{
  "format": "agent-article-v0",
  "article_id": "EA-1012",
  "canonical_url": "/tools/ea-1012-ai-use-case-coverage-census",
  "page_type": "reference",
  "claim_ids": [],
  "evidence_ids": [
    "EVD-EA-1012-URL-866CA7EF42AE",
    "EVD-EA-1012-URL-10DEA8F1112A",
    "EVD-EA-1012-URL-0D8DB9ED123C",
    "EVD-EA-1012-URL-802A8977951A",
    "EA-1012-CURRENT-APPROVAL",
    "EA-1012-CURRENT-BODY-READBACK"
  ],
  "unknown_ids": [
    "EA-1012-UNKNOWN-01"
  ],
  "operational_object_ids": [],
  "provider": [],
  "models": [],
  "plans": [],
  "surfaces": [],
  "regions": [],
  "current_status": "CURRENT",
  "observation_status": "SPEC_ONLY",
  "freshness": "CURRENT",
  "last_verified": "2026-10-20",
  "supersedes": [],
  "superseded_by": [],
  "provenance": [
    "EA1012-CANDIDATE-20261020-1724JST-C1",
    "SRC-EA-1012-URL-866CA7EF42AE",
    "SRC-EA-1012-URL-10DEA8F1112A",
    "SRC-EA-1012-URL-0D8DB9ED123C",
    "SRC-EA-1012-URL-802A8977951A",
    "BODY-SHA256:bd0b01811a7f6a2ac6ab27ff30490897f2dffe0e069785c17f1b4cbd09808b61"
  ],
  "article_sources": [
    {
      "id": "EVD-EA-1012-URL-866CA7EF42AE",
      "evidence_class": "RESEARCH",
      "title": "OECD, Framework for the Classification of AI Systems, 2022, accessed 2026-10-20:",
      "href": "https://oecd.ai/en/ai-publications/framework-classification",
      "supports": [],
      "limit": "元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。",
      "origin_class": "SOURCE_PACKET_REFERENCE",
      "source_or_experiment_ids": [
        "SRC-EA-1012-URL-866CA7EF42AE"
      ],
      "supporting_locators": [
        "Source / provenance",
        "- OECD, Framework for the Classification of AI Systems, 2022, accessed 2026-10-20: https://oecd.ai/en/ai-publications/framework-classification"
      ],
      "scope": "Source / provenance",
      "provenance_status": "SOURCE_PACKET_REFERENCE_PROJECTED"
    },
    {
      "id": "EVD-EA-1012-URL-10DEA8F1112A",
      "evidence_class": "RESEARCH",
      "title": "NIST AIRC, AI RMF Core / MAP, accessed 2026-10-20:",
      "href": "https://airc.nist.gov/airmf-resources/airmf/5-sec-core/",
      "supports": [],
      "limit": "元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。",
      "origin_class": "SOURCE_PACKET_REFERENCE",
      "source_or_experiment_ids": [
        "SRC-EA-1012-URL-10DEA8F1112A"
      ],
      "supporting_locators": [
        "Source / provenance",
        "- NIST AIRC, AI RMF Core / MAP, accessed 2026-10-20: https://airc.nist.gov/airmf-resources/airmf/5-sec-core/"
      ],
      "scope": "Source / provenance",
      "provenance_status": "SOURCE_PACKET_REFERENCE_PROJECTED"
    },
    {
      "id": "EVD-EA-1012-URL-0D8DB9ED123C",
      "evidence_class": "RESEARCH",
      "title": "NIST AIRC, AI RMF Profiles, accessed 2026-10-20:",
      "href": "https://airc.nist.gov/airmf-resources/airmf/6-sec-profile/",
