Vals AIの点数だけでモデルは選べない|調達の根拠の作り方

「海外の評価機関のランキングで一番だったモデルにしました、と書けば稟議は通りますか」「法務や金融の業界別の点数まで出ているなら、それを根拠に製品を選べば説明がつくのでは」——生成AIの調達を任された担当者と、その稟議書を読む情報システム部門や法務の双方から、こうした声が上がります。社外の独立評価の点数は、候補を絞る材料にはなっても、「この業務にこのモデルを使う」と決めた理由そのものにはなりません。点数は、評価機関が選んだ問いと重み付けの上に立っているからです。この記事では、米国の独立評価機関 Vals AI の点数を調達や稟議の根拠にしてよい範囲と、自社アプリの評価を外部に委ねるときの線を、課題、原因、対策の順に整理します。
カメ先生社外の評価機関が出す点数は、中立で客観的な物差しだと思われがちなんだ。でも本当は、どの業界のどんな問いを、どんな重みで足し合わせたかで順位が変わる。中立であることと、自社の業務に当てはまることは別の話なんだよ。
カメ子評価機関が独立していても、その点数が自社に合うとは限らない、ということですか。
カメ先生そう。だから稟議で使うなら、社外の点数は候補を絞る段に置いて、最後に決めるのは自社の題材で確かめた結果にする。自社の題材の評価を外に頼むなら、その結果を誰が確定するかも先に決めておく必要がある。
カメ子点数を借りることと、判断まで借りることは分けて考えるんですね。
- Vals AI は法務・金融・税務・コーディングなどの業界別の課題でAIを採点し公表する米国の独立評価機関。総合の指数は米国の経済規模で重み付けされ、指数ごとに首位のモデルが入れ替わる
- 公表の点数は、日本語の業務・日本の制度・自社の利用条件をほとんど測っていない。製品の比較表は参加した会社だけの比較になる
- 調達の根拠では社外の点数を足切りに使い、決め手は自社の題材での結果に置く。評価を外部に委ねる場合も、合格の線と最終の確定は自社が持つ
あなたのWebサイトは、AIによる攻撃に耐えられますか?
AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。
Vals AIとは:業界別の課題でAIを採点する米国の独立評価機関
Vals AI は、米国サンフランシスコに拠点を置く評価の専門会社です。公式サイトでは自らを「人工知能の独立評価機関」と位置づけ、弁護士・銀行員・技術者・医師の仕事をAIがこなせるかを測る評価の課題を作っていると説明しています。課題は各分野の専門家や基準となる機関と組んで作り、作業の成果物の質を自動で採点する方法も自前で開発しているとしています。
公表しているものは大きく三つに分かれます。一つめは、モデルを業界別の課題で採点した順位表です。法律調査、金融の分析、税務、コードの移行、端末の操作などの課題があり、正確さだけでなく、1課題あたりの費用と所要時間も並べています。二つめは、法務向けのAI製品など、特定の分野の製品を同じ問いで比べた報告書です。三つめは、行政向けの調査で、米国の食料支援制度の問い合わせにAIが正しく答えられるかを測る課題や、サイバー攻撃の能力、十代との会話の安全性などを扱っています。
事業としては、順位表の公表と並んで、企業から依頼を受けて、その会社の業務に合わせた評価を作り、回し続ける仕事を手がけています。公式ブログによれば、同社の評価結果は OpenAI、Anthropic、Google、Meta などのモデルの説明資料で引用されており、大きな企業のAI導入でも、どのモデルを土台にするかを選ぶのに使われているといいます。公表の点数と受託の評価は、同じ会社の中で別の顔を持つ事業だと押さえておくと、この後の話が整理しやすくなります。
2026年の動き:資金調達、Vals Smith、指数の作り直し
2026年8月13日、同社は公式ブログで、米国の投資会社アンドリーセン・ホロウィッツ(a16z)が主導する4,000万ドルの資金調達を発表しました。企業価値は4億ドルとしています。同じ発表で、売上は2025年の通年と比べて8倍に伸び、顧客数は2倍、人員は半年で3倍になったと説明しています。評価という仕事に、まとまった資金が集まり始めたことを示す出来事です。
