも考えられる。ただし、どの順で動くかは記事の材料からは分からない。

国境を越えた動きもある。Anthropicはインドの電子情報技術省（MeitY）と、AIの安全性試験について協議している。同社は透明性ルールの義務化も訴えている（Konsulteer）。開発側が自ら義務を求めている点は注目に値する。何を試験し、何を公開するかを事業者の判断に任せたままでは、利用側が比べる基準がないからだ。

業界団体の側でも、立場の決め方は一様ではない。作家協会は生成AIへの立場を「変わらず」とした。倫理憲章への反発を受けた対応だ（The Bookseller）。この協会にとっては、団体の方針を動かすかどうかが、会員への説明責任の問題になっている。

輸出管理は国が、広告は選挙の現場が、安全性試験は企業と各国の当局が、立場表明は業界団体が、それぞれ別々に決めている。共通の物差しがないまま個別の規則が積み上がると、任せる範囲を決める側は、その都度、適用される規則を一から読み解かなければならない。

医療と心の領域で問われる費用と効果

肺がん検診の領域では、AIが診療の入口を広げる例が出ている。Radiology Businessは、放射線科がAIで電子カルテから肺がん検診の対象者を抽出した取り組みを伝えた。検診を受けるべき人を、紙や目視で拾い上げる手間なく見つけられるなら、見落としは減るはずだという期待がある。メンタルヘルスでは、Substackが「AIは受診難を解決できるか」と問い、予約が取れず待たされる人の受け皿としてAIに期待が集まっている。ただし、どちらも期待の段階であり、実際に受診や転帰がどれだけ改善したかは、これらの材料からは読み取れない。

効果への期待と並べて見るべきなのが費用である。自サイトが取り上げたNEJM AIの査読付き原著論文は、LLMが正確かどうかではなく、同じ受診記録を読んだときにAIが勧める診療と担当医の診療とで費用が違うかを問うた。著者らの要約では、AIの計画は担当医の計画より費用が高く、費用を意識させる指示を与えても差は消えなかった。同じ記録から書いた二つの計画を同じ料金表で値付けして比べるという設計なので、差は単価の違いではなく、勧める内容の違いから出ている。なお、本文は執筆時点で参照できておらず、ここでは著者らの公開資料で確認できた範囲に限っている。検診対象者の抽出が検査を増やす方向に働くなら、その検査の費用に見合う効果があったのかも、導入側が自分で測る必要がある。

心の領域では、効果と代償の測り方がさらに難しい。People.comは、チャットボットとポッドキャスターの疑似的な関係を描く新刊の表紙を公開した。コンパニオンとの関係が物語の題材になるほど身近になったことを示す一例である。受診難を埋める存在として使われるのか、人間との関係の代わりになるのかで、評価の物差しは変わる。一方、教育の側では、Googleがフロリダ農工大学（FAMU）で学生・教員向けのAI研修サミットを開いた（Florida A&M University）。使う側の人間に、使い方を学ばせる動きが先に進んでいる。

三つの話に共通するのは、AIを入れること自体は進んでいる一方で、費用、効果、関係の変化を誰がどの基準で測るかが、まだ導入の速さに追いついていないことだ。測る目がないまま任せる範囲が広がれば、判断の根拠は、使った後に初めて分かる請求額や利用者の変化に頼ることになる。

モデルとエージェントの土台を作り替える研究

任せる範囲や責任の所在をめぐる議論は、モデルとエージェントがすでに固定された部品であるかのように進みがちです。ところが、その前提になる仕組みの側も動いています。ここでは性格の違う二つの研究を取り上げます。一つは査読を経て Nature に掲載された論文、もう一つは査読前のプレプリントです。

一つ目は、既存の言語モデルをバイト単位で読ませる「バイト化」です（Nature）。大規模言語モデルの多くは、文章を単語の切れ端であるサブワードに区切って読みます。そのため、1 文字ずつの違いを見落としやすい弱点があります。この論文は、既存のサブワード方式のモデルを、一から学習し直さずに少ない追加学習でバイト単位のモデルへ作り替える方法を示しました。著者らは、文字単位の推論で良い成績を示し、サブワード方式の能力に近づいたと主張しています。手法は先にプレプリントとして公開されており、今回の掲載は、それが査読を経たという位置づけです（自サイト）。

この結果が示すのは、モデルが読み取る単位自体を、後から作り替えられる余地があることです。文字の取り違えが問題になる場面では、任せてよいかどうかの判断が、使うモデルの読み方に左右されます。導入側は、モデル名や世代だけでなく、入力をどう区切って読む設計なのかも確認項目に加える必要があります。ただし、著者らの主張は「近づいた」にとどまります。同等になったとは書かれていないため、自社の業務で使う場合は、自分たちのデータで確かめるのが前提になります。

二つ目は、エージェントが自分の外枠を書き換え続けるときの整理です（自サイト）。重みを固定したまま、指示文・記憶・道具を改めるものを「ハーネス自己進化」と呼びます。LLM エージェントが実行の経験から外枠を書き換え、その改訂が次の実行にも残ります。このプレプリントは、何を書き換えるかと、改訂をどう提案し採用するかに分けて整理しています。そのうえで、明示した仮定のもとで採用規則などを理論的に導いたと主張しています。ただし、実験で新手法を示した論文ではなく、著者ら自身がサーベイと位置づける草稿です。しかも査読前です。Hugging Face の票や GitHub のスターは話題性を示すにすぎず、内容の確かさを保証しません。

二つを並べると、扱いの違いがはっきりします。バイト化は査読を経た結果で、読み方の改善として評価できます。ハーネス自己進化は、いまのところ見取り図であり、現場の運用ルールの根拠にするには早い段階です。ただ、重みが変わらなくても指示文や記憶、道具が実行のたびに変わるなら、導入時に確認した挙動が、そのまま続く保証はありません。任せる範囲を決めるだけでなく、変わった後の挙動を誰がどう確かめるのかも、あわせて決める必要が出てきます。

各節で扱った出来事は、分野も国も異なります。しかし共通しているのは、AIの能力が判断を直接決めているのではなく、任せる範囲、責任の所在、効果の測り方という三つの取り決めが、まだ定まっていない点です。企業は採用を絞り、銀行は口座への接触を締めました。雇用の損失は州ごとの金額で見え始め、規制は技術と使われ方の別々の対象にかかっています。医療や心の領域では、期待と費用の両方を確かめる必要があります。研究の側でもモデルとエージェントの仕組みは動き続けています。能力が上がるほど、この三つを自分たちで決めた組織と、決めないまま進めた組織との差が、結果として表れやすくなります。

Q1: 自分の業務でAIに任せている作業のうち、失敗したときの影響が最も大きいものはどれで、その範囲を誰が決めましたか。 Q2: AIの出力に問題が起きたとき、責任を負う人と、その問題を検知する手順は、事前に文書で定められていますか。 Q3: AIの導入による効果と費用を、どの指標で、いつまでに測ると決めていますか。

最後に ── 三つの問い

- 自分の業務でAIに任せている作業のうち、失敗したときの影響が最も大きいものはどれで、その範囲を誰が決めましたか。 Q2: AIの出力に問題が起きたとき、責任を負う人と、その問題を検知する手順は、事前に文書で定められていますか。 Q3: AIの導入による効果と費用を、どの指標で、いつまでに測ると決めていますか。 - AIの出力に問題が起きたとき、責任を負う人と、その問題を検知する手順は、事前に文書で定められていますか。 Q3: AIの導入による効果と費用を、どの指標で、いつまでに測ると決めていますか。 - AIの導入による効果と費用を、どの指標で、いつまでに測ると決めていますか。