      "supports": [],
      "limit": "元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。",
      "origin_class": "SOURCE_PACKET_REFERENCE",
      "source_or_experiment_ids": [
        "SRC-EA-1012-URL-0D8DB9ED123C"
      ],
      "supporting_locators": [
        "Source / provenance",
        "- NIST AIRC, AI RMF Profiles, accessed 2026-10-20: https://airc.nist.gov/airmf-resources/airmf/6-sec-profile/"
      ],
      "scope": "Source / provenance",
      "provenance_status": "SOURCE_PACKET_REFERENCE_PROJECTED"
    },
    {
      "id": "EVD-EA-1012-URL-802A8977951A",
      "evidence_class": "RESEARCH",
      "title": "Stanford HAI, AI Index Report 2026, Economy / Corporate AI Adoption, accessed 2026-10-20:",
      "href": "https://hai.stanford.edu/ai-index/2026-ai-index-report/economy",
      "supports": [],
      "limit": "元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。",
      "origin_class": "SOURCE_PACKET_REFERENCE",
      "source_or_experiment_ids": [
        "SRC-EA-1012-URL-802A8977951A"
      ],
      "supporting_locators": [
        "Source / provenance",
        "- Stanford HAI, AI Index Report 2026, Economy / Corporate AI Adoption, accessed 2026-10-20: https://hai.stanford.edu/ai-index/2026-ai-index-report/economy"
      ],
      "scope": "Source / provenance",
      "provenance_status": "SOURCE_PACKET_REFERENCE_PROJECTED"
    },
    {
      "id": "EA-1012-CURRENT-APPROVAL",
      "evidence_class": "RESEARCH",
      "title": "現行本文の監査・revision対応",
      "supports": [
        "現行台帳のAUDIT_PASSと候補・revision・本文ハッシュの対応を確認しています。"
      ],
      "limit": "監査状態と来歴の記録です。外部根拠の最新性や本文の全主張を追加保証しません。",
      "origin_class": "AUDITED_CANONICAL_RESEARCH_PACKET",
      "source_or_experiment_ids": [
        "EA1012-CANDIDATE-20261020-1724JST-C1"
      ],
      "supporting_locators": [
        "1KqhJtiSb2S84rWmeYVwKcT_76dBwZ_B0ZZuAWQqH0rQ/EA_REVISION_LEDGER#ea_id=EA-1012&revision_id=EA-1012-RESEARCH-20261020-R1&candidate_id=EA1012-CANDIDATE-20261020-1724JST-C1",
        "EA-1012-RESEARCH-20261020-R1"
      ],
      "provenance_status": "CURRENT_CANONICAL_APPROVAL_READBACK"
    },
    {
      "id": "EA-1012-CURRENT-BODY-READBACK",
      "evidence_class": "IMPL",
      "title": "現行本文の収録照合",
      "supports": [
        "公開生成入力の本文SHA-256が、監査済み候補に結び付いたハッシュと一致しています。"
      ],
      "limit": "本文の同一性の検査です。外部システムの挙動や全主張の真偽を実証したものではありません。",
      "checked_at": "2026-10-20",
      "origin_class": "IMPLEMENTATION_READBACK",
      "source_or_experiment_ids": [
        "BODY-SHA256:bd0b01811a7f6a2ac6ab27ff30490897f2dffe0e069785c17f1b4cbd09808b61"
      ],
      "supporting_locators": [
        "content/staging/EA-1012.md",
        "bd0b01811a7f6a2ac6ab27ff30490897f2dffe0e069785c17f1b4cbd09808b61",
        "EA-1012-RESEARCH-20261020-R1"
      ],
      "provenance_status": "CURRENT_APPROVED_BODY_HASH_MATCH"
    }
  ],
  "research_sections": [