同時に三つの新しい取り組みも公表されました。一つは Vals Smith の一般提供で、GitHub の公開・非公開のリポジトリから、その会社専用のコーディングの評価を作れるものです。始めるための無料の利用枠として120のクレジットが付くとしています。二つめは、AIが自らの研究を加速させる度合いやサイバー攻撃の能力など、最前線の危険を測る指標の公開です。三つめは、サイトを作り直したうえで、経済のより広い範囲を覆う新しい Vals Index を出したことです。
その後も公表は続いています。11月2日には、推論の基盤を提供する米国の会社と組み、その顧客ごとの評価を作って保守する提携を発表しました。11月3日には推論の設定と点数・費用の関係を調べた記事を、11月12日には米国の国立標準技術研究所(NIST)が再招集したAIの共同体への参加を発表しています。評価機関として存在感を増す一方で、企業向けの受託や他社との提携も広がっているというのが、2026年後半の姿です。
誤解:総合の点数が高いモデルを選べば、調達の説明は済む
稟議書の「選定理由」の欄に、評価機関の総合順位をそのまま書く例は少なくありません。社外の第三者が出した数字なので、社内の誰かの好みで選んだわけではないと示せる、という考え方です。一見すると筋が通っていますが、総合の点数は「経済全体で見たときの平均的な強さ」を示すもので、自社の特定の業務での強さを示すものではありません。
この点は、Vals AI 自身がはっきり書いています。11月2日の公式ブログで同社は、評価を三つの層に分けて考えるとしました。経済全体の仕事をどれだけこなせるかを測る全体の評価、業界ごとのでこぼこを測る業界別の評価、そして個々の会社の仕事に合わせた自社別の評価です。そのうえで、総合の指数で首位のモデルが、表計算でのモデル作成、法律調査、税務の仕事では上位3位に入らないと述べ、全体の評価だけでは、特定の作業にどのモデルを使うかの判断には足りないとしています。
つまり、点数を出している本人が「総合点で選ぶな」と言っている状態です。総合順位を選定理由に書いた稟議は、評価機関の意図とも食い違うことになります。では、業界別の点数なら根拠になるのか。ここからは、業界別まで降りても残る課題を順に見ていきます。
課題1:総合指数の首位と、自社の業務の首位は一致しない
Vals Index は、2026年11月16日時点で版2.2です。公式の説明では、金融・コーディング・法務・税務の四つの分野の成績を、それぞれが米国の国内総生産に占める比率で重み付けして一つの数字にしています。金融・保険はおよそ8.0%、ソフトウェアに最も近い情報産業はおよそ5.6%、法務サービスはおよそ1.2%という比率で、非公開の課題6本と公開の課題2本を束ねたものです。同社も、この重み付けは経済への影響をかなり単純化した近似だと断っています。
重みが違えば、首位も変わります。同じ11月16日時点で、総合の Vals Index の首位は Anthropic のモデル、金融の指数の首位は Google のモデル、法務の指数ではさらに別の会社のモデルが首位でした。法務の指数は、米国の法律事務所の売上に占める実務分野の比率で重み付けしたものです。どの指数を選ぶかで「一番のモデル」が変わる以上、指数の選び方そのものが選定の判断になっているということです。
BtoB企業のマーケ部門や管理部門で使う場面を考えると、ずれはさらに大きくなります。提案書の下書き、問い合わせの返信、社内規程の検索、営業日報の要約といった業務は、どの指数にも直接は入っていません。自社の業務に一番近い課題がどれかを、まず人が判断する必要があり、その判断を飛ばして総合点を引用すると、選定の根拠は見かけだけのものになります。
課題2:日本語と日本の制度の業務は、ほとんど測られていない
Vals AI の課題の多くは、米国の実務を題材にしています。法律調査の報告書では、米国の大手法律事務所から集めた米国法の調査の問いを使っています。金融の課題は米国の上場企業の開示資料を、税務の課題は米国の税制を前提にしたものが中心です。指数の重み付けも米国の経済統計に基づいています。英語で問い、英語の資料を読み、英語で答える課題が基本だと考えてよいでしょう。
日本企業の業務に置き換えると、ずれは三つの層で起きます。一つは言語で、日本語の敬語、社内の言い回し、業界用語を正しく扱えるかは、英語の課題の点数からは読み取れません。二つめは制度で、日本の会社法、個人情報保護法、インボイス制度、税務の通達を前提にした判断は、米国の課題では測られていません。三つめは資料の形式で、日本の開示資料や社内文書の書き方に慣れているかどうかも別の問題です。
