Databricks：FDAがデータ基盤を先に整備し、AIの日次利用率85%に到達した方法
Databricksによると、FDAは散発的なAIパイロットから、およそ2カ月で職員の日次利用率85%へと移行したという。注目すべきは、その前に何をしたかだ。同庁はより優れたチャットボットから始めたのではない。まず、独立して運営される8つのセンターにまたがるデータ、権限、アクセスを統合した。
この違いにより、Databricksの事例は、従業員にAIアシスタントを配布したというだけの報告よりも有用になる。FDAはすでに、個別のチャットボットやデータストアを試していた。より困難だったのは、統制を弱めることなく、組織の境界をまたいで機密情報を利用可能にすることだった。
したがって主な対立軸は、あるAIベンダーと別のベンダーの競争ではない。ガバナンスされたインフラと、分断された実験の対立である。FDAの報告された導入率は、信頼できる情報に到達し、特定の負担を軽減する場合に職員がAIを利用することを示唆している。ただし、公開情報には、測定方法、正確性、規制上の成果への影響に関する重要な疑問がなお残る。
FDAは8つのAIの孤島を1つのプラットフォームに統合した
FDAにおける中心的な変化は、組織面とアーキテクチャ面のものだった。8つのセンターは孤立したAIシステムを構築する代わりに、ガバナンスされた共通基盤を共有し始めた。
同庁の管轄は、医薬品、生物製剤、医療機器、食品、獣医学、たばこ製品、査察に及ぶ。これらの責務は、それぞれ異なるワークフロー、技術システム、規制要件を持つセンターにまたがっている。各センターは独自のデータ資源を整備し、場合によっては個別のAI機能も開発していた。
この独立性は、企業でよく見られる問題を引き起こした。チームは技術投資を重複させ、関連情報を異なる場所に保管し、データの統一的な把握を欠いていた。あるセンターで有用なモデルであっても、別のセンターが管理する文書や構造化レコードに自動的にアクセスすることはできなかった。
規模の大きさは、こうした分断を特に高コストなものにした。Databricksによると、FDAは約1ペタバイトの文書を管理し、毎日数百ギガバイトを受け取り、毎月数千件の規制申請を処理している。これらの数値はベンダーのケーススタディによるものであり、公開の場で独立した監査を受けたものではない。
FDAプラットフォームの説明によると、同庁の技術部門は3〜4カ月で50〜60のデータソースを統合した。ソースは8つすべてのセンターから集められ、共有のDatabricks環境に取り込まれた。
CDERとして知られる医薬品評価研究センター（Center for Drug Evaluation and Research）が実例となった。CDERはDatabricks上で独自のデータプラットフォームを5年間かけて開発していた。その成果は、共有基盤が実際の規制業務を支えられるという証拠を組織全体にもたらした。
従来は4〜5日を要したとされるデータ交換が、大幅に高速化されたという。また、プラットフォームは、情報をスケジュールに沿って移動させる一部のバッチ処理を、リアルタイムストリーミングに置き換えた。ストリーミングでは、次のバッチを待つのではなく、新しいレコードが到着した時点で利用できる。
技術的な統合だけでは問題は解決しなかった。FDAの各センターは、営業秘密、独自の申請資料、その他の機密性の高い資料を扱う。あるセンターが自らの情報に対する管理権を失うと懸念すれば、共通のデータレイヤーは政治的にも運用面でも機能しないだろう。
Databricksの集中型ガバナンスレイヤーであるUnity Catalogが、統制の要となった。これはデータ資産全体に権限を適用し、アクセスを追跡する。Databricksによると、FDAはこれを用いて、テーブルレベルのアクセスを含むきめ細かな統制を実施した。
このガバナンスレイヤーは、実務的なルールを確立した。インフラを共有することは、すべてのレコードをすべての職員と共有することを意味しない。チームは、承認要件やセンター固有の境界を維持しながら情報を接続できた。
同庁は後に、統合されたプラットフォームをHALOと説明した。これはHarmonized AI and Lifecycle Operations for Dataの略である。2026年5月、FDAはHALOが40を超えるアプリケーションおよび申請情報源、システム、ポータルを統合していると述べた。この数字とDatabricksが示す50〜60のソースとの差は、数え方の違いを反映している可能性が高い。
