技術概要：X-SYNTH — 観察された人間の注意に基づく企業コンテキスト合成

1. 問題定義

企業運用において、AI エージェントが複雑なタスクを完了するために必要なコンテキストは、記録システム、静的ストレージ、コミュニケーションチャネルに散在している。現在の主流のアプローチは、リクエスト内容と保存されたデータを一致させる「検索拡張生成（RAG）」に依存している。狭く、コンテンツ駆動型のクエリ（例：「請求書 INV-34231 を検索」）には効果的であるが、分散した行動証拠からの合成を必要とする複雑なエージェントタスクにはこのアプローチは失敗する。

核心的な失敗モードは、原理的な関連性シグナルの欠如にある。標準的な検索システムはデータを静的なテキストとして扱い、実際の業務がどのように行われているかをエンコードする「順序付けられた行動の系列」と「暗黙の報酬シグナル」を見落としている。その結果、エージェントは組織、チーム、または個人に固有のノイズと因果的に関連する行動パターンを区別できないため、真のリード率（TLR）が低く、偽のリード率（FLR）が高くなる。本論文は、企業コンテキスト合成は検索問題ではなく、関連性問題であり、そこでは人間の注意がグランドトゥルース（真実）として機能すると主張する。

2. 手法：X-SYNTH フレームワーク

X-SYNTH は、人間の注意（作業者のデジタル的に観測可能な相互作用シグネチャとして定義される）を基礎としたコンテキスト合成を行う 4 段階のエージェントパイプラインである。このシステムは、各個人の行動ベースラインを**デジタルツインシグネチャ（DTS）**としてモデル化し、学習されたルーターを用いて 7 つの異なる注意フィルターから選択する。

コアコンポーネント

A. デジタルツインシグネチャ（DTS）
各個人 $u$ に対して、システムはウィンドウ $\tau$ におけるローリング行動プロファイル $DTS(u, \tau)$ を維持する。これは 5 つのコンポーネントから構成される：

1. $v_{dom}$（ドメイン注意）： 業務ドメイン全体にわたる注意の集中度。
2. $v_{rhythm}$（行動リズム）： 滞在時間、再訪問、遷移に関する統計。
3. $v_{base}$（ベースライン）： 個人の「通常状態」を確立するための拡張されたバックルック統計。
4. $v_{resp}$（責任プロファイル）： 宣言された役割ではなく、活動から推測されるドメイン所有権。
5. $v_{div}$（乖離）： 最近の注意パターンと長期的なベースラインとの差異。

B. 7 つの注意フィルター
学習されたモーダリティセレクター $f_\theta$（3 層 MLP）は、クエリ $q$ とユーザーの DTS を入力とし、7 つの質的に異なるフィルターに対する確率分布をマッピングする：

1. 比例（Proportional）： 長い滞在時間は重要性（期待される注意）を示す。
2. 逆（Inverse）： 期待される注意の欠如は重要性を示す。
3. 差分（Differential）： 個人の自身のベースラインからの逸脱は重要性を示す。
4. 反復（Recurrent）： 頻繁にアーティファクトへ戻ることは重要性を示す。
5. 比較（Comparative）： 類似のアーティファクト間での急速な切り替えは、能動的な評価を示す。
6. 逐次（Sequential）： 期待されるワークフローの系列からの逸脱。
7. 集合（Collective）： コホート全体の注意を集約し、コンセンサスや外れ値を特定する。

C. 4 段階パイプライン

1. 対象スコーピング： クエリに基づき、対象となる個人セット $U_q$ を特定する。
2. モーダリティ選択： 各 $(q, u)$ ペアに対して、システムは $m(q, u) = \text{softmax}(f_\theta([q; DTS(u, \tau)]))$ を計算し、適切なフィルターを選択する。
3. 検索と重み付け： アーティファクトは、結合重み $w(a_j, q, u) = I_{attn}(a_j, q, u) \cdot I_{content}(a_j, q)$ によってランク付けされる。これにより、アーティファクトはコンテンツに関連性があり、かつ行動的に重要であることを保証する。
4. 合成： LLM がランク付けされた証拠とモーダリティ注釈を用いて応答を合成する。

