AI Use-Case Coverage Census／未充足セル・過密セル検出

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。

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。

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。

• undiscovered: 実在するがinventoryへ未登録。
• not applicable: 組織の事業・対象sectorでは不要。
• prohibited/restricted: policyや法規制上、採用しない。
• immature: 技術・データ・統制が成熟していない。
• deprioritized: 価値・コスト・リスク比較で後回し。
• 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。

• Census runごとにtaxonomy versionとsnapshot timeを固定する。
• 各EAにprofile keyとmapping confidenceを持たせる。
• UNKNOWNを空欄と同一視せず、分類不能として別計上する。
• 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。
• 過密セルはsemantic duplicate auditへ送り、件数だけで自動統合しない。
• 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。
• 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。
• 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。
• 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。
• 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。

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。

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。

• 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。

「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。」

• 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.