これがDatabricksの事例から得られる最初の重要な教訓だ。統合は各部門の責務を消し去るものではなかった。センターが保護対象データの管理を維持しつつ、情報を見つけ、統制し、活用する共通の方法を生み出した。
その順序も重要だった。FDAはすべての職員に、機密性の高い業務で汎用チャットボットを信頼するよう求めたわけではない。情報レイヤーを確立し、CDER内で価値を実証してから、モデルを拡大した。アクセス制御を外すことなく遅延を減らせるという証拠に続いて、導入が進んだ。
この順序は、企業でよく見られるパターンに疑問を投げかける。多くの組織は、権限、文書、データベースが分断されたままAIインターフェースを購入する。その結果、従業員は不完全な回答、欠けた文脈、重要な業務を支えられないシステムに直面する。
共有データ基盤が信頼できるAIを保証するわけではない。しかし、予測可能な失敗原因の一つ、すなわち適切な情報にアクセスできないアシスタントを排除する。FDAの次の段階は、この基盤の上に全庁的なインターフェースを置くことだった。
Databricks：Elsaはチャットボットから日常業務へ移行した
Elsaが広がったのは、FDAが1つのインターフェースをガバナンスされた情報に接続し、職員が既存の手順に合わせて活用できるようにしたからだ。
FDAは2025年6月2日、Elsaを全庁で導入した。Elsaは、読解、執筆、要約、検索、その他の職員向けタスクのために設計された生成AIアシスタントである。Elsaの初期導入により、科学審査官、調査官、その他の職員が利用できるようになった。
この導入に先立ち、2025年5月には科学審査のパイロットが発表されていた。マーティ・マカリー長官は、6月30日までに全センターへシステムを拡大するよう同庁に指示した。FDAはその期限より前にElsaをリリースした。
同庁は当初、いくつかの実務的な用途を挙げていた。Elsaは、有害事象情報の要約、製品ラベルの比較、特定のデータベース向けコード生成を行える。FDA当局者は、チームが臨床プロトコルのレビューや査察の優先順位付けにも利用していると述べた。
これらは、AIが規制判断を下すという約束ではなく、範囲が限定されたタスクだった。この違いは重要だ。検索、要約、文書比較は、有資格の審査官に判断を委ねたまま、準備時間を短縮できる。
FDAによると、Elsaは高セキュリティのGovCloud環境で稼働していた。また、モデルは規制対象企業から提出された情報で学習しないとしている。これらの保護措置は、製薬、バイオテクノロジー、食品、医療機器の企業にとって中心的な懸念に対応するものだった。
2025年12月までに、同庁は職員の70%以上が自発的にElsaを利用していると述べた。その後、定義された指示のもとで、ソフトウェアが複数の連続した手順を計画・実行できるエージェント型機能を展開した。職員は、会議管理、審査、監視、査察、コンプライアンス、事務作業のワークフローを構築できた。
エージェント型AIの導入には、2カ月間の社内チャレンジも含まれていた。職員はソリューションを構築し、FDAのScientific Computing Dayで披露するよう招かれた。このプログラムにより、導入は単なるソフトウェア配布ではなく、参加型の取り組みとなった。
Databricksは現在、FDAの職員16,000人における利用率が、およそ2カ月で1%未満から85%へ上昇したと報告している。見出しでは日次利用とされているが、記事は基礎となる分析データ、対象期間、アクティブユーザーの定義を公開していない。
この制約は重要である。アプリケーションを1日に1回開くことと、重要なワークフローを完了することは異なる。また、導入率だけでは、回答品質、節約された時間、センター間で利用が一貫しているかについてほとんど分からない。
それでも、報告された利用状況は、基本的なライセンス数よりも実質的な内容を示している。Databricksによると、医師、科学者、審査官、事務職員は毎週数百のエージェントを作成している。職員は、標準作業手順書、ガイドライン、センター固有の文書を使って、それらのエージェントを根拠付けているとされる。
グラウンディングとは、AIシステムに対して、依頼に関連する承認済みの情報を提供することを指す。これにより、モデルは一般的な学習データだけに頼るのではなく、それらの資料に基づいて回答できる。この手法は関連性を高めうるが、不正確な出力をなくすことはできない。
モデルの選択も、職員体験から切り離されていた。Databricksによると、Elsaは単一のインターフェースを通じて複数のモデルへのアクセスを可能にする。この設計は、データ権限とワークフローを共有レイヤーに維持しながら、単一モデルへの依存を減らす。
