トークン制約下の動的 AI 組織と判断記憶

Counts differ because each database indexes a different set of publications. We treat OpenAlex as the canonical count; Google Scholar is not shown (no API, and crawling it violates its ToS).

大規模言語モデルによる継続的な作業では、過去の失敗を記録していても同じ案を再実行する一方、以前の否定的判断を過度に適用して有意義な再検討を拒否することがある。動的な役割編成や記憶検索は対策となり得るがそれらのための推論、文脈再構成、レビュー自体にもトークンを要する。本稿は、動的 AI 組織を「証拠と残資源に応じた作業・情報・役割の選択」と定義し、その価値を、判断品質と完了率を維持したうえでの総トークン消費によって評価する。提案は、固定的な実行制御、範囲と訂正履歴を持つ判断記憶、役割別コンテクスト、必要時にのみ呼び出す動的編成を分離する。反証的分析から、第一に同じ実行経路しか得られない場合には追加編成が純費用となること、第二に履歴間の区別を失う有限要約だけでは任意の将来判断を常に正しく行えないこと第三に形式的に整合した台帳でも誤った意味付けや未記録の依存条件を排除できないことを示す。新規のオフライン参照モデルで 20 の合成行動ケース、64 状態の分岐確認、2,048 の記憶・質問対、1,440 点の仮定費用格子を検査した。構造照合を加えた方針は 20 ケース中 18 で設計上の期待に一致したが、意味付けと依存記録を誤らせた 2 ケースでは期待行動に至らなかった。費用格子には純節約と純増加の双方が存在した。本稿は実 LLM の節約率を測定しておらず、特定分野の実データも用いない。結論は動的性の全面採用ではなく、強い固定フローとの比較、条件付き再利用、誤拒否の監査、総費用の観測に基づく選択的採用である。