Ciscoの小型AIモデルが浮き彫りにする、より大きなセキュリティ上のトレードオフ

Cisco Foundation AIは7月、オープンウェイトのセキュリティモデルを2件公開した。これは、最先端のシステムでさえ脆弱なコードの所在の大半を見落としていることを示す証拠がある中での発表だった。このニュースはGoogle Newsでは、モデル、ベンチマーク、セキュリティ研究の月例まとめの一つとして扱われた。しかし重要なのは、Ciscoの公開ペースではない。

Ciscoが検証しているのは、小型で専門特化したモデルが、汎用の最先端システムよりも経済的に反復的なセキュリティ作業を担えるかどうかだ。Antares-350MとAntares-1Bは、既知の脆弱性カテゴリーに関連するファイルをソフトウェアリポジトリ内から探す。ローカルで実行できるため、機密性の高いソースコードを組織の環境内に留められる。

この設計は、難しいAIタスクにはすべて利用可能な最大級モデルが必要だという前提に異を唱える。同時期には、MicrosoftとGoogleも独自の専門特化したサイバーセキュリティシステムを発表した。現在進行している競争は、焦点を絞りローカル展開できるモデルと、より幅広い推論能力を持つ大規模サービスの対決になっている。

Ciscoのベンチマーク結果は専門特化アプローチを支持する一方で、その限界も示している。Ciscoの主要ベンチマークで最良のシステムが達成したFile F1スコアは0.23未満だった。ベンチマーク課題のほぼ5件に2件では、評価対象のすべてのモデルが失敗した。

したがって、これは勝利宣言ではなくトレードオフである。小型モデルは、低い運用負荷、より厳格なデータ管理、再現性のあるリポジトリ分析をもたらす。それでも不完全な結果には、経験豊富なアナリスト、既存のセキュリティツール、慎重な検証が必要だ。

Ciscoが7月に実際に公開したもの

Ciscoが公開したのは、焦点を絞ったコード検索システムであり、自律的な脆弱性ハンターではない。

2026年7月21日、CiscoはAntares-350MとAntares-1Bをオープンウェイトの小型言語モデルとして発表した。その目的は脆弱性ローカライゼーション、すなわち説明された弱点を含む可能性があるファイルを見つけることだ。

この区別は重要である。ローカライゼーションは脆弱性管理における一段階にすぎない。Antaresは、悪用可能性を独力で確認したり、深刻度を判定したり、完全なパッチを作成したり、本番環境向けのコードを承認したりはしない。

代わりに、各モデルにはリポジトリとCommon Weakness Enumerationの説明が与えられる。CWEは、不適切な入力検証のような、繰り返し現れるソフトウェア上の弱点を説明する標準化されたカテゴリーだ。

モデルはターミナルコマンドを用いて、読み取り専用のリポジトリを探索する。関連するパターンを検索し、候補ファイルを読み、証拠を評価し、探索経路に成果がないと判断すれば方針を変える。

Ciscoはこの挙動をAntares releaseで説明している。システムは、可能性が高いファイルの順位付きリストと、探索中に使用したコマンドのトレースを返す。

このトレースはセキュリティ運用において重要だ。アナリストは根拠のない脆弱性判定を受け取るのではなく、モデルがどのように結論へ至ったかを確認できる。

Antares-350Mは計算資源が限られた環境を対象とし、32,000トークンのコンテキストウィンドウをサポートする。Antares-1Bは128,000トークンをサポートし、単一のグラフィックスプロセッサで動作するよう設計されている。

ローカル実行も、もう一つの決定的な特徴だ。企業は、自社のリポジトリをホスト型モデルプロバイダーに送信することなく、独自コードを検査できる。この選択肢は、クラウドベースのセキュリティ分析を妨げがちなプライバシー、データ所在、契約上の懸念に対応する。

Ciscoはモデルの測定用にVLoc Benchも導入した。このベンチマークには、290のリポジトリ、6つのパッケージエコシステム、147種類のCWEカテゴリーから抽出した500件のタスクが含まれる。

各タスクには、既知の脆弱性を含むリポジトリのスナップショットが含まれる。正解ラベルは、対応するセキュリティパッチで変更されたファイルに基づく。

このベンチマークは、ローカライゼーションと検証を分離している。ローカライゼーションでは、モデルは弱点に関連するファイルを見つけなければならない。検証では、パッチ適用後のリポジトリを調べ、修正済みの問題を誤って報告しないことが求められる。

