0.001%の誤謬を超えて:エンタープライズ生成AIにおけるアーキテクチャ完全性と規制説明責任

生成人工知能の産業化は、急速な導入への初期の陶酔が規制監視と技術的限界という冷静な現実に取って代わられる、決定的な転換点に達している。2024年9月、ダラスに拠点を置くヘルスケア特化型AI企業Pieces Technologiesとの画期的な和解にテキサス州司法長官が至ったことで、AI説明責任の風景は根本的に変わった。¹ 執行措置の核心は、同社の臨床文書化ソフトウェアが0.001%未満の「重大ハルシネーション率」を維持しているという主張であり、州はこの指標が不正確かつ欺瞞的であると主張した。³ この事件は単なるマーケティング上の失敗ではなく、「ラッパー型」AI戦略に内在するリスクの体系的診断として機能し、統計的誇張よりもアーキテクチャ完全性を優先するディープAIソリューションへの移行の必要性を浮き彫りにする。

エンタープライズの経営層とテクニカルアーキテクトにとって、Pieces Technologiesの事例は、進化するAIガバナンス基準の青写真を提供する。問題のソフトウェアは、Houston Methodist、Children’s Health System of Texas、Texas Health Resources、Parkland Hospital & Health Systemを含む少なくとも4つのテキサス州主要病院に導入され、患者チャートの要約、臨床ノートの起草、退院障壁の追跡に用いられていた。⁴ AIシステムがこのような高リスク環境に統合されるとき、誤差の余地は単なる統計的好奇心ではなく、臨床安全と公益の問題となる。¹ 本ホワイトペーパーは、この転換の技術的・法的・運用的側面を探り、単純なAPI抽象化を超え、検証可能な深く統合されたインテリジェンスへと向かうAIシステムを評価・実装・監視するための厳密な枠組みをエンタープライズに提供する。

0.001パーセント主張の技術的解剖

100,000分の1未満のハルシネーション率という主張は、大規模言語モデル(LLM)の文脈において数学的にも運用的にも重大である。LLMは本質的に、決定論的論理ではなく学習されたパターンに基づいてトークンを予測する確率的エンジンである。この過程の数学的基盤は系列の条件付き確率に依拠し、生成出力の尤度は、その系列内の各個別トークンの確率の積である。⁸ この関係は次のように表せる:

この式において、は入力プロンプトを、は生成された-番目のトークンを、はモデルのパラメータを表す。⁸ ハルシネーションは、モデルが入力文脈に照らして言語的にはもっともらしいが事実としては誤ったトークンに高い確率を割り当てるときに発生する。これらの誤りを0.001%の精度で測定するには、極めて大規模で完全にアノテーションされた「ゴールドスタンダード」データセットが必要だが、臨床要約という高度に断片化され特異な領域では、現時点でそのようなデータセットは存在しない。⁴

テキサス州司法長官の調査は、Pieces Technologiesが製品を宣伝するために用いた指標が「不正確である可能性が高い」とし、病院顧客に対しツールの安全性と精度について誤導しうる、と結論づけた。⁴ 同社は独自の「SafeRead」プラットフォームと、ハルシネーションをフラグするための敵対的AIの利用を挙げて誤り率を擁護したが、規制当局はこれらの指標がどのように定義・算出されたかについての透明性の欠如に焦点を当てた。⁴ これは業界の根本的な緊張を浮き彫りにする:ベンダーはしばしば、エンタープライズ級の検証に求められる厳格性と独立性を欠く内部ベンチマークを開発する。¹

臨床AIにおける比較パフォーマンス指標

指標の種類	標準的な定義	Pieces事例における主張	規制上の期待
重大ハルシネーション率	臨床的危害につながりうる誤りを含む出力の割合。	<0.001%(または100,000件あたり1件未満)。1	独立した第三者監査による裏付け。11
重度ハルシネーション率	捏造された医学的事実や診断を含む出力の割合。	<0.001%。3	指標の「意味または定義」の明確な開示。1
検索精度(Retrieval Precision)	取得された全文書に対する関連文書の比率。	パーセンテージとして明示的に宣伝されていない。	精度を主張するために用いる場合は開示が必要。11
忠実性/根拠づけ(Faithfulness/Groundedness)	応答が提供された文脈のみから導かれている度合い。	敵対的AIを通じて管理。9	これらの測定値の算出に用いた手法の開示。11

