AIエージェント技術が急速に進化する中、異なるシステム間の相互運用性を定める標準化の議論がどのような構造を持っているのかは、これまで実証的に十分に検証されていませんでした。本論文は、この重要な課題に取り組むため、大規模言語モデル（LLM）を活用した比較分析パイプラインを開発しました。このパイプラインは、自動アノテーション、ニューラルトピックモデリング、マルチレイヤーネットワーク分析を統合し、AIエージェント標準化の過程で生じる社会技術的な権力構造を大規模に分析するものです。 研究チームは、対照的な二つのエージェント相互運用性標準を対象に検証を行いました。一つはERC-8004という許可不要でオンチェーンで機能する分散型標準、もう一つはGoogleが主導する企業型標準A2Aです。4,323件のガバナンス参加記録を分析することで、LLM支援によるコード化、トピックモデリング、マルチレイヤーネットワーク分析を組み合わせて、制度設計がいかに議論の焦点や共同体構造に影響を与えるかを検証しました。 興味深い発見として、ガバナンスの形態は実質的な焦点に影響を与えるものの、両者のレジームは同程度の参加不平等性とコミュニティの断片化を示していることが明らかになりました。一方、許可不要の設定ではディスコース整合性がより密集していることが判明し、分散型参加にもかかわらず、開放的なガバナンスがテーマ的収束を促進する可能性が示唆されました。これらの知見は、LLM支援技術がテクノロジーガバナンスの実証的研究をいかに進展させ、より公平なAIエージェント標準の設計に貢献できるかを示しており、今後のAI標準化プロセスの民主化に向けた重要な知見となります。