この構造は、完全なペネトレーションテストよりも対象が狭い。一方で、用意されたプロンプトからコード断片を取り出すよりは要求が厳しい。

モデルは限られた情報の下で、未知のリポジトリを探索しなければならない。そのためこのベンチマークは、防御側が実装箇所を特定する前に弱点カテゴリーを把握していることが多いアドバイザリのトリアージに関係する。

CiscoはAntaresを、静的解析、ソフトウェア構成分析、シークレットスキャン、動的テスト、人によるレビューと並べて位置づけている。これらの制御策を置き換えるものとしてモデルを提示しているわけではない。

したがって、直近の変化は実用的ではあるが限定的だ。セキュリティチームは、大規模なリポジトリをより小さな候補ファイル群に絞り込むための、ダウンロード可能な2つのモデルを得た。

この最初の絞り込みは、反復的な調査における注意力の節約につながる可能性がある。しかし、選択されたファイルが脆弱であることを確立するものでも、除外されたファイルが安全だと証明するものでもない。

Google Newsが本当の争点を見落とした理由

Google Newsの見出しは7月を発表の連続として捉えたが、本当の変化は誰が継続的なコードレビューを負担できるかにある。

アプリケーションセキュリティチームがリポジトリを検査するのは一度きりではない。コードは変化し、依存関係は動き、アドバイザリは届き、以前は許容されていた挙動が新たな攻撃手法によって危険になる。

ホスト型の最先端モデルは、こうしたレビューを支援できる。しかし、リポジトリ規模の分析を繰り返すには相当な推論リソースが必要であり、機密性の高いコードを企業インフラの外部へ送る必要が生じる場合もある。

小型のローカルモデルは、この運用上の計算式を変える。すべてのスキャンを高額な外部サービスに依存させることなく、限定されたタスクを繰り返し実行できる。

このトレードオフは複数の層に同時に圧力をかける。最先端モデルの提供企業は、より広範な推論が高い運用負荷を正当化するだけの付加価値を生むことを示さなければならない。

セキュリティベンダーは、専門特化モデルを既存のスキャナー、トリアージコンソール、継続的インテグレーションのパイプラインに組み込むべきかを決める必要がある。社内セキュリティチームは、モデルが生成したファイル順位が実際にアナリストの作業負荷を減らすのか判断しなければならない。

Ciscoのアプローチは、AIセキュリティをチャットボット調達の問題として扱ってきた組織にも圧力をかける。脆弱性ローカライゼーションは、リポジトリへのアクセス、証拠の記録、権限、人間へのエスカレーションを含むワークフロー上の課題だ。

有用な導入では、Antaresを管理されたリポジトリのスナップショットに接続することになる。検索トレースを記録し、候補ファイルを返し、それらの候補をアナリストへ回す。

アナリストは出力を依存関係データ、静的解析の検出結果、テスト、元のアドバイザリと照合する。その後に初めて、組織は修正対応が必要かを決定する。

この役割分担が重要なのは、脆弱性対応には非対称な結果が伴うためだ。偽陽性はアナリストの時間を消費する一方、偽陰性は危険なコードを見つからないままにする。

7月の発表は、単一のモデルがプロセス全体を担う必要はないことを示唆している。あるモデルが疑わしいコードをローカライズし、別のモデルが悪用可能性を評価したり修正案を作成したりできる。

Google DeepMindも、CodeMenderプログラムを通じて専門特化したサイバーモデルを導入した際、同様の見解を示した。Microsoftも、社内で訓練したサイバーセキュリティモデルと関連するセキュリティエージェントを発表した。

業界比較では、3社はいずれもタスク特化型システムを追求していると説明された。共通する動機には、アクセス上の制約と、最先端モデルを大規模に実行するコストがある。

この収束により、Ciscoの取り組みは単なる一つの製品発表以上の意味を持つ。専門特化したセキュリティモデルは、決定論的なスキャナーと汎用AIアシスタントの間に位置する独自の層になりつつある。

保守担当者が信頼できるルールを定義できる場合、静的ツールは引き続き有効である。幅広い推論、修正コードの生成、多数のシステムにまたがる対話が必要なタスクでは、最先端モデルが依然として有用だ。