規制枠組みの解体:テキサス州司法長官との和解

2024年9月に確定したこの和解は、テキサス州欺瞞的取引慣行—消費者保護法(DTPA)の下で、欺瞞的マーケティング慣行を理由にヘルスケア生成AI企業を対象とした初の事例である。¹ エンタープライズのリーダーが認識すべき重要な点は、司法長官が措置を講じるために新たなAI特化法を必要としなかったことである。既存の消費者保護法とプライバシー法が、主張された虚偽表示に対処するに十分であった。¹⁰

Pieces Technologiesが締結した自主的遵守確約(AVC)は、5年間の強化された透明性と開示を義務づける。¹¹ この法的文書は、AI企業が顧客および公衆とどのように関わるべきかについての重要な先例となる。もっとも重要な要件の一つは、同社が現在および将来のすべての顧客に対し、製品の「既知または合理的に知りうる有害な、または潜在的に有害な使用もしくは誤用」について「明確かつ目立つ開示」を提供しなければならないことである。¹ これによりリスク負担は病院からベンダーへ移り、ベンダーは自社技術の限界を積極的に特定し伝達することが求められる。

さらに和解は、Piecesに対し、製品の学習に用いた具体的なデータとモデル、ならびに宣伝されるいかなるパフォーマンス指標の算出方法の開示も求める。¹ この水準の透明性は、臨床スタッフが患者ケアのためにAI生成文書にどの程度安全に依拠できるかを理解できるように設計されている。¹⁰ 和解はまた、これらの指標を検証するために独立した第三者監査人を雇う代替手段も認めており、これは高リスクAI調達の標準要件となる可能性が高い。¹¹

自主的遵守確約(AVC)に基づく主要な義務

義務	内容	意図される成果
指標の透明性	すべての精度ベンチマークの定義と算出方法を開示する。1	独自または誤導的な成功指標の使用を防ぐ。
リスク開示	「既知または合理的に知りうる」有害な使用について顧客に通知する。2	臨床・運用スタッフによる情報に基づく意思決定を可能にする。
学習開示	用いた学習データとモデル種別の文書を提供する。1	モデルの可観測性と説明可能性を向上させる。
コンプライアンス監視	司法長官からの情報請求に30日以内に対応する。12	5年間にわたる和解条件への継続的遵守を確保する。

ラッパーモデルの誤謬とディープAIへの転換

Pieces Technologiesの事案は、エンタープライズ環境における「ラッパー」モデル固有の脆弱性を露呈する。ラッパーモデルとは通常、ユーザープロンプトを基盤モデルAPI(例:OpenAIのGPT-4)に送り、ドメイン特化の処理や根拠づけをほとんど行わずに返却された応答を表示するソフトウェアアプリケーションを指す。¹⁶ このアプローチは迅速な市場参入を可能にする一方で、ハルシネーション、データ漏洩、プロンプトインジェクション攻撃を緩和するために必要な技術的セーフガードを欠く。¹⁸

対照的に、ディープAIソリューションはモデルをエンタープライズのコアデータファブリックに統合し、検索拡張生成(RAG)、ドメイン特化コーパスでのファインチューニング、多層のヒューマン・イン・ザ・ループ(HITL)監督などの手法を用いる。⁸ Veriprajnaはこれらのディープソリューションの提供者として位置づけられ、汎用LLMが複雑なエンタープライズワークフローで文脈を維持できないことをしばしば阻む「リファクタリングの壁」を認識している。¹⁹ たとえば研究では、開発者の65%が複雑なリファクタリング作業中にAIが「関連する文脈を失う」と報告し、微細なバグやアーキテクチャ上の不整合の導入につながると示されている。¹⁹

ラッパーモデルのリスクはヘルスケアで増幅される。電子健康記録(EHR)の複雑さと臨床コミュニケーションの機微が、ハルシネーションの傾向を高めうるからである。⁹ 汎用モデルへの単純なAPI呼び出しでは、患者の縦断的履歴や医師固有の文書スタイルを考慮できない。²¹ 臨床安全に求められる精度水準を達成するには、特定のユニット、専門科、さらには個々の医師レベルにモデルを適合させる「Sculpted AI」を用いる必要がある。⁵ これには、リアルタイムの患者記録に対して内容を検証するための、複数モデルと臨床ナレッジグラフの洗練されたオーケストレーションが求められる。⁹