D. フィードバックループ
システムはターミナルフィードバックを段階ごとの失敗確率に分解する。モーダリティセレクターは、失敗が**段階 2（モーダリティ選択）**に起因すると帰属された場合のみ更新され、検索または合成エラーによるトレーニングシグナルの汚染を防ぐ。

3. 主要な貢献

本論文は、4 つの主要な貢献を概説している：

1. 行動的グランドトゥルースとしての人間の注意： 外部ラベルなしで学習可能かつ識別可能な関連性シグナルとして人間の注意を運用化し、DTS を通じてエンコードする。
2. 7 フィルター注意モーダリティフレームワーク： 軽量ルーターを介して個人およびクエリごとに動的に選択される、質的に異なるフィルターの構造化されたセット。
3. 4 段階エージェント合成パイプライン： 対象スコーピング、個別化されたモーダリティ選択、注意重み付け検索、および合成を統合するワークフロー。
4. クレジット帰属フィードバックループ： モーダリティ誤分類に特化した場合のみ、モーダリティセレクターを分離して更新するメカニズムにより、クリーンなトレーニングシグナルを確保する。

4. 評価と結果

このフレームワークは、Fortune 500 企業の 5 名の知識労働者からの実際のデジタル相互作用トレースに由来する302 件のインスタンス（210 件のビジネスチャンスのポジティブインスタンス、92 件のネガティブ）で評価された。

ベースライン性能：

• 生の相互作用系列に直接動作する最先端モデル（Claude Opus 4.6）は、真のリード率（TLR）9.5%、偽のリード率（FLR）90.5% を達成した。
• 小規模モデル（GPT-4o-mini）は TLR 0% を達成した。

X-SYNTH の性能：

• 最先端モデル + X-SYNTH： TLR は**61.9%に増加し（6.5 倍の改善）、210 件の実際のリードのうち 130 件を捕捉した。FLR は18.8%**に低下した。
• 小規模モデル + X-SYNTH： TLR は 0% から**57.1%**に増加し、このフレームワークが複雑なタスクに対して小規模モデルを実用的にする可能性があることを示した。

定性的知見：

• 語彙ギャップ： X-SYNTH は DTS を活用することで組織固有の略語（例：「FZ」は「Formal Zone」）を正常に解釈したが、直接的な推論は組織的事前知識の欠如により失敗した。
• スケーラビリティと選択性： トークン量（販売者 1 人あたり最大 1 日 250 万トークン）のため、大規模での直接推論は非現実的である。X-SYNTH の選択的検索により評価が実行可能となった。
• 時間的統合： X-SYNTH は複数の日および複数の個人にわたるシグナルを正常に統合したが、単一日のウィンドウでは重要なコンテキストを見逃していた。

5. 意義と主張

本論文は、企業コンテキスト合成は検索問題ではなく、関連性問題であると主張する。人間の行動に基づいた関連性シグナルの欠如が、企業 AI エージェントの主要なボトルネックであり、基盤となる LLM の推論能力ではない。

X-SYNTH は、個人の行動ベースライン（DTS）をモデル化し、注意フィルターを動的に選択することで、システムが以下のことを可能にすることを示している：

• 分散した行動証拠から因果的な関連性を回復する。
• 蓄積された組織的事前知識に基づいて推論を基礎づけることで、「企業語彙ギャップ」を克服する。
• キーワードマッチングではなく、行動に基づく圧縮を通じて、高ボリュームの相互作用ストリームにスケーリングする。

著者らは結論として、人間の注意は企業関連性にとって最も信頼性の高いグランドトゥルースであり、X-SYNTH はこのシグナルを運用化する原理的なメカニズムを提供し、複雑な企業ワークフローにおける AI エージェントの実用性を大幅に向上させるとしている。