小型のセキュリティモデルはその中間に位置する。調査のための検索パターンを学習しつつ、制御された頻繁な導入に十分な小ささを保てる。

競争上の問いは、Antaresがあらゆる大規模モデルを上回れるかどうかではない。専門特化システムのポートフォリオが、日常的な防御ワークフロー全体で十分な精度を提供できるかどうかだ。

このモデルが機能すれば、購入者はタスクの経済性と運用上の適合性を通じてAIを評価するようになる。汎用ベンチマークでの名声よりも、トリアージ時間を測定可能な形で削減できることの方が重要になる。

小型セキュリティモデルが最先端モデルの経済性に挑む

Antaresは、厳密に定義されたセキュリティタスクでは、パラメーター数よりも訓練された検索行動の方が重要になり得ると主張している。

汎用コーディングモデルは、多くの無関係な能力と並行して脆弱性対応を学習する。文章作成、説明、計画、コード生成、幅広いソフトウェア推論を支援しなければならない。

Antaresは目的を絞り込む。検索、証拠の確認、経路の見直し、与えられた弱点説明に関連するファイルの特定を学習する。

このより限定的な訓練目標により、Ciscoはモデルの能力をリポジトリ探索に振り向けられる。このアプローチは、セキュリティ用語を記憶するチャットボットというより、ツールを通じて作業する訓練済みの調査員に似ている。

モデルは限られた証拠から始める。ファイル名やコードパターンを検索し、関連ファイルを検査し、新たな手がかりを使って後続のコマンドを導ける。

有用なエージェントは、弱い仮説も放棄しなければならない。その挙動がなければ、リポジトリ探索は冗長な検索を重ねる高コストな作業になり得る。

Ciscoのベンチマークは、このプロセスをコマンド数の制限下でテストする。したがって、リポジトリ構造はプロンプト内に隠された背景情報ではなく、タスクの一部となる。

結果はCiscoの専門特化という主張を支持している。公開されたベンチマークデータによれば、Antares-1BはVLoc Benchで0.209のFile F1スコアを記録した。

未公開のAntares-3Bは0.223に達した。先行するGPT-5.5構成は0.229を記録し、Ciscoの評価における数値差はわずかだった。

パラメーター数だけでは順位は決まらなかった。Ciscoによれば、目的特化で訓練した3Bモデルは、1,000億超のパラメーターを含む汎用システムと同等かそれ以上の結果を示した。

より大きな論点は、3Bモデルが最先端システムと一般的に同等になったということではない。そうではない。この比較が対象とするのは、一つの制約されたタスク、一つのハーネス、一つの採点方法だ。

Ciscoは後に、同じ重みをCyberGymのローカライゼーションと、Cognitionのセキュリティ評価を公開情報から再構成したものでもテストした。この段階は重要だ。モデルは開発元が作成したベンチマークで最も強く見えることが多いためである。

CyberGymには、188件のオープンソースプロジェクトから得られたおよそ1,500件の脆弱性が含まれる。完全版ベンチマークはエクスプロイト生成を評価するが、Ciscoはその前段階であるローカライゼーションを切り出した。

Antares-1Bはこのローカライゼーションテストで67.2パーセントの再現率を達成した。未公開の3Bモデルは73.7パーセント、先行する最先端モデルは89.1パーセントに達した。

これらの数値は、転移性能と依然として存在する能力差の両方を示している。小型モデルは外部タスクでも有用な挙動を維持したが、最良の最先端モデルの結果には届かなかった。

Ciscoの外部ベンチマークテストには、Cognitionのセキュリティ評価をコミュニティが再構成したものも含まれていた。元の50件のフィクスチャのうち、公開されていたのは34件だけだった。

Ciscoは、その比較について公開サブセットから外挿して結果を推定した。同社は数値を、真の直接対決評価ではなく方向性を示すものだと明確に説明している。

この留保は不可欠だ。エージェントごとに、異なるプロンプト、コマンド制限、インフラ、コンテキスト管理、停止ルールを使用できる。

2つのシステムに同じリポジトリを与えても、周辺のハーネスが結果に大きく影響する場合がある。エージェントベンチマークが測定するのは、単独の知能ではなく、モデルとシステムの組み合わせだ。