報告によると、このアーキテクチャでは、Unity Catalogの上にModel Context Protocolサーバーが配置される。Model Context Protocol、すなわちMCPは、AIシステムが承認済みのツールや情報に接続するための標準方式である。これにより、エージェントは無制限のアクセス権を与えられることなく、ガバナンスされたリソースを要求できる。
職員にとって、こうしたレイヤーはほぼ見えないままであるべきだ。審査官は質問するか、ワークフローを開始する。プラットフォームは、その人の権限に基づき、どの承認済み情報とツールが利用可能かを判断する。
ここに、FDAのアプローチと、切り離されたチャットボット展開との差がある。汎用アシスタントは文章の下書きを作成できるが、どの内部レコードが権威あるものかを把握していることはめったにない。Elsaは、同庁の情報境界と業務上の文脈の中で機能することを意図している。
同様の原則は、個人やチームのシステムにも当てはまる。AIアシスタントは、整理されたAIナレッジベース、明確な情報源、統制された検索と連携することで、より有用になる。FDAはこの原則を規制業務の規模で適用した。
したがって、Databricksの事例は導入の循環を描いている。ガバナンスされた情報が特定のワークフローを可能にする。有用なワークフローが職員を引き付ける。その利用が新たなニーズを明らかにし、チームによる追加エージェントの作成を促す。
ただし、急速な作成は新たなガバナンス上の問題も生む。毎週数百の新規エージェントが生まれれば、重複ツール、不均一な指示、十分にテストされていない出力につながりうる。作成の障壁を下げる同じプラットフォームが、評価、所有責任、廃止も支える必要がある。
FDAの最初の成果は、職員に利用を始めてもらったことだった。より長期的な試練は、各地で作成されたエージェントが、その数の増加に伴っても正確性、追跡可能性、管理可能性を維持できるかどうかである。
3分間のレビューが導入加速の理由を示す
最も強い証拠は導入率そのものではなく、数日かかっていたとされる限定的なワークフローが約3分に短縮されたという点だ。
医薬品審査官は、製造時に使われる原材料である出発物質を特定する必要がある場合がある。関連する詳細は、膨大な規制申請資料の中に含まれていることがある。審査官は、それらの物質を製品、供給業者、製造業者と結び付けなければならない。
Databricksによると、この調査では以前、個々のファイルを開き、キーワード検索を実行し、回答を手作業で組み立てる必要があった。関連情報は300万〜400万ページに分散している可能性があった。そのため、単純な質問が時間のかかる文書調査になっていた。
チームは機械学習と自然言語処理を用いて、これらの文書から特定のデータを抽出した。出発原料に加え、製品、サプライヤー、製造業者の関係性を追跡した。MLflowは、これらのデータ処理モデルの開発と管理を支えた。
抽出された情報には、Elsaを通じてアクセスできるようになった。審査担当者は申請番号を入力し、関連する出発原料について尋ねることができる。Databricksによれば、このシステムは数日を要していた手作業の調査に対し、約3分で根拠に基づく回答を返したという。
この主張には慎重な表現が必要だ。Databricksがこのケーススタディを公開しており、公開記事には独立したベンチマークは含まれていない。サンプル数、正確性の割合、エラーの分類、すべての申請で同じ結果が得られたかどうかも報告されていない。
こうした留保があるとしても、このワークフローは、従業員が日々利用し続ける理由を説明している。すでに明確な問い、特定可能な情報源、適格な審査担当者が存在する業務から、情報探索の負担を取り除く。AIは価値を提供するために、審査担当者を置き換える必要はない。
FDAのAI戦略・イノベーション責任者であるVenu Boppanaは、この役割分担を成功の基準として示した。目的は、審査スタッフが検索に時間を費やさず、本来の業務に集中できるようにすることだと述べた。
これは、従業員に汎用アシスタントの使い道を自ら考えさせるよりも、信頼できる導入メカニズムだ。プラットフォームは既存プロセスの中で人々を支援する。人間による判断の場を維持しつつ、測定可能なボトルネックを減らす。