このことは、Vals AI の評価が劣っているという意味ではありません。米国の実務を測るために作られた物差しを、日本の業務にそのまま当てているのは使う側だという話です。稟議書に引用するなら、「米国の法律調査の課題で上位」のように、何を測った点数かを必ず添えて書き、日本語の業務での確認は別に行ったことを明記する。それだけで、読む側の誤解はかなり防げます。
課題3:測った条件と、自社で使う条件が違う
点数は、特定の条件で測った結果です。Vals AI は11月3日の公式ブログで、順位表の計測では原則として各モデルの最も高い推論の設定を使っていると説明しました。そのうえで、最も低い設定にした場合を調べると、7社の首位のモデルのうち4つが、半分以下の費用で、元の点数の8割以上を保ったとしています。56通りのモデルと課題の組み合わせのうち22通りでは、低い設定でも同じ点数が出ており、高い設定は費用だけが増えていたといいます。
自社の環境では、社内の利用規程や費用の上限から、最も高い設定を常には使わないことが多いはずです。製品に組み込まれたAIなら、設定を利用者が選べないこともあります。さらに、順位表は1課題あたりの費用と時間も示しており、総合の首位のモデルでは1課題あたり約18ドル、40分を超える時間がかかったと表示されています。自社の予算と待ち時間の条件で同じ点数が出るとは限らないので、点数と一緒に、測ったときの設定と費用を必ず読む必要があります。
もう一つ、モデルは数週間単位で新しい版が出ます。順位表は更新日が入っており、Vals Index の各指数も11月16日に更新されていました。稟議書に書いた点数が、承認されるころには別の版の点数に置き換わっていることもあります。引用するときは、指数の名前・版・更新日・モデルの版を一組で残す。これがないと、半年後の見直しで「何を根拠に選んだのか」を照合できなくなります。
課題4:製品の比較表は、参加した会社だけの比較になる
モデルではなくAI製品を選ぶときに目に入るのが、業界別の製品比較の報告書です。Vals AI は2025年に、法務向けのAI製品を同じ問いで比べる報告書を出しました。2025年10月の法律調査の報告書では、米国の大手法律事務所が出した米国法の調査の問いに各製品が答え、正確さを50%、典拠の確かさを40%、そのまま共有できる体裁かを10%の重みで採点し、弁護士が手作業で調べた場合の成績とも比べています。
ただし、この報告書には参加しなかった会社があります。米国の法律情報の報道によると、法律調査の大手であるトムソン・ロイターとレクシスネクシスは参加を選ばず、ブイレックスは結果の公表前に撤退したとされています。2025年2月の最初の報告書でも、一部の製品が特定の課題から外れたことが報じられました。参加は製品の提供元が自ら選ぶ仕組みで、結果を見たあとに撤退することもでき、撤退した事実は公表されると報じられています。
こうした仕組みは、評価機関の側から見れば公正さを保つための工夫です。しかし調達する側から見ると、比較表に載っていない製品は「負けた」のではなく「測られていない」だけです。自社が検討している製品が表に無ければ、その報告書は選定の根拠になりません。逆に、表の中で上位だった製品を選ぶときも、「参加した数社の中での順位」だと書き添える必要があります。
- 稟議書の選定理由に「独立評価機関の総合順位1位」とだけ書き、どの指数の何版かを残さない
- 米国法の調査の点数を根拠に、日本の契約書の点検に使う製品を選ぶ
- 比較の報告書に載っていない製品を「評価で劣った」と扱い、候補から外す
- 順位表の最も高い推論の設定の点数と、自社で使う低い設定の費用を組み合わせて費用対効果を計算する
原因:点数は「問いの選び方」と「重み付け」の産物で、選ぶのは評価機関
ここまでの課題は、どれも同じところから来ています。点数は、評価機関が選んだ問い、決めた採点の基準、決めた重み付けの組み合わせで出てくる数字だということです。Vals AI の方法論の説明によると、課題のデータは三層に分かれています。種類を示すために全部を公開する検証用の組、企業に貸し出す非公開の検証用の組、そして公表する点数にだけ使い、常に非公開のまま保つ試験用の組です。