それでも、経済的な論拠には説得力がある。ローカルモデルは従量制トークン消費を回避でき、ソースコードを外部へ出すことなく繰り返し分析できる。

このため、大量のスクリーニングでは専門化が魅力的になる。その後、より大規模なモデルが、詳しい調査を要する少数のリポジトリやファイルに対応できる。

したがって、想定されるアーキテクチャは階層型だ。低コストの特化モデルが広範な局在化を処理し、高価なシステムと人間の専門家が曖昧なケースを調べる。

このアプローチは、確立されたセキュリティ運用を模倣している。組織はすでに、低コストの自動制御で活動を絞り込み、不確かな検知結果をエスカレーションしている。

Antaresは、プロセスからフロンティアモデルを排除するものではない。チームがそれらをどこで温存すべきかを変えるものだ。

ベンチマークでの勝利には警告が伴う

Ciscoの最も強力な根拠は同時に、十分なローカル検証なしにAntaresをセキュリティゲートにできない理由も示している。

Antares-3BとGPT-5.5の見出しを飾る比較は印象的に聞こえる。しかし絶対スコアは、より厳しい現実を示している。

VLoc Benchで最高性能だったシステムでも、File F1はわずか0.229だった。File F1は、予測したファイルと既知のパッチで変更されたファイルを比較する際の適合率と再現率を組み合わせた指標である。

低スコアは、関連ファイルの見落とし、無関係な提案、あるいはその両方を反映し得る。いずれの失敗も、結果を受け取るセキュリティチームに作業やリスクをもたらす。

ベンチマークの公開された結果によると、500件のタスクのうち190件は、評価対象となったすべてのモデルで未解決のままだった。これは全体の38%に相当する。

また、最小規模のリポジトリから最大規模のリポジトリにかけて、性能は13分の1に低下した。Ciscoは、脆弱性のカテゴリよりも構造的な複雑性の方が難易度を強く予測すると結論付けた。

この知見は、このストーリーにおける中心的な逆説を生む。専門化は小規模モデルがはるかに大規模なモデルと競う助けになるが、リポジトリ規模での脆弱性発見を信頼できるものにはしない。

同じ制約は製品の境界にも表れている。Antaresは候補ファイルを特定するが、弱点が実際に存在するか、また悪用可能かは、なおアナリストが判断しなければならない。

リポジトリには、同じパターンの実装が複数存在する場合がある。生成コード、ラッパー、テスト、ベンダー提供の依存関係、互換性レイヤーが検索を混乱させる可能性がある。

セキュリティパッチも、不完全なグラウンドトゥルースの一形態を提供する。メンテナーは直接脆弱ではない補助ファイルを変更することがあり、初期修正では関連箇所を省く場合もある。

したがって、ベンチマークはセキュリティ理解を完全に測定せず、過去のパッチとの一致を報いることがある。依然として有用だが、そのスコアを普遍的な検知率として扱うべきではない。

Ciscoの外部テストは、ベンチマークへの完全な過学習に対する懸念を軽減する。しかし、企業リポジトリ全体での独立した再現検証の必要性をなくすものではない。

Antaresを導入する組織は、まず回顧的なケースから始めるべきだ。チームは以前に修正した脆弱性を提供し、モデルが既知のファイルを特定できるかを測定できる。

また、無関係な提案、見落としたファイル、コマンド使用量、実行時間、アナリストのレビュー時間を記録すべきである。コードベースごとに異なるエラーパターンが生じる。

モデルのコンテキストウィンドウは、リポジトリ全体を理解できることを保証しない。Antaresはターミナルコマンドを通じて探索するため、その成功は適切な検索と証拠を選べるかに依存する。

大規模モノレポジトリは特有の課題を生む。弱点の説明が、サービス、生成クライアント、共有ライブラリ、複数の実装言語にまたがって当てはまることがある。

このベンチマークは、このリポジトリ規模の問題を裏付けている。また、パラメータ数を増やすだけでは、あらゆる構造上の障害を取り除けないことも示唆している。

セキュリティリーダーは、モデルの確信度をポリシー上の権限に変換することを避けるべきだ。Antaresが独自にリリースをブロックしたり、脆弱性チケットをクローズしたり、パッチを認証したりしてはならない。

