従来の意思決定支援システムでは、人間が機械学習モデルを活用してより良い判断を下すことに焦点が当てられてきました。しかし現代のエージェント型システムでは、この役割分担が逆転しつつあります。AIエージェントがユーザーに代わって行動し、人間とツールはそれを支援する仕組みへと変わっているのです。このような役割の反転により、信頼性の問題が重要になります。なぜなら、エージェントの誤りは深刻な結果をもたらす可能性があり、その動作は人間の目標や制約条件と常に一致していなければならないからです。 研究チームは従来の意思決定支援の基本原則を再検討しました。具体的には、サポートを求めることのコスト・価値トレードオフと、不確実性の定量化という2つの原則を、AIエージェントが中心的な行動主体となる設定に当てはめました。彼らは戦略的意思決定支援のフレームワークを提案しており、これはサポート利用を最小化しながら「見落とし支援エラー」をコントロールする最適化問題として定式化されています。見落とし支援エラーとは、サポートが出力を大きく改善したであろう場面で、エージェントが単独で行動してしまう確率を指します。 このフレームワークの特徴は、集団レベルではサポート価値のしきい値ルールが最適ポリシーとなることです。この構造に基づき、研究チームはオンライン適応アルゴリズムを開発し、スコアに動的にしきい値を設定して、ランダム化探索を用いながら分布の仮定なしに見落とし支援エラーをコントロールします。さらに、不必要なサポート呼び出しをオンラインで削減する「その場での校正」手法も導入しました。 実験では、情報収集、人間とAIの協働、ツール利用など多様なシナリオでフレームワークが検証されました。結果として、目標とするエラーを確実にコントロールしながら、実運用においてサポート利用を大幅に削減できることが示されました。