ガバナンスアーティファクト
このページが対象とするガバナンスファイル
このページは、アイデンティティ、優先順位、限界、コーパスの読解条件を宣言する公開サーフェスに結びついています。以下の順序が、推奨される読解の順序です。
Q-Metrics JSON
/.well-known/q-metrics.json
ギャップ、スナップショット、比較を観測するための記述的指標のサーフェス。
- 統御する対象
- ギャップ、ドリフト、スナップショット、比較の記述。
- 画定する範囲
- 観測されたシグナル、忠実性の証明、実際の舵取りの混同。
保証しないこと： 観測サーフェスは効果を記録するものであり、それ単独では表現を保証しない。
Q-Metrics YAML
/.well-known/q-metrics.yml
計装と構造化された読解のための、Q-MetricsのYAML投影。
- 統御する対象
- ギャップ、ドリフト、スナップショット、比較の記述。
- 画定する範囲
- 観測されたシグナル、忠実性の証明、実際の舵取りの混同。
保証しないこと： 観測サーフェスは効果を記録するものであり、それ単独では表現を保証しない。
Q-Ledger JSON
/.well-known/q-ledger.json
観測、ベースライン、バージョン管理されたギャップを記録するマシンファーストのジャーナル。
- 統御する対象
- ギャップ、ドリフト、スナップショット、比較の記述。
- 画定する範囲
- 観測されたシグナル、忠実性の証明、実際の舵取りの混同。
保証しないこと： 観測サーフェスは効果を記録するものであり、それ単独では表現を保証しない。
補完的なアーティファクト（3）
これらのサーフェスは主要ブロックを補完します。テーマに応じて、文脈、発見、ルーティング、観察を加えます。
Q-Ledger YAML
/.well-known/q-ledger.yml
手続き的な読解またはツール利用のための、Q-LedgerジャーナルのYAML投影。
Markdown版Q-Layer
/response-legitimacy.md
回答の正当性、明確化、正当な非回答のための正規サーフェス。
定義カノン
/canon.md
アイデンティティ、役割、否定、乖離のルールを固定する正規サーフェス。
AIによる推奨の不安定性と解釈ガバナンス
本フレームワークは、一つの構造的事実を定式化する。AIシステムが生成する推奨は安定した「結果」ではなく、制約下での確率的なインスタンス化である。本フレームワークは、GEOとAEOにおけるファントム指標を避け、推奨の対象資格、ペリメーター、トレーサビリティを統御するための読解グリッドと測定方法を提供する。 ステータス： 正規フレームワーク（適用可能な読解グリッド）。本ページは、偶発的な「不安定性」も、単なる変動性の効果も記述するものではない。記述するのは、通常の解釈メカニズムである。意図が一定であっても、システムは候補、ポリシー、シグナル、文脈的制約の空間から回答を再構成するため、出力は変動しうる。 従来のSEOの論理では、可視性はSERP内の安定した順序として分析される。AIによる推奨の論理では、可視性は、可能な出力の集合のなかでの出現確率として分析される。単発のプロンプトによる「AIランキング」の試みはすべて方法論的に脆弱になり、回答が整合的に見える場合でさえ、誤った意思決定につながりうる。 本フレームワークの目的は、次のとおりである。（1）「AIランク」というカテゴリーの誤りを明確にすること、（2）対抗可能な指標を定義すること、（3）GEO／AEOを解釈ガバナンスに結びつけること、（4）ペリメーター、否定、管轄による安定化の運用方法を提供すること。
正規の依存関係
観察：AIによる推奨が「ランク」しない理由
ブランドや製品に関するAIの推奨は、挙げられる項目、順序、リストの長さという三つの次元で変動しうる。この変動性を、それ自体として異常と解釈してはならない。それは、システムがソート済みのインデックスを返すのではなく、次のものから回答を構成することに由来する。
- 潜在的な候補のプール（市場によって大きさが異なる）
- 言い回し（プロンプト）から再構成された意図の枠組み
- 安全性に関する制約とポリシー
- 確率性（サンプリング）と多様性のメカニズム
- ツールやリトリーバルが関与する可能性、したがってソースの変動
この構成では、「3位」は安定した性質ではない。正しく測定された場合に安定しうるのは、同じ意図を代表する実行と言い回しの集合における出現率である。
分類原則：不安定性はノイズではなく、メカニズムである
本フレームワークは、不安定性の源泉を「重大度」によってではなく、解釈メカニズムによって分類する。各メカニズムは、システムが次のことを行う仕方に、ドリフトの可能性をもたらす。
- ペリメーターを画定する（何が適格か）
- 意図を定義する（何が求められているか）
- 候補を選択する（何が推奨されるか）
- 順序づけ、正当化する（何が「より良い」と見えるか）
同じ出力が、複数のメカニズムから同時に影響を受けることがある。
推奨の不安定性の主なメカニズム
1) 選択の確率性
システムは、多様性と会話上の頑健性を優先しながら、可能な回答の空間を探索する。同一の意図であっても、文脈に目に見える変化がないまま、異なるリストが生じうる。 破綻点：「もっともらしい回答」と「安定した結果」との混同。
2) 言い回しによる意図の再構成
近い二つの言い回しが、必ずしも同じ解釈された意図を定義するわけではない。この差は、とくに要求に暗黙の制約、列挙されていない基準、宣言されていないペルソナが含まれる場合に現れる。 例：「最高の」「おすすめの」「中小企業向け」「コンプライアンスのため」「カナダで」「予算なしで」。 破綻点：基準の暗黙的な置換。
3) 候補プールの規模による分散