慎重な実装では、その出力を助言として扱う。上位にランクされたファイルには人間が早期に注意を向け、従来の制御は引き続き広範なコードベースを検査する。

独立した報道も同様の結論に達している。導入評価は、これらのモデルが脆弱性を確認せず、重大度を割り当てず、修正も生成しないと指摘した。

この報告は、分析環境を隔離する必要性も強調した。ローカル実行はコードをオンサイトに保つが、周辺システムを自動的に安全にするわけではない。

ターミナルアクセスを持つモデルは、依然として機密リポジトリや推論依存関係とやり取りする。管理者には、最小権限アクセス、ネットワーク制限、ログ、検証済みのモデルアーティファクトが必要だ。

オープンウェイトは、検査とデプロイの選択肢を提供する。しかし、改ざん、安全でない統合、不適切な権限に対する保証を提供するものではない。

オープンウェイトは無制限の信頼を意味しない

Ciscoは、防御側のアクセスを広げることと、セキュリティモデルが攻撃者を支援し得る可能性との均衡を図っている。

同社はAntaresをオープンウェイトと呼んでいる。これは、適格なユーザーが学習済みパラメータを取得できるためだ。その後、モデルの挙動はCiscoのホステッドサービス外のインフラ上で実行できる。

ただし、公開モデルのダウンロードには連絡先情報と承認が必要だ。Ciscoは、犯罪者がツールを入手する可能性を抑えるため、アクセスを審査していると述べている。

この管理された配布は、通常のオープン対クローズドの議論を複雑にする。Antaresは、匿名かつ即時のアクセスを許可せずに、ローカルデプロイと検査可能なウェイトを提供する。

Ciscoは、モデルの安全性と公開判断について米国政府機関に相談したと報じられている。これは、脆弱性研究のデュアルユース性を反映している。

局在化モデルは、防御側が露出したコードを見つける助けになる。同じ能力は、利用可能なリポジトリ内で既知の弱点を攻撃者が絞り込む助けにもなり得る。

Ciscoのモデルはエクスプロイト生成の前で止まるが、その境界が悪用をなくすわけではない。関連ファイルの発見は、エクスプロイト開発における重要な第一歩である場合が多い。

公開に関する報道は、Antaresをオープンなセキュリティツールへの幅広い動きの一部として説明している。同じ時期にCapital Oneも、脆弱性に焦点を当てた別のエージェントを公開した。

オープンなセキュリティ研究には長年の利点がある。共有されたルール、ベンチマーク、テストケースにより、防御側は結果を再現し、システムを比較できる。

同時に、精査も強まる。研究者は、クローズドサービスでは隠され得る評価上の誤り、暗黙の前提、安全でないデフォルト設定を特定できる。

ツールの自律性が高まると、リスクも増す。ファイルを順位付けするだけのモデルは、コード実行、ネットワーク接続、リポジトリ変更を許可されたエージェントより権限が小さい。

デプロイチームは、その限定的な権限を維持すべきだ。読み取り専用のリポジトリアクセス、サンドボックス化された実行、制限されたコマンド、レビュー可能なトレースは、デフォルトの制御として維持すべきである。

Ciscoのより広範な研究は、この慎重さを裏付けている。15のプロプライエタリなフロンティアモデルに対する評価では、単発攻撃と適応型の複数ターン攻撃の間に大きな差が見られた。

複数ターン攻撃の成功率は7.89%から88.30%の範囲だった。同じモデル群における単発の成功率は2.19%から64.91%だった。

複数ターン研究は、各拒否後に適応する攻撃者を、1つのプロンプトによる安全性テストでは表現できないと論じている。この教訓は防御エージェントにも当てはまる。

リポジトリ検索エージェントは、一連の観測と行動を通じて動作する。単独の出力をテストしても、すべての危険な軌跡や権限の失敗を明らかにすることはできない。

この点で、Antaresのベンチマーク戦略は、モデル公開だけよりも興味深い。Ciscoは、モデル、タスク固有の評価、管理されたエージェントシステムの仕様を構築している。