リスク比較:ラッパー対ディープAI統合

リスク要因	ラッパーモデルのプロファイル	ディープAIソリューションのプロファイル
文脈保持	モデルのトークンウィンドウと外部メモリの欠如により限定される。	RAGと長期ベクトルストレージにより強化される。19
データポイズニング	外部ソースからの操作された入力に脆弱。18	入力の衛生化と厳選された学習セットにより緩和。18
ハルシネーション制御	基盤モデルの汎用セーフガードに依存。	敵対的検出と臨床ナレッジグラフを実装。9
セキュリティ/コンプライアンス	しばしば第三者プロバイダへのデータ転送を伴う。	ローカルインフラ内でのソブリンAI展開を支援。23

高リスクAIのための評価枠組み

測定可能なインパクトの欠如により投資が静かに未達となるAI実装の「サイレント失敗」を超えるには、エンタープライズは厳密な評価枠組みを採用しなければならない。²⁴ 生成AIの急速な普及は標準指標の整備を上回り、感度や特異度といった基盤的な技術指標への依存を招いているが、これらはしばしば実世界の臨床インパクトを捉えきれない。²⁵

Med-HALT(Medical Domain Hallucination Test)は、ヘルスケアLLM向けに特に設計されたそのようなベンチマークの一つである。単純な精度スコアを超え、医学試験に由来する多国籍データセットを通じて、推論ベースと記憶ベースの両方のハルシネーションを評価する。²⁷ たとえばMed-HALTの「偽確信度テスト」(FCT)は、モデルがランダムに提示された「正しい」答えの妥当性を評価できるかを調べ、誤情報に直面したときの過信への抵抗力を検証する。²⁷ 同様に、「上記のいずれでもない」(Nota)テストは、提示された選択肢が誤っているときにそれを特定できるかをモデルに問い、「強制された」ハルシネーションを避けるための重要なスキルを測る。²⁸

もう一つの包括的アプローチが、ヘルスケアにおけるFAIR-AI(Framework for the Appropriate Implementation and Review of AI)である。この枠組みは、検証、公平性、有用性、透明性などの領域に臨床評価を整理する。²⁵ エンドユーザー向け情報を集約する「AIラベル」の作成を義務づけ、ツールを用いる臨床医がその出自と既知の失敗モードを理解できるようにする。²⁵ この構造的透明性は、責任あるAI導入の要である。

Med-HALT評価枠組みの中核構成要素

テスト様式	目的	仕組み
推論:偽確信度	誤答に対する過信を検出する。27	誤っているが「示唆された」答えを伴う設問を提示する。
推論:偽の質問	無意味な照会を適切に扱う。27	捏造または論理的に不可能な医学的質問でテストする。
記憶:PMIDからタイトル	学習データからの事実想起を検証する。27	PubMed IDを与え、正確な論文タイトルを求める。
記憶:タイトルからリンク	リンク/ソース生成の精度を評価する。27	タイトルを与え、検証可能なURLまたはDOIを求める。
推論:Notaテスト	正しい情報の不在を特定する。27	正解が「上記のいずれでもない」である多肢選択問題を提示する。

高度な緩和:敵対的AIとヒューマン・イン・ザ・ループ

テキサス州司法長官の主張に対するPieces Technologiesの防御は、「敵対的かつ協調的なAI」とヒューマン・イン・ザ・ループ(HITL)システムの併用を中心としていた。⁵ 主張された率は争われたものの、あるAIモデルで別のAIを監視する戦略は、ディープAIアーキテクチャの重要な構成要素である。これには、AI出力と基盤となる臨床データとの不一致を特定するために生成された要約をスキャンする敵対的検出モジュール(ADM)が含まれる。⁹

Piecesの「SafeRead」プラットフォームでは、ADMによってフラグされた要約は、審査と修正のために専門医資格を持つ医師に回付される。⁹ これにより、高リスクの出力が人間の検証なしにエンドユーザーに提示されない階層型セーフティモデルが生まれる。このシステムの技術分析では、ADMはランダムサンプリングよりも臨床的に重要なハルシネーションの特定において7.5倍効果的であることが示された。⁹ これは、適切に構成されたADMが、AI生成の臨床文書化を安全にスケールさせるための必須構成要素であることを示唆する。

