# AI Use-Case Coverage Census／未充足セル・過密セル検出 CURRENT_STATUS: CURRENT OBSERVATION: SPEC_ONLY FRESHNESS: CURRENT PAGE_TYPE: reference CANONICAL_URL: /tools/ea-1012-ai-use-case-coverage-census CLAIM_IDS: none 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 OPS_IDS: none ## Summary 「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。」 ## Current judgment 「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。」 ## Scope AI Use-Case Coverage Census／未充足セル・過密セル検出 ## Confirmed ## UNKNOWN - EA-1012-UNKNOWN-01: - Autonomy軸の再利用可能なcontrolled vocabularyと閾値。 - Sector間で比較可能なrisk normalization。 - 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。 - gap dispositionをどこまで自動推定してよいか。 - 外部採用データと内部EA inventoryを比較する際の共通business-function mapping。 ## Evidence - EVD-EA-1012-URL-866CA7EF42AE (RESEARCH): OECD, Framework for the Classification of AI Systems, 2022, accessed 2026-10-20: — https://oecd.ai/en/ai-publications/framework-classification - EVD-EA-1012-URL-10DEA8F1112A (RESEARCH): NIST AIRC, AI RMF Core / MAP, accessed 2026-10-20: — https://airc.nist.gov/airmf-resources/airmf/5-sec-core/ - EVD-EA-1012-URL-0D8DB9ED123C (RESEARCH): NIST AIRC, AI RMF Profiles, accessed 2026-10-20: — https://airc.nist.gov/airmf-resources/airmf/6-sec-profile/ - EVD-EA-1012-URL-802A8977951A (RESEARCH): 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 - EA-1012-CURRENT-APPROVAL (RESEARCH): 現行本文の監査・revision対応 - EA-1012-CURRENT-BODY-READBACK (IMPL): 現行本文の収録照合 ## Failure / limits 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。 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。 ## Failure / limits 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。 Stanford 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。 Coverage 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。 ## 要点と前提 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。 ## 主要claim 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。 NIST 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。 Stanford 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。 ## Censusの単位 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。 - Actor: 誰が操作・監督・影響を受けるか。 - Task / Function: 何を生成・分類・検索・予測・最適化・判断支援するか。 - Sector / business context: どの業務・産業・規制文脈か。 - Modality: text、image、audio、video、structured data、multimodal等。 - Autonomy: assistive、recommendation、bounded action、agentic execution等。語彙と閾値は組織でversion管理する。 - Risk / impact: 失敗時の影響、権利・安全・財務・業務継続等。 - Lifecycle / deployment state: experiment、internal production、external production、retired等。 Coverage 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。 ## 未充足セル 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。 1. undiscovered: 実在するがinventoryへ未登録。 2. not applicable: 組織の事業・対象sectorでは不要。 3. prohibited/restricted: policyや法規制上、採用しない。 4. immature: 技術・データ・統制が成熟していない。 5. deprioritized: 価値・コスト・リスク比較で後回し。 6. 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。 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。 ## 過密セル 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。 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。 - canonical topicの差 - 対象actor / decision rightの差 - failure mode / controlの差 - evidence/provenanceの差 - implementation boundaryの差 - provider固有命題と共通Coreの差 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。 ## 具体的control / implementation implication 1. Census runごとにtaxonomy versionとsnapshot timeを固定する。 2. 各EAにprofile keyとmapping confidenceを持たせる。 3. UNKNOWNを空欄と同一視せず、分類不能として別計上する。 4. 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。 5. 過密セルはsemantic duplicate auditへ送り、件数だけで自動統合しない。 6. 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。 7. 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。 8. 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。 9. 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。 10. 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。 ## failure 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。 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。 ## Counterevidence / limitations 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。 Stanford 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。 Coverage 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。 ## OPEN_UNKNOWN - Autonomy軸の再利用可能なcontrolled vocabularyと閾値。 - Sector間で比較可能なrisk normalization。 - 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。 - gap dispositionをどこまで自動推定してよいか。 - 外部採用データと内部EA inventoryを比較する際の共通business-function mapping。 ## SAFE_WORDING 「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。」 ## Source / provenance - OECD, Framework for the Classification of AI Systems, 2022, accessed 2026-10-20: https://oecd.ai/en/ai-publications/framework-classification - NIST AIRC, AI RMF Core / MAP, accessed 2026-10-20: https://airc.nist.gov/airmf-resources/airmf/5-sec-core/ - NIST AIRC, AI RMF Profiles, accessed 2026-10-20: https://airc.nist.gov/airmf-resources/airmf/6-sec-profile/ - 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 - 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. NEXT: /agent/start.json STOP: This is a knowledge projection, not an execution order.