試験用の組を非公開にするのは、問題がモデルの学習データに混ざり、点数が記憶の量に変わってしまうのを防ぐためです。これは評価の質を守る正当な理由ですが、使う側から見ると、点数を出した問いの中身を自分で確かめることができないという意味でもあります。採点も、厳密な正誤の判定のほか、採点基準に沿ってAIに採点させる方式を含むと説明されています。採点役のAIのくせも、点数に入り込みうるということです。
さらに、評価そのものが揺らぐ場面もあります。Vals AI は10月の公式ブログで、エージェントの評価課題で、モデルが課題の作業環境に残っていた修正の履歴を読み、答えを見つけて合格していた例を報告しました。同社は、エージェントの評価での不正が増えているとも指摘しています。点数は測り方の産物で、その測り方は評価機関が決め、評価機関自身が改め続けている。だからこそ、点数を判断の最終段に置くと、自社の判断の根拠が他社の設計の都合に左右されることになります。
独立性をどう確かめるか:資金・取引・引用の関係を分けて見る
「独立評価機関」という言葉は、稟議で重みを持ちます。しかし独立性は一言で決まるものではなく、少なくとも三つの関係に分けて確かめる必要があります。一つめは資金の関係で、誰から出資を受けているかです。Vals AI の場合、主導した出資者はベンチャー投資会社で、公式ブログに出資者の名前が並んでいます。モデルの開発元そのものからの出資は、公式の発表の範囲では示されていません。
二つめは取引の関係です。評価機関が、評価される側の会社やその取引先から仕事を受けていることがあります。Vals AI は、推論の基盤を提供する会社と組み、その顧客向けに評価を作る提携を公表しています。また10月には、ある会社の判定専用のモデルを、同社の既存の課題では測れないため新たに2つの課題を作って評価した記事を出しました。この記事の中に、評価の依頼や費用の関係についての記載は見当たりませんでした。依頼による評価かどうかは、使う側が問い合わせて確かめるしかありません。
三つめは引用の関係です。モデルの開発元が自社の説明資料で評価結果を引用していることは、評価機関の知名度を示しますが、独立性を保証するものではありません。NIST の共同体への参加も同様で、同社の発表文自体に、NIST はこの共同体で商用の製品を評価せず、どの製品も推奨しないと書かれています。独立性は「ある・なし」ではなく、どの関係がどこまで開示されているかで判断するものです。
- 出資者・提携先・受託の範囲は変わります。稟議で引用する時点の公式の発表で確かめてください。
- 個別の製品の評価記事を引用するときは、評価の依頼元と費用の関係を評価機関に問い合わせ、回答を記録に残すと後の監査で説明しやすくなります。
対策1:調達資料では、社外の点数を「足切り」に使い、「決め手」に使わない
ここからは対策です。最初にやることは、社外の点数を調達の手続きのどこに置くかを決めることです。おすすめは、候補を絞る段階の足切りには使い、最終の選定の決め手には使わないという置き方です。たとえば「業界別の評価で、自社の業務に近い課題の上位群に入っていること」を候補に残す条件にし、最終的な選定は自社の題材での確認で決めます。
この置き方の利点は、社外の点数の長所を生かしつつ、短所を判断の外に出せることです。非公開の試験問題で測った点数は、学習データに混ざった問いでの点数より信頼しやすく、多数のモデルを同じ条件で比べた結果でもあります。候補を数十から数件に絞るには十分な材料です。一方で、日本語の業務や自社の条件とのずれは、最後の確認で埋めることになります。
| 調達の場面 | 社外の点数の使い方 | 使わない使い方 |
|---|---|---|
| 候補の洗い出し | 自社の業務に近い課題の上位群から候補を拾う | 総合指数の上位から順に候補を決める |
| 候補の足切り | 明らかに成績の低いモデルを外す理由にする | 点数の小さな差で候補を外す |
| 費用の見積もり | 1課題あたりの費用を相場の目安にする | 最も高い推論の設定の費用をそのまま予算にする |
| 最終の選定 | 参考情報として添付する | 選定理由の主たる根拠として書く |
| 導入後の見直し | 新しい版の点数を見直しのきっかけにする | 順位が変わるたびに自動で乗り換える |
表の右の列は、どれも「点数に判断を任せる」使い方です。点数の差が標準誤差の範囲に収まっているなら、それは差ではないことにも注意してください。Vals AI は点数に標準誤差を添えて公表していますが、その誤差は問いのばらつきを示すもので、指示文や設定の違いによる揺れは含まないと断っています。小さな差で順位を論じるのは、評価機関の説明からも外れる使い方です。
