LMSは完了を追跡します。Attestはコンピテンスを追跡します。

SCORMは「Completed」と報告します。監査人が求めるのは習熟の証拠です。すでに内容を知っているシニアBSAアナリストと、本当のギャップを抱えた着任6か月の支店長が、同じ4時間のAMLコースを受け、同じチェックマークを得ます。記録は二人を区別できません。もともと、どちらが何を知っているかを測っていなかったからです。

「適応型」と自称する既存製品の多くは、概念レベルの知識トレーシング（「あなたは概念Yを習熟していない」）ではなく、協調フィルタリング（「あなたのような人は次にコースXを受講した」）を動かしています。しかも従業員はAIアシスタントでモジュールを素通りするようになっており、学習が定着していなくても完了記録は「研修済み」と出ます。

規制対象の業務では、そのギャップは監査人が価格を付けられる負債です。米国の企業研修支出は年間約$102.8B、学習者あたりおよそ$874です（Training Magazine, 2025）。その多くがコンピテンスの証明ではなく完了記録を買っています。研修ギャップが規制上の帰結を伴う場面——AMLおよびBSAの再認定、あるいは2026年8月2日に始まるEU AI Act 第4条の役割ベースAIリテラシー規則——では、緑のチェックマークこそ持っていくべきでない証拠です。

シニアBSAアナリスト （在任8年）はほぼ全域で緑、弱いのは貿易ベースマネーロンダリングと1つのSAR危険信号概念だけです。Attestは18中16概念を認定し、2つをneeds-proofへ回し、証拠にはフラグを立てません。受講時間は一律240分から適応型47.3分へ落ち、80.3%節約です。これは「すでにほとんど知っているので、証明済みのものはスキップする」ケースです。

新任支店長 （異動後6か月）はSARナラティブとTBML全体に本当のギャップがあります。モデルは複数概念で低い習熟を推論し、スキップではなくフローまたはスキャフォールドへ回します。Attestは18中10概念を認定し、8つをneeds-proofへ回し、受講時間を240分から146.7分へ、38.9%削減します。認定概念がアナリストより少ないのは、この学習者が本当に研修を必要とするからです。節約は一律割引ではなく、習熟に連動します。

オペレーションズ・アソシエイト が難しいケースです。この学習者は無関係な18概念にわたって速く完璧に解答し、本物の想起と矛盾する応答時間分布です。見かけの習熟は高く見えますが、コンピテンスゲートは証拠にフラグを立て、18中0を認定します。18すべてがneeds-proofへ回り、証拠はフラグ付きとマークされ、受講時間は検証待ちで保留されます。私たちはこれを「引っかけ」ではなく価値として位置づけます。証明できるものだけを認定するのです。

コホート結果、ライブ算出

時給$75のフルロード賃金で、真にシミュレートした500人の年次再認定コホートに対し、Attestは約51.9%のコホート受講時間削減を算出します（一律2,000時間からおよそ962の適応型時間へ、約1,038時間を回収）。このモジュール1本で約$77,872を回収し、典型的な20時間のコンプライアンスプログラムにスケールすると年換算で約$389,362です。ドル額はモデル出力から算出され、年換算の数字は画面上で予測値とラベル付けされます。

モデルベンチマーク、独立したアンカー

ホールドアウトAUCは0.8315です。シード付きで再現可能な合成PFA生成KTコーパス（訓練2,000人、テスト500人、18概念、12エポック）上で、次ステップ精度は0.771です。データ生成過程（Performance Factors Analysis、古典的なロジスティック学習者モデル）は私たちが訓練するトランスフォーマーとは別のモデルファミリーであるため、ホールドアウトAUCはSAKTが自身の仮定を採点したのではなく、本物の潜在学習構造を回復したことを示します。外部の文脈として、公開ASSISTmentsデータセット上の公表SAKT AUCは約0.80です（Pandey & Karypis, 2019）。耐久性のある見出しは、受講時間の節約割合と自動認定の割合であり、それらはどのモデル品質でも持ちこたえます。AUCが証明するのは、モデルが本物の知識トレーシングであることであり、製品の見出し数字ではありません。