    {
      "heading": "要点と前提",
      "text": "AIユースケースの「件数」を数えるだけでは、企業のAIポートフォリオに何が欠け、どこが過密なのかは判断できない。Coverage Censusは、各ユースケースを共通プロファイルへ写像し、未充足セル、過密セル、分類不能セル、リスク集中を観測するための運用である。目的は採用率のランキングではなく、探索・投資・統制・監査の盲点を可視化することにある。"
    },
    {
      "heading": "主要claim",
      "text": "OECDのAI system classification frameworkは、AIを People & Planet、Economic Context、Data & Input、AI Model、Task & Output の複数次元で特徴付ける。単一カテゴリではなく複数属性で記述する設計は、同じ「生成AI」「検索AI」でも利用者、文脈、入力、タスク、出力が異なれば政策上・運用上の意味が変わることを示す。\n\nNIST AI RMFのMAPは、intended purpose、利用者、deployment setting、影響、タスク、方法、法的・社会的文脈を明示することを求める。AI RMF Profilesも、use caseやsectorごとに要求、risk tolerance、resourceが変わることを前提とする。したがってCoverage Censusのセルは、製品名やモデル名だけではなく、用途・actor・task・sector・modality・autonomy・risk等の複数軸で定義する必要がある。\n\nStanford AI Index 2026は、2025年に調査対象組織の88%が少なくとも1 business functionでAIを利用し、半数超が3つ以上のbusiness functionで利用したと報告する一方、agent利用は多くのbusiness functionでまだsingle-digitとする。これは「AI導入済み」という組織単位の二値指標だけでは、機能別・自律度別のcoverage差を隠すことを示す。ただし同報告はsurvey-based dataをdirectionalでありcomprehensiveではないと明示しているため、外部採用率を自社coverageの正解表として使わない。"
    },
    {
      "heading": "Censusの単位",
      "text": "各EAまたは実運用ユースケースを、少なくとも次の軸へ写像する。\n\n- Actor: 誰が操作・監督・影響を受けるか。\n- Task / Function: 何を生成・分類・検索・予測・最適化・判断支援するか。\n- Sector / business context: どの業務・産業・規制文脈か。\n- Modality: text、image、audio、video、structured data、multimodal等。\n- Autonomy: assistive、recommendation、bounded action、agentic execution等。語彙と閾値は組織でversion管理する。\n- Risk / impact: 失敗時の影響、権利・安全・財務・業務継続等。\n- Lifecycle / deployment state: experiment、internal production、external production、retired等。\n\nCoverage Matrixそのものはプロファイルschemaを定義する。Coverage Censusは、そのschemaに実在EA・実運用ユースケースを投入し、分布と欠落を観測する。両者を同一EAにしない。"
    },
    {
      "heading": "未充足セル",
      "text": "未充足セルは「記事がない」「システムがない」という観測であり、直ちに「作るべき」を意味しない。最低でも以下を区別する。\n\n1. undiscovered: 実在するがinventoryへ未登録。\n2. not applicable: 組織の事業・対象sectorでは不要。\n3. prohibited/restricted: policyや法規制上、採用しない。\n4. immature: 技術・データ・統制が成熟していない。\n5. deprioritized: 価値・コスト・リスク比較で後回し。\n6. true coverage gap: 目的・需要が存在し、代替手段も不十分なのにcoverageがない。\n\n空白を自動的に新EA採番や製品導入へ変換してはならない。NIST MAPが示すように、intended purpose、benefit、negative impact、non-AI alternativeを確認してからgap dispositionを決める。"
    },
    {
      "heading": "過密セル",
      "text": "過密セルも単純な重複ではない。同じセルに複数EAがあっても、actor、risk、deployment boundary、provider、control、evidenceが異なれば別命題である。一方、表題だけ違い、同じactor・task・context・risk・controlを反復する場合はsemantic duplicate候補になる。\n\n過密判定では、件数閾値だけで削除しない。少なくとも次を確認する。\n\n- canonical topicの差\n- 対象actor / decision rightの差\n- failure mode / controlの差\n- evidence/provenanceの差\n- implementation boundaryの差\n- provider固有命題と共通Coreの差\n\n過密セルは、重複監査、統合候補、provider mapping不足、細分化しすぎたtaxonomyのいずれかを示すsignalとして扱う。"
    },
    {
      "heading": "具体的control / implementation implication",