しかしHITLシステムの有効性は、「有効是正時間」——フラグされた誤りがどれだけ速く修正できるか——に依存する。Piecesが分析した要約では、是正時間の中央値は3.7時間であった。⁹ 急性期ケアの現場では、この遅延は経過ノートには許容できるかもしれないが、リアルタイムの意思決定支援には致命的となりうる。これは、エンタープライズがリスクと必要な介入速度に基づいてAIユースケースを階層化する必要性を浮き彫りにする。

ヘルスケア向けAIセーフティレベル(ASL)枠組み

レベル	説明	ユースケース例	監督要件
ASL 1-2	安全やプライバシーへのリスクが最小の低インパクト業務。	管理メールの起草やスケジュール調整。31	定期監査と標準的なデータプライバシー管理。
ASL 3	中程度のインパクト。臨床または運用上の意思決定を支援。	経過ノート向け文書化アシスタント。31	臨床医による必須レビューと透明性ログ。25
ASL 4	高インパクト。直接的な患者ケアまたは安全に影響。	再入院または再発の予測リスクスコアリング。31	説明可能な出力とヒューマン・イン・ザ・ループ検証。31
ASL 5	重大なインパクト。患者との自律的な相互作用。	危機介入またはセラピー向けチャットボット。31	エスカレーションプロトコルと使用範囲に対する厳格なガードレール。31

エンタープライズAI ROIの戦略的現実:5%ルール

生成AIの約束は、しばしばその経済的現実から切り離されている。研究によれば、エンタープライズ投資は巨大である一方、規模で測定可能なビジネス価値を達成している企業はわずか5%である。¹⁹ これらの「リーダー」は、単なる技術能力ではなく、データ品質とワークフォースの再設計に注力することで自らを差別化する。¹⁹ 彼らは実装において「70:20:10」ルールに従う:労力の10%をアルゴリズムに、20%をテクノロジースタックに、70%を組織変革に充てる。¹⁹

Veriprajnaのような企業にとって、価値はこのギャップを埋めることにある。これにはプラットフォーム主導のAIへの転換が含まれ、ユースケースあたりのコストを最大15%削減できることが示されている。²⁴ プラットフォームアプローチは統一されたガバナンスを可能にし、複雑性とリスクを増大させる「AIアイランド」の創出を防ぐ。²⁴ さらに、「買うか作るか」の判断は重要である。ベンダーから特化型AIツールを購入する企業の成功率は67%である一方、内部ツールをゼロから構築しようとする企業の成功は33%にすぎない。¹⁹ これは、AIのエンタープライズ価値が新しいモデルの創造ではなく、既存の特化モデルをガバナンスされたワークフローへ深く統合することによって解き放たれることを示唆する。

AIリーダーと後発企業のROI差別化要因

要因	リーダー(上位5%)	後発(95%)
データ戦略	スケール前にデータ品質とガバナンスへ大幅投資。19	「雑然とした」またはサイロ化されたデータ上でモデルをスケール。19
成功指標	ビジネス成果と損益(P&L)への影響に焦点。19	技術能力とパイロット件数に焦点。19
ワークフォース戦略	役割とワークフローの大規模な再設計。19	役割変更なしにAIリテラシー/教育のみに注力。23
統合モデル	セキュア・バイ・デザイン原則を備えたモジュラーなクラウドネイティブプラットフォーム。23	監督が一貫しない断片的・孤立したAIプロジェクト。24

結論:レジリエントなAI実装のためのロードマップ

Pieces Technologiesとのテキサス州司法長官の和解は、ヘルスケアおよび高リスクエンタープライズ分野におけるAIの投機的時代の終わりを画する。それは明確な法的・技術的基準を確立する:精度を宣伝するなら、それを定義し、算出し、透明性をもって裏付けできなければならない。¹ エンタープライズにとってこれは、汎用LLMラッパーから離れ、安全性と検証可能性を優先する深く統合されたAIソリューションへの移行を必要とする。

これを達成するため、組織は次の戦略的要請を実装すべきである:

●​ 多層評価戦略の確立:Med-HALTやFAIR-AIなどの枠組みを用い、ドメイン特有の臨床・運用ニーズに対してモデル性能をベンチマークする。²⁵

●​ 透明性の運用化:導入するすべてのツールについて「AIラベル」またはモデルカードを作成し、学習データ、モデル版、既知の失敗モードをエンドユーザーに開示する。²⁵