このメカニズムは、なぜデータプラットフォームが重要だったのかも明らかにする。高度な言語モデルだけでは、どの申請書類、サプライヤー資料、製造文書に権威ある回答が含まれているかを知ることはできない。抽出済みの記録、関係性、権限、識別子が必要だった。
検索の品質は、それ以前のデータエンジニアリングに依存していた。チームは数百万ページを処理し、重要なエンティティを定義し、それらの資産を安全に公開する必要があった。目に見える3分間の応答は、何年にもわたる目立たないプラットフォーム構築の上に成り立っていた。
このパターンは、デモを中心に構築されたエンタープライズAIプログラムに圧力をかける。洗練された会話型インターフェースは経営陣を印象づけられるかもしれないが、回答に社内文脈が欠けていれば従業員は利用をやめる。日常的な利用には、通常業務の中で繰り返し価値を提供することが求められる。
同時に、孤立した部門別ツールにも圧力がかかる。特定センター向けのアシスタントは対象範囲が狭いため、迅速に前進できる。しかし、別の部門が関連情報や共通ガバナンスを必要としたとき、サイロを再生産する可能性がある。
FDAはCDERの運用プラットフォームを出発点として維持し、その機能を各センターに適応させた。このアプローチは、現場での実証と組織全体のインフラを両立させた。有用なワークフローを示す前に、完璧なエンタープライズ設計を待つことを避けた。
歴史的な順序は重要だ。CDERによる5年間のプラットフォーム構築が、迅速な全庁導入の物語に先行していた。2か月という導入実績は、総開発期間が2か月だったことを意味しない。何年ものデータ準備と、集中的な統合フェーズの後に生まれたものだ。
このニュアンスは、他の組織がこの結果をどう解釈するかを左右すべきだ。この事例は、どの機関でもアシスタントを導入すれば数週間で85%の利用率に到達できることを示してはいない。成熟したデータ基盤と信頼できる社内の先例があれば、迅速な導入が後に続き得ることを示している。
このワークフローは、支援と裁定の境界も示している。出発原料に関する情報を見つけることは、医薬品が安全または有効かどうかを判断することとは異なる。証拠の迅速な取得は審査を支援できるが、最終的な規制上の結論を妥当化するものではない。
FDAの方針では、プロセス全体に人間の分野専門家が配置されている。FDAによれば、スタッフは入力、分析手順、出力の利用方法を検証する。この安全策は不可欠だ。根拠に基づいているように見える回答であっても、関連文書を見落としたり、関係性を誤読したりする可能性があるためだ。
したがって、3分間の事例は限定的ながら意味のあるものとして読むべきだ。このプラットフォームは、ある調査業務を短縮し、裏付け情報へのアクセスを容易にし、専門家に時間を取り戻すものだと報告されている。AIが科学的審査を独力で実施できることを立証するものではない。
85%の導入率という主張が示していないこと
高い利用率はアクセス可能性と有用性の認識を示す証拠ではあるが、規制上の正確性や公衆衛生上の成果の向上を示す証拠ではない。
85%という数字は、Databricksによる2026年7月の報告に基づく。同社は基盤となるデータプラットフォームを提供しているため、このケーススタディは同社の商業的なストーリーも支えている。読者はこの数字を、独立した調査結果ではなく、顧客に関して報告された指標として扱うべきだ。
FDAは、この方向性を裏付ける以前の導入データを公開している。2025年12月、FDAはスタッフの70%以上が自発的にElsaを利用していると述べた。この公式発表により広範な導入はもっともらしくなるが、85%が毎日利用していることを独立して確認するものではない。
いくつかの測定上の詳細は依然として欠けている。FDAもDatabricksも、毎日利用するユーザーとして数えるために必要な最小限の活動を公に説明していない。センター別、職種別、ワークフロー別の導入状況も開示していない。
利用状況の偏りは重要になり得る。管理部門の従業員は要約機能を頻繁に利用する一方、科学的な審査担当者は、より少数で高リスクな業務にElsaを頼るかもしれない。全庁を対象とする一つの割合では、こうした違いを覆い隠す可能性がある。
公開情報には、システム全体を対象とする正確性評価も欠けている。3分間の出発原料の事例は速度を示しているが、適合率、再現率、審査担当者による訂正率は示していない。これらの指標があれば、迅速な検索が依然として信頼できるかどうかが分かる。
ガバナンスに関する主張にも同様の精査が必要だ。FDAによれば、Elsaはユーザー入力や規制対象業界からの提出物を学習に使用しない。また、同システムは、高インパクトのクラウドデータに関する連邦セキュリティ基準であるFedRAMP High環境で稼働しているとしている。