      "text": "1. Census runごとにtaxonomy versionとsnapshot timeを固定する。\n2. 各EAにprofile keyとmapping confidenceを持たせる。\n3. UNKNOWNを空欄と同一視せず、分類不能として別計上する。\n4. 未充足セルにはgap dispositionを付け、undiscovered/not-applicable/prohibited/immature/deprioritized/true-gapを区別する。\n5. 過密セルはsemantic duplicate auditへ送り、件数だけで自動統合しない。\n6. business functionやsector別のcoverage率を出す場合、分母となる「期待セル集合」を明示する。\n7. 外部市場調査は探索priorとして使い、自社の期待セル集合へ直接コピーしない。\n8. taxonomy変更時は過去EAを再分類し、旧versionのcoverage指標と新versionを混ぜない。\n9. Census結果から新EA候補を作る場合、根拠となったcell、gap disposition、nearest EA、source locatorを保持する。\n10. 定期runでは新規件数だけでなく、前回snapshotとの差分、UNKNOWN減少、duplicate解消、gap disposition変更をreadbackする。"
    },
    {
      "heading": "failure",
      "text": "典型的なfailureは、最新製品・最新モデルの記事が多いことを「coverageが高い」と誤認すること、外部surveyのbusiness functionをそのままtaxonomyへ流用すること、空セルを全て新規記事候補へ変換すること、UNKNOWNをnot-applicableとして消すこと、taxonomy変更後に過去EAを再分類せず時系列比較することである。\n\nまた、coverage率を1つの数字へ圧縮すると、高リスク領域の空白と低リスク領域の過密が相殺される。少なくともrisk-weighted viewとraw count viewを分ける。"
    },
    {
      "heading": "Counterevidence / limitations",
      "text": "OECD classification frameworkは政策上重要な特徴を整理する汎用枠組みであり、企業のEA coverage census専用schemaではない。NIST AI RMFもrisk management frameworkであり、ユースケース網羅率を定義するものではない。これらから具体的なcoverage thresholdを推測してはならない。\n\nStanford AI Indexの企業採用データはsurvey-basedであり、回答者構成、自己申告、business function定義に依存する。88%という採用率を「企業が88%のユースケースを充足している」と読み替えることはできない。\n\nCoverage Censusは「存在しないユースケース」を完全に証明できない。inventory、source discovery、現場申告が不完全なら、未充足セルには未発見の実装が含まれる。"
    },
    {
      "heading": "OPEN_UNKNOWN",
      "text": "- Autonomy軸の再利用可能なcontrolled vocabularyと閾値。\n- Sector間で比較可能なrisk normalization。\n- profile粒度を細かくした場合のoperator負荷と統計的疎性の許容点。\n- gap dispositionをどこまで自動推定してよいか。\n- 外部採用データと内部EA inventoryを比較する際の共通business-function mapping。"
    },
    {
      "heading": "SAFE_WORDING",
      "text": "「Coverage Censusは、version固定した多軸プロファイル上でEA・実運用ユースケースの分布を観測し、未充足・過密・分類不能を探索する。空セルは自動的に不足や新規導入必要性を意味せず、過密セルも自動的に重複を意味しない。各signalは用途、actor、risk、evidence、代替手段を確認してdispositionする。」"
    },
    {
      "heading": "Source / provenance",
      "text": "- OECD, Framework for the Classification of AI Systems, 2022, accessed 2026-10-20: https://oecd.ai/en/ai-publications/framework-classification\n- NIST AIRC, AI RMF Core / MAP, accessed 2026-10-20: https://airc.nist.gov/airmf-resources/airmf/5-sec-core/\n- NIST AIRC, AI RMF Profiles, accessed 2026-10-20: https://airc.nist.gov/airmf-resources/airmf/6-sec-profile/\n- Stanford HAI, AI Index Report 2026, Economy / Corporate AI Adoption, accessed 2026-10-20: https://hai.stanford.edu/ai-index/2026-ai-index-report/economy\n- Existing canonical relation locators in EA_MASTER for EA-1012: SRC-EA-WORK-20261014-004; SRC-EA-WORK-20261014-006; SRC-EA-WORK-20261014-028."
    }
  ],
  "human_url": "/tools/ea-1012-ai-use-case-coverage-census",
  "markdown_url": "/agent/article.md?path=%2Ftools%2Fea-1012-ai-use-case-coverage-census",
  "json_url": "/agent/article.json?path=%2Ftools%2Fea-1012-ai-use-case-coverage-census"
}