●​ 敵対的制御の統合:EHR記録や財務台帳など、エンタープライズの「グラウンドトゥルース」データに対してAI出力を検証する独立した検出モジュールを実装する。⁹

●​ 人間による監督の優先:すべての高リスクユースケースで厳格なヒューマン・イン・ザ・ループ要件を維持し、AIの影響を受けた意思決定の最終権限を臨床医またはドメイン専門家に留保する。²⁰

●​ プラットフォームレベルのガバナンスの採用:孤立したパイロットを超え、品質・相互運用性・セキュア・バイ・デザインのエンタープライズ基準を強制する統一AIプラットフォームへ移行する。²³

これらの原則を受け入れることで、エンタープライズは進化する規制環境を航行しつつ、生成AIの変革的可能性を捉えることができる。目標はもはやテキストを生成することではなく、安全で持続可能であり、厳密な技術的完全性に支えられた価値を生成することである。Veriprajnaは、パートナーのこの移行を導き、AI実装がマーケティング上「高精度」であるだけでなく、実践において実証可能なレジリエンスを備えることを確実にする準備ができている。

参考文献

1. AI Firm Reaches Settlement With Texas Attorney General Over Misleading Accuracy Claims、2026年2月6日閲覧、https://www.bakerdonelson.com/ai-firm-reaches-settlement-with-texas-attorney-general-over-misleading-accuracy-claims

2. Rising AI Enforcement: Insights From State Attorney General ... - Sidley、2026年2月6日閲覧、https://www.sidley.com/en/insights/newsupdates/2024/12/rising-ai-enforcement-insights-from-state-attorney-general-settlement-and-us-ftc-sweep

3. Takeaways From Texas AG's Novel AI Health Settlement - Troutman Pepper Locke、2026年2月6日閲覧、https://www.troutman.com/insights/takeaways-from-texas-ags-novel-ai-health-settlement/

4. Texas attorney general, generative AI company settle over accuracy allegations、2026年2月6日閲覧、https://www.healthcaredive.com/news/texas-attorney-general-ken-paxton-settles-pieces-technologies-generative-ai-accuracy/727699/

5. Pieces Pioneers “Sculpted AI” for Health Systems using Amazon Bedrock、2026年2月6日閲覧、https://www.piecestech.com/media/pieces-pioneers-sculpted-ai-for-health-systems-using-amazon-bedrock

6. Pieces Pioneers "Sculpted AI" for Health Systems using Amazon Bedrock - PR Newswire、2026年2月6日閲覧、https://www.prnewswire.com/news-releases/pieces-pioneers-sculpted-ai-for-health-systems-using-amazon-bedrock-301987253.html

7. Texas attorney general, healthcare gen AI company settle ...、2026年2月6日閲覧、https://www.fiercehealthcare.com/ai-and-machine-learning/texas-ag-pieces-technologies-settle-allegations-inaccurate-generative-ai

8. LLM Hallucination Detection and Mitigation: Best Techniques - Deepchecks、2026年2月6日閲覧、https://www.deepchecks.com/llm-hallucination-detection-and-mitigation-best-techniques/

9. System to Classify, Detect and Prevent Hallucinatory Error in Clinical ...、2026年2月6日閲覧、https://cdn.prod.website-files.com/6697ef98eaaeed02377be5ef/678060c7be019cd6a113ebbc_Pieces%20Technical%20Paper%20V11.13-combined.pdf

10. Lessons From Texas' Healthcare Generative AI Investigation - Securiti、2026年2月6日閲覧、https://securiti.ai/lessons-from-texas-healthcare-generative-ai-investigation/

11. Texas Attorney General Reaches Novel Generative AI Settlement ...、2026年2月6日閲覧、https://www.orrick.com/en/Insights/2024/09/Texas-Attorney-General-Reaches-Novel-Generative-AI-Settlement

12. Texas Attorney General Settles with Healthcare AI Firm Over False Claims on Product Accuracy and Safety | Privacy World、2026年2月6日閲覧、https://www.privacyworld.blog/2024/09/texas-attorney-general-settles-with-healthcare-ai-firm-over-false-claims-on-product-accuracy-and-safety/

13. Texas Attorney General Settles Deceptive Marketing Allegations ...、2026年2月6日閲覧、https://www.manatt.com/insights/newsletters/client-alert/texas-attorney-general-settles-deceptive-marketing