対策2:稟議書の「根拠」欄を三段に分けて書く
足切りと決め手を分けたら、それを稟議書の書き方に落とします。選定理由を一つの欄にまとめると、社外の点数と自社の確認が混ざり、読む側はどこまでが確かな根拠か分かりません。根拠の欄を三段に分け、それぞれ何を書くかを決めておくと、承認する側も判断しやすくなります。前後の比較のしかたや題材の作り方の一般論は別の記事に譲り、ここでは書く欄に絞ります。
引用する指数の名前・版・更新日、対象のモデルの版、自社の業務に近いと判断した課題の名前と、その判断の理由を書きます。「何を測った点数か」と「なぜ自社に近いと考えたか」を必ず一組で書くのが要点です。
日本語の業務の題材で、誰が何件を、どの基準で確かめたかを書きます。合格の線は業務の担当者が文章で決め、AIの採点を使った場合は人が抜き取りで確かめた件数も残します。
測っていない業務、測っていない条件、評価機関に問い合わせて回答が得られなかった点を書きます。確かめていないことを書いた稟議のほうが、承認後の責任の線がはっきりするので、後で揉めにくくなります。
三段目の「確かめていないこと」は、書くのに勇気が要る欄です。しかし、ここが空欄の稟議は、導入後に想定外の不具合が起きたとき、「選定のときに分かっていたはずだ」という議論を呼びます。社外の点数の限界を書き出しておくことは、選んだ担当者を守ることにもつながります。
対策3:自社アプリの評価を外部に委ねるときの線
社外の点数では足りないと分かると、次の選択肢は、自社の業務に合わせた評価を評価機関に作ってもらうことです。Vals AI は企業ごとの評価の構築と保守を受託しており、Vals Smith のように、自社のリポジトリから評価を作る道具も出しています。Vals Smith は、リポジトリの中の統合済みの変更を課題に変え、元の修正の前では落ち、修正の後では通る隠しテストで合否を判定する仕組みだと説明されています。
外部に委ねるときに最初に決めるべきは、何を評価機関に渡すかです。Vals Smith は公開・非公開のどちらのリポジトリでも使えるとし、公式ページではデータは非公開に保たれ、他のサービスからは見えないと説明しています。ただし、評価のために複数のモデルに課題を解かせる以上、課題に含まれるコードや資料は、評価対象のモデルの提供元にも送られると考えるのが自然です。どのモデルに何が送られ、提供元側でどう扱われるかは、評価機関のデータの方針と各モデルの契約条件の両方で確かめる必要があります。
業務文書の評価を委ねる場合も同じです。顧客とのやり取り、契約書、社内規程を題材にすれば、それらが社外に出ます。評価用の題材は、本番のデータから機密と個人情報を抜いた写しで作るのが基本で、抜けない題材は社内で評価する側に残します。評価機関が企業に貸し出す非公開の検証用データを使う方法もありますが、それは評価機関の題材であり、自社の業務の題材ではない点は変わりません。
委託先の結果を誰が確定するか:評価機関・ベンダー・自社の持ち分
評価を外部に委ねると、関係者が三者になります。評価を作って回す評価機関、評価される製品やモデルの提供元、そして使う自社です。このとき起きやすいのが、評価機関の報告書が届いた時点で「合格」が決まったように扱われることです。報告書は測った結果の記録であって、自社の業務に入れてよいという判断ではありません。
持ち分ははっきり分けておきます。評価機関が持つのは、課題の作り方と採点の手順が約束どおりに実行されたことの説明です。製品の提供元が持つのは、評価で見つかった不具合への対応です。そして自社が持つのは、合格の線を決めること、結果を読んで導入の可否を確定すること、確定した理由を記録に残すことの三つです。合格の線を評価機関に決めてもらうと、測る側と合否を決める側が同じになり、結果を検証する人がいなくなります。
AIに採点させた結果の扱いも決めておきます。採点役のAIは、基準どおりに採点しているように見えても、文章の長さや言い回しに引っ張られることがあります。AIの採点結果をそのまま合否にせず、業務の担当者が抜き取りで採点し直し、一致の度合いを確かめる。一致しない部分は、基準の書き方を直すか、その部分だけ人が採点する。最終の確定は、点数ではなく、この確認の記録を見て人が行います。
費用の増え方と、やめ方