これらは重要な統制だが、すべてのリスクを解消するものではない。権限を持つユーザーであっても、不適切な情報を要求する可能性はある。エージェントは許可されたデータを予期しない形で組み合わせることがあり、生成された要約は元文書にある限定条件を省略する可能性がある。
迅速なエージェント作成は、この課題を拡大する。各カスタムエージェントには、異なる指示、ツール、文書セットを含められる。一貫したテストがなければ、似た質問に答える二つのエージェントが矛盾する結果を出す可能性がある。
FDAの人間による審査要件は、こうした違いの影響を抑える。しかし、人間による監督が機能するのは、審査担当者がシステムの限界を理解し、裏付けとなる証拠を検査できる場合に限られる。自動化バイアスにより、人々が自信に満ちた回答を安易に受け入れてしまうことがある。
外部の専門家は、大規模展開以前からこうした懸念を示していた。Scripps ResearchのEric TopolはAxiosに対し、コンセプト自体は妥当だが、詳細が限られていることや、急ぎすぎているとの印象は懸念材料だと語った。また、どのモデルと学習入力がこのシステムを支えているのかにも疑問を呈した。
元FDA長官のRobert Califfは、タイムラインについては慎重さを保ちつつも、期待を示した。業界の代表者は審査をより効率的にする取り組みを歓迎した一方で、専有的な提出物の保護を強調した。こうした反応は、Elsaが広範な導入に至る前に、中心的なトレードオフを特定していた。
利用が増えたからといって、展開に関する懸念が消えたわけではない。より多くの従業員とワークフローがプラットフォームに依存するようになるため、導入は評価の緊急性を高める可能性がある。
従業員の効率性と規制処理能力には違いもある。審査担当者は情報をより速く見つけられるようになっても、審査サイクル全体が短くなるとは限らない。科学、法務、製造、コミュニケーションに関する他のステップは変わらない可能性がある。
FDAはAIを治療へのより迅速なアクセスと結び付けているが、公開された証拠はその因果関係を確立していない。慎重な分析では、一つの調査業務で節約された時間を、承認の迅速化や患者アウトカムの改善に関する主張へと置き換えるべきではない。
FDAの2026年5月の発表は、意図する安全策をより明確に示している。専門家が入力、分析プロセス、出力の実装を検証するとしている。同じ発表では、Elsaは制御されたウェブ検索を提供しているにもかかわらず、インターネットに直接接続していないとも述べている。
Elsa 4.0では、文書生成、定量分析、可視化、光学文字認識、ディクテーション、カスタムエージェントも追加された。Elsa 4.0の更新により、システムの対象範囲は大幅に広がった。
機能の拡大は、有用性とリスクの両方を高める。文書生成は時間を節約できるが、審査上の義務を生む。定量分析はパターンを浮かび上がらせることができるが、誤った仮定が結果として得られるグラフに影響を与える可能性がある。
FDAは今やログイン数を超える証拠を必要としている。有用な指標には、訂正率、開かれた引用、完了した業務、審査担当者が節約した時間、不適切なアクセスに関するインシデントなどが含まれる。アウトカム指標も、管理業務と科学的審査を区別すべきだ。
これらの不確実性はいずれも、プラットフォームの報告された導入状況を無効にするものではない。導入率という数字が何を裏付けられるかを定義するものだ。それは、従業員が戻ってくる理由を見いだしたことを示すのであって、すべての出力が正しかったことや、すべてのワークフローが改善されたことを示すものではない。
この区別により、この物語がベンダーの宣伝になることを防げる。FDAは重要なアクセスとインフラの問題を解決したように見える。依然として、迅速な利用が、数千人の従業員と数百の新たなエージェントにわたる一貫した評価と共存できることを証明しなければならない。
FDAモデルが機能し続けるかを示す三つのシグナル
次の段階では、FDAが広範な実験を、すべてのセンターにまたがる測定可能で、ガバナンスが確立され、再現可能な業務へ転換できるかが試される。
第一のシグナルは、より明確な定義を伴う導入状況の報告だ。FDAは、アクティブ利用の基準、センター別の参加状況、有意義なワークフローを完了した従業員の割合を開示すべきである。初期展開後も利用が安定すれば、持続的な価値を示す根拠は強まる。