これらは、AIセキュリティをどのように調達すべきかという主張を形作っている。購入者には、定義済みのワークフロー、攻撃条件、権限、失敗率に関する根拠が必要だ。

モデルカードや一般的なリーダーボードでは、そうした運用上の問いに答えられない。有利なGoogle Newsの見出しでも同様だ。

セキュリティチームには、自社のリポジトリと制約に似た評価アーティファクトが必要である。また、モデルがいつ方針を変え、なぜファイルを選んだのかを示す記録も必要だ。

その証拠は、監査やインシデントレビューを支えられる。また、モデルが意味のあるコード関係ではなく表層的な名前に依存した場合も明らかにできる。

オープンウェイトは、こうしたローカルテストを容易にする。ただし、管理されたアクセスはコミュニティの参加を制限し、独立した再現検証を遅らせる可能性がある。

Ciscoは、その審査プロセスが正当な研究者に実用的なアクセスを提供することを示す必要がある。そうでなければ、オープン性に関する主張は、ラベルが示唆するより狭いままとなる。

セキュリティチームが次に注視すべきこと

次の3つのシグナルが、特化型セキュリティモデルがインフラとなるのか、それとも印象的な研究デモにとどまるのかを決める。

最初のシグナルは、独立したベンチマーク再現検証だ。研究者は、Ciscoが選定していないリポジトリ、言語、脆弱性クラスに対してAntaresを実行すべきである。

分布外のCyberGym結果は、すでに有用な証拠を提供している。より広範なテストでは、一貫したハーネスのもとで、適合率、偽陰性、実行時間、アナリストの作業量を測定すべきだ。

好ましい結果は、Ciscoの専門化に関する主張を強める。大幅な性能低下があれば、モデルが転用可能な調査スキルではなく、ベンチマーク固有の検索パターンを学習したことを示唆するだろう。

2つ目のシグナルは、本番統合だ。Antaresは、セキュリティプラットフォームが順位付けしたファイルを既存の調査・修正ワークフローに組み込めるようになったとき、運用上の意味を持つ。

チームは、継続的インテグレーションシステム、静的スキャナー、アドバイザリー管理プラットフォーム、標準化されたSARIF検知結果との統合を注視すべきだ。SARIFは、静的解析の結果を交換するための一般的な形式である。

統合だけでは導入とは言えない。Ciscoまたはそのパートナーは、見落とし脆弱性を増やすことなく、アナリストがより速く調査を完了できることを示さなければならない。

最も有用な証拠は、導入前後のアナリスト作業時間を比較するものだろう。ケーススタディでは、リポジトリ規模、言語カバレッジ、人間によるレビュー工程も開示すべきである。

パイロットを実施する組織は、自らの評価メモ、コードコンテキスト、アドバイザリー、レビュアーの判断を保存すべきだ。検索可能なナレッジベースは、チームが繰り返しのテストを通じてその証拠を保持する助けになる。

3つ目のシグナルは、競合他社の反応だ。Microsoft、Google、OpenAI、セキュリティベンダー、オープンソース研究者はいずれも、特化型サイバーモデルやエージェントを探求している。

再現可能なハーネスを備えたタスクレベルのベンチマークを公開するかを注視すべきだ。また、それぞれのシステムが局在化、検証、エクスプロイト、修正を分離しているかも見るべきである。

明確な分離は、Ciscoのセキュリティエージェントに関するモジュール型の見方を支持するだろう。一貫してより強力なエンドツーエンド結果を示す統合システムは、専用の局在化モデルを支持する根拠を弱めるだろう。

Antares-3Bは、このシグナルを裏付けるもう一つの具体的な検証例だ。Ciscoは7月の評価公開時に結果を含めていたが、重みはまだ公開していなかった。

利用可能になれば、独立した研究者は、フロンティアに迫るVLoc Benchの性能が異なるリポジトリにも転移するかを検証できる。また、公開済みの350Mおよび1Bバリアントと挙動を比較することも可能になる。

セキュリティ導入の担当者は、万能の勝者が現れるのを待つべきではない。すでに得られている証拠は、モデル選定がタスクの範囲、プライバシー要件、リポジトリの複雑さ、レビュー能力に左右されることを示唆している。

Google Newsは、こうしたリリースをモデル発表やベンチマーク順位へと引き続き圧縮して伝えるだろう。実務者が問うべきなのは、より難しい問いだ。新たな失敗モードを隠すことなく、そのシステムは検証済みのセキュリティ作業を減らせるのか。

過去の事例を対象に範囲を限定したパイロットを実施し、すべての検索トレースを保存したうえで、既存の統制と結果を比較する。その証拠が、特化型AIがセキュリティパイプラインに組み込むべきものかどうかを明らかにする。