14. Top 5 Tools to Evaluate RAG Performance in 2026 - Maxim AI、2026年2月6日閲覧、https://www.getmaxim.ai/articles/top-5-tools-to-evaluate-rag-performance-in-2026/

15. Texas Attorney General Obtains Settlement of Alleged False and Misleading Statements About Healthcare Artificial Intelligence Product Accuracy - Quarles、2026年2月6日閲覧、https://www.quarles.com/newsroom/publications/texas-attorney-general-obtains-settlement-of-alleged-false-and-misleading-statements-about-healthcare-artificial-intelligence-product-accuracy

16. AI Fire Daily - Rss、2026年2月6日閲覧、https://media.rss.com/ai-fire-daily/feed.xml

17. Impact Measurement Platforms Market in China | Report - IndexBox - Prices, Size, Forecast, and Companies、2026年2月6日閲覧、https://www.indexbox.io/store/china-impact-measurement-platforms-market-analysis-forecast-size-trends-and-insights/

18. Engaging with artificial intelligence | Cyber.gov.au、2026年2月6日閲覧、https://www.cyber.gov.au/business-government/secure-design/artificial-intelligence/engaging-with-artificial-intelligence

19. Enterprise AI ROI Analysis Report: What Actually Works in 2025 | by Xue Langping、2026年2月6日閲覧、https://ai.plainenglish.io/enterprise-ai-roi-analysis-report-what-actually-works-in-2025-87b6f35a7841

20. Reducing Hallucinations in Large Language Models for Healthcare - Cognome、2026年2月6日閲覧、https://cognome.com/blog/reducing-hallucinations-in-large-language-models-for-healthcare

21. Pieces Technologies Unveils Pieces in Your Pocket、2026年2月6日閲覧、https://www.piecestech.com/products/pieces-in-your-pocket

22. Puzzle Solved: How GenAI Improves Clinical Documentation - Healthcare Huddle、2026年2月6日閲覧、https://www.healthcarehuddle.com/p/puzzle-solved-genai-improves-clinical-documentation

23. The State of AI in the Enterprise - 2026 AI report | Deloitte US、2026年2月6日閲覧、https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-ai-in-the-enterprise.html

24. Build vs. Buy: Expert Guidance on Scaling Enterprise AI | Kore.ai + BCG Whitepaper、2026年2月6日閲覧、https://www.kore.ai/whitepaper/bcg-beyond-ai-islands

25. A practical framework for appropriate implementation and review of ...、2026年2月6日閲覧、https://pmc.ncbi.nlm.nih.gov/articles/PMC12340025/

26. AI for IMPACTS Framework for Evaluating the Long-Term Real-World Impacts of AI-Powered Clinician Tools: Systematic Review and Narrative Synthesis - PMC、2026年2月6日閲覧、https://pmc.ncbi.nlm.nih.gov/articles/PMC11840377/

27. Med-HALT: Medical Domain Hallucination Test for Large Language Models - GitHub、2026年2月6日閲覧、https://github.com/medhalt/medhalt

28. Medical Hallucination in Foundation Models and Their Impact on Healthcare - arXiv、2026年2月6日閲覧、https://arxiv.org/html/2503.05777v2

29. MedVH: Toward Systematic Evaluation of Hallucination for Large Vision Language Models in the Medical Context - NIH、2026年2月6日閲覧、https://pmc.ncbi.nlm.nih.gov/articles/PMC12363988/

30. Pieces Technologies Awarded $2M From National Cancer Institute, Part of the National Institutes of Health, to Advance Use of Conversational AI to Improve the Care of Cancer Patients、2026年2月6日閲覧、https://www.piecestech.com/media/pieces-technologies-awarded-2m-from-national-cancer-institute-part-of-the-national-institutes-of-health-to-advance-use-of-conversational-ai-to-improve-the-care-of-cancer-patients

31. AI Safety in Healthcare: Applying the ASL Framework to Responsible Innovation - Netsmart、2026年2月6日閲覧、https://www.ntst.com/blog/2025/ai-safety-in-healthcare

32. Are You Generating Value from AI? The Widening Gap | BCG、2026年2月6日閲覧、https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap

33. E-Briefings – Volume 22, No. 2, March 2025 - The Governance Institute、2026年2月6日閲覧、https://www.governanceinstitute.com/page/EBriefings_V22N2Mar2025