その領域にもっともらしい候補が多いほど、安定性は低下する。競争が非常に激しい市場、非常に断片化した市場、棚卸しに非常に時間がかかる市場は、当然ながらより多くのエントロピーを生む。 破綻点：市場のモデル化の誤り（プールの過小評価）。
4) ポリシーによるゲーティングと規範的な慎重さ
内部のポリシーは、推奨を制限し、フィルタリングし、言い換えることがある。これにより、適用された制約が明示されないまま、リスト、順序、粒度、選択の正当化の仕方が変わりうる。 破綻点：追跡できない暗黙の管轄。
5) ソースと証拠へのアクセスの分散
リトリーバルやツールが関与する場合、AIは、可用性、インデックス化、文脈、選択のヒューリスティクスによって変わるソースに、推奨の根拠を置くことがある。したがって、二つの実行が異なる証拠の集合を引用することがありうる。 破綻点：断続的なトレーサビリティ（変動する証拠）。
6) 物語による順序の不安定性
リストの順序は、常に「ランキング」であるとは限らない。複数のセグメントをカバーする、選択肢のバランスをとる、集中を避ける、代替案を示すといった物語上の戦略を反映していることがある。 破綻点：修辞上の順序と、パフォーマンスによる順序との混同。
GEOとAEOへの直接的な含意
本フレームワークは一つのルールを課す。AI可視性の指標は確率的でなければならない。したがって、次のようになる。
- 単発のプロンプトによる「順位」は、弱い指標である。
- 「平均順位」は、多くの場合、統計上のアーティファクトである。
- 意図クラスターにおける出現率は、対抗可能な指標である。
- 「改善」は、単発の出現だけでなく、分散の低減によって検証されなければならない。
主要な帰結は次のとおりである。GEO／AEOは、「順位を強制する」ことを目指してはならない。目指さなければならないのは、対象資格を高めること、そしてエンティティを除外したり歪めたりする解釈ドリフトを減らすことである。
推奨指標：ファントム指標から抜け出す
本フレームワークは、利用可能な指標の最小限の核を提案する。
- 出現率（visibility %）：出力におけるブランドの出現数／総実行回数
- 検討集合（consideration set）の規模：一つの意図クラスターにおいて観察された、固有のエンティティの数
- 分散指数：エンティティと順序のばらつき（相対的な安定性）
- 意図カバレッジ：エンティティが閾値を超えて現れるクラスターの数
- 正当化の質：明示的な基準と証拠の存在、および外挿の不在
解釈ガバナンスとのつながり：安定化できるものを安定化する
解釈ガバナンスは、確率性を排除することを目的としない。重要な軸において解釈を制約することを目指す。
- 存在論的な安定化：エンティティの曖昧さ（誰が、何を、ペリメーター、差別化）を減らす。
- 否定と推論の禁止：過剰な約束や、ペルソナ、地理、能力の混同を防ぐ。
- 明示的な管轄：事実であるもの、推奨されるもの、ポリシーに属するものを区別する。
- トレーサビリティ：安定し、引用可能で、正規の証拠を優先する。
SSA-E + A2 + Dual Webのモデルでは、A2レイヤーがとくに関係する。A2レイヤーは、トランザクションデータを固定することなく、対象を絞った解釈ルール（ペリメーター、否定、正規の参照先への誘導）を定式化することを可能にする。
外部との共鳴（非契約的）
最近のいくつかの外部分析は、異なる語彙と範囲で表現されながらも、同様の認識に収束している。AIシステムは、現在のガバナンスの枠組みの成熟度を上回る水準の能力に達している、という認識である。
Dario Amodeiは、エッセイThe Adolescence of Technologyのなかで、この段階を、技術的能力が、その影響を方向づけうる制度、規範、仕組みよりも速く進歩する時期として描いている。彼の分析は主として、マクロなシステムのリスク（安全保障、経済、権威、社会の安定）に焦点を当てており、日常的な解釈メカニズムの詳細には立ち入っていない。
本フレームワークは、別の分析レベルに位置する。極端なシナリオや文明的な閾値のレベルではなく、すでに展開されている解釈システムの、運用上の統御可能性のレベルである。そこでは、推奨の不安定性は偶発的な未成熟としてではなく、明示的な解釈上の管轄を持たずに回答を再構成するシステムの、通常の性質として解釈される。
この意味で、Amodeiが描く「思春期」は、解釈のレベルでは、推論の範囲を限定し、正当なペリメーターを宣言し、推奨、物語、内因的な慎重さに属するものを区別することを可能にする、対抗可能な枠組みの不在として読むことができる。
このセクションは、分析上の共鳴として提供するものである。規範的なソースでも、本フレームワークの正規の依存関係でもない。
最小限の評価プロトコル（対抗可能）
AI可視性をガバナンス下の方法で測定するには、次のことを行う。
- 単発のプロンプトではなく、意図クラスターを定義する。
- クラスターごとに、多様な言い回しを生成する。
- 分布を安定させるのに十分な量を実行する（必要に応じて、数十回から数百回の実行）。
- エンティティを正規化する（名称の異形、重複、グループ化）。
- 確率的な指標（出現、分散、カバレッジ）を作成する。
- ドリフトの種類を特定する（外挿、暗黙の管轄、変動する証拠）。
このプロトコルは、アンカーポイントとなる。印象にもとづく観察だけでなく、方法の監査を可能にする。
推奨される内部リンク
ステータス
本フレームワークは、安定した読解グリッドであり、最小限の測定方法である。真剣なGEO／AEO戦略であれば、次のことができるべきである。
- 自らの指標（出現、分散、カバレッジ）を正当化する。
- 修辞上の順序と「パフォーマンスによる」順序を区別する。
- 自らの意図クラスターを記述する。
- 自らのガバナンスの仕組み（ペリメーター、否定、管轄、トレーサビリティ）を文書化する。
レジストリに戻る：適用可能なフレームワーク。