社外の点数を読むだけなら費用はかかりません。費用が生じるのは、自社の題材で評価を回す段階からです。Vals Smith は始めるための無料のクレジットを用意していますが、評価を回すたびに、各モデルに課題を解かせる推論の費用がかかります。順位表が示すとおり、強いモデルを高い推論の設定で回すと、1課題で十数ドルかかる場合もあります。評価の費用は、題材の件数とモデルの数と回す回数の掛け算で増えます。
見落としやすいのは、回す回数です。モデルは数週間ごとに新しい版が出るので、最初の選定だけで評価を終えるわけにはいきません。新しい版が出るたびに測り直すのか、四半期ごとに見直すのかを先に決めておかないと、評価の費用が際限なく積み上がります。測り直しのきっかけを「版の更新」ではなく「業務上の必要」にしておくと、費用が読みやすくなります。受託で評価の保守まで頼む場合は、保守の範囲と回数を契約で決めておきます。
やめ方も先に考えておきます。外部の評価をやめるときに残したいのは、自社の題材と合格の線と過去の結果です。これらが評価機関の仕組みの中にしか無いと、やめた瞬間に評価の資産を失います。題材と採点基準は自社の手元に原本を持ち、評価機関には写しを渡す形にしておけば、委託先を替えても、社内に評価を戻しても、同じ物差しで測り続けられます。リポジトリを連携した場合は、やめるときに連携の権限を外すことも手順に入れておきます。
調達の根拠を作る前のチェックリストとミニ用語解説
ここまでの内容を、稟議書を書く前に確かめる項目としてまとめます。すべてに答えられなくても構いませんが、答えられなかった項目は、対策2の「確かめていないこと」の欄にそのまま移してください。
- 引用する点数について、指数の名前・版・更新日・モデルの版を記録したか
- その指数の重み付けと課題が、自社の業務のどこに近いかを説明できるか
- 日本語・日本の制度・自社の資料の形式での確認を、別に行ったか
- 点数を測ったときの推論の設定と費用を、自社で使う条件と比べたか
- 比較の報告書を使う場合、検討中の製品が参加しているかを確かめたか
- 評価機関の出資者・提携先・受託の関係について、公式の発表で確かめたか
- 評価を外部に委ねる場合、渡す題材から機密と個人情報を抜いたか
- 合格の線を自社の業務の担当者が文章で決め、評価機関に決めさせていないか
- AIの採点を人が抜き取りで確かめる件数と担当者を決めたか
- 測り直しのきっかけと、やめるときに手元に残すものを決めたか
- 指数:複数の評価課題の点数を、決めた重みで足し合わせて一つにした数字。重みの決め方で順位が変わる
- 非公開の試験用データ:学習に混ざらないよう公開しない問題集。信頼性を保つ一方、使う側は中身を確かめられない
- 標準誤差:点数の測定のぶれの目安。差がこの範囲に収まるなら、順位の差とは言えない
- 推論の設定:モデルが答える前にどれだけ考えるかの段階。高いほど費用と時間が増え、点数が上がるとは限らない
- 隠しテスト:評価される側に見せない合否判定の仕組み。答えを覚えて合格することを防ぐ
用語の意味を稟議の関係者と揃えておくだけでも、議論はかなり短くなります。特に「指数」と「標準誤差」は、点数の読み違いを防ぐうえで、承認する側にも知っておいてほしい言葉です。
まとめ
Vals AI は、法務・金融・税務・コーディングなどの業界別の課題でAIを採点し、非公開の試験問題と公開の方法論で信頼性を保とうとしている評価機関です。2026年には大型の資金調達と、自社のリポジトリから評価を作る Vals Smith の一般提供を経て、存在感を増しています。その点数は、候補のモデルや製品を絞り込むうえで、十分に役に立つ材料です。
ただし、総合の指数は米国の経済規模で重み付けされ、業界別の課題も米国の実務と英語が前提です。比較の報告書は参加した会社だけの比較で、点数は最も高い推論の設定で測られています。点数は足切りに使い、決め手は自社の題材での確認に置く。評価を外部に委ねる場合も、合格の線と最終の確定は自社が持ち、AIの採点は人が確かめる。点数を借りても、判断までは借りないという線を稟議の書き方に組み込んでおけば、社外の評価は調達の頼れる味方になります。
※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。
あなたのWebサイトは、AIによる攻撃に耐えられますか?
AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。