減少が必ずしも失敗を意味するわけではない。高価値なワークフローが残る一方で、新奇性に駆動された活動が終息することを反映している可能性がある。重要なのは、検証済みの時間短縮または品質向上を伴う業務に、反復利用が集中しているかどうかだ。
第二のシグナルは、カスタムエージェントに対する正式な評価だ。毎週数百の新しいエージェントが作られることは、イノベーションの機会であると同時に、インベントリの問題も生む。FDAには、テスト、所有権、情報源の鮮度、権限、廃止に関する目に見える基準が必要だ。
エージェントの評価は、回答の流暢さだけを対象にすべきではない。引用の正確性、欠落した証拠、権限の強制、再現性、情報源となる文書が矛盾する場合の挙動をテストすべきだ。結果は、モデルまたはワークフローの変更前後で比較されるべきである。
明確な評価手法は、ガバナンスのあるプラットフォームという論拠を強める。重大なインシデント、一貫しない回答、管理されない重複は、それを弱めるだろう。中央集約されたデータだけでは、分散型のエージェント作成を統治できないことを示すことになる。
第三のシグナルは、HALOがCDERの先例を超えて拡大できるかどうかだ。FDAは、異なるデータと規制上のニーズを持つ他のセンター向けに、医薬品センターのツールを適応させていると述べている。再利用が成功すれば、そのアーキテクチャが組織内の多様性を支えられることを示す。
食品検査、医療機器の審査、生物製剤、獣医学は同一のプロセスを共有していないため、これは困難になる。共通プラットフォームは、すべてのセンターを一つのワークフローに押し込めることなく、異なる証拠の種類を支援しなければならない。
HALOの統合は、ユーザーに各チャットへ文書をアップロードさせるのではなく、Elsaを庁内データの上に位置付ける。この変更により摩擦が減り、より一貫した文脈が提供されるはずだ。
また、権限管理とデータ品質の重要性も一段と高まる。共有システムの上位に中央アシスタントが置かれる場合、誤ったアクセスルールは多くのワークフローに影響を及ぼしかねない。古い記録や重複した記録も、一つのセンター内にとどまっていたときより速く混乱を広げる可能性がある。
エンタープライズの導入担当者にとって、この「Databricks how」の事例は厳しいベンチマークとなる。目に見えるアシスタントは、あくまで最終レイヤーにすぎなかった。その前に、長年にわたるデータ整備、センターレベルでの成功事例、迅速なソース統合、厳格なアクセス制御があった。
この事例は、手順を再現せずに見出しだけを模倣することへの警告でもある。複数のモデルを導入しても、信頼できるコンテキストが生まれるわけではない。エージェントビルダーを開いても、評価体制が確立されるわけではない。ユーザー数を数えても、意思決定の質が向上したことにはならない。
ナレッジワーカーにとって重要なのは、同じ仕組みがより小さな規模にも当てはまる点だ。AIは、承認済みの文書にアクセスでき、情報源の境界を保ち、明確に定義されたタスクを支援できるとき、より大きな価値を発揮する。コンテキストが分散したまま、あるいは検証されないままであれば、信頼性は低下する。
開発者は、FDAがMCP接続ツールとカスタムエージェントをどのように管理しているかに注目すべきだ。現在の難しいエンジニアリング作業は、権限、評価、可観測性、変更管理にある。モデルの選定は、そのシステムの一部にすぎない。
規制対象の企業は、利用状況と品質を結び付ける公開エビデンスに注目すべきだ。将来における最も有力な開示は、時間短縮の効果にエラー率と人による修正データを組み合わせたものになるだろう。この組み合わせにより、効率と厳密さが同時に向上したかどうかを示せる。
FDAが報告した日次利用率85%は注目に値する。政府機関におけるテクノロジー導入が、これほど急速に自発的な利用を獲得することはめったにないためだ。ただし、最も汎用性の高い教訓はより静かなものだ。人々は、プラットフォームがAIをガバナンスの効いた情報と身近な業務につないだ後に、再び利用した。
今後1年の問いは、その基盤が規模拡大に耐えられるかどうかだ。FDAが意味のある評価を公表し、エージェントのインベントリを管理し、CDERの成果を他の組織でも再現できれば、そのアプローチは信頼できるモデルとなる。
こうしたシグナルが非公開のままであれば、導入率の主張は印象的ではあっても不完全なままとなる。FDAがElsaをどのように構築したかというDatabricksの事例を研究する組織は、その割合の裏にあるエビデンスに注目すべきだ。自社のAIプログラムは、信頼できるデータ、明示的な権限、そして繰り返す価値のある一つのワークフローから始めるべきである。
