査読者が校正刷りを開く頃には、作業はすでに始まっている。

なぜ重要なのか

ほとんどのレビュープロセスは白紙の状態から始まります。レビュー担当者はファイルを開き、1ページ目を見つけて読み始めます。注意が必要な箇所が見つかるまで読み、コメントを付けます。読み続け、最後まで読み終え、決定を下します。

これは、短く予測可能なファイルには有効です。しかし、大規模なファイルや、定型的な内容とリスクの高いコンポーネントが混在するコンテンツには有効ではありません。300ページの文書を直線的に読むレビュー担当者は、ほとんどの時間を、注意を必要としない内容に費やします。注意が必要なコンポーネントは、注意力が限られているため、本来受けるべき注意を十分に受けられません。

AI事前分析は、開始状態を変更します。レビュー担当者は白紙の状態から始めるのではなく、事前に説明を受けた状態で始めます。注意が必要なコンポーネントは既にフラグが付けられています。定型的な内容は既にクリアされています。レビュー担当者の時間は、人間だけが行える判断に費やされます。

計算は簡単です。事前分析で300ページの文書の中から専門家の注意を要する8つの要素が明らかになった場合、レビュー担当者はその8つの要素を注意深く読み、残りの部分は「問題なし、問題なさそう」というレベルで確認します。これは単なる効率向上ではありません。これは従来とは異なる種類のレビューです。

事前分析パターン

このAIドキュメントインテリジェンスのパターンは、3つの要素で構成されています。

1. ワークフローの先頭にあるトリガー。 最も一般的な構成は、プロジェクトの作成またはファイルのアップロードにバインドされた「AIプロンプトの実行」アクションです。ファイルがAprooveによって処理されると、事前分析エージェントが起動します。

2. レビューのニーズに合わせて調整された1つ以上のエージェント。 事前分析は、常に単一のエージェントとは限りません。多くの顧客は、それぞれ独自のプロンプト、モデル、および参照資料を持つ一連の専門エージェントを構成します。規制エージェント。ブランドエージェント。スペルエージェント。完全なスキャンは、人間が関与する前に実行されます。

3. コンポーネントレベルでファイルに書き戻される結果。 各エージェントのタグとメモは、分析した特定の段落、画像、またはセクションに記録されます。ファイルが人間のレビューキューに入る頃には、ブリーフィングがファイルになっています。

別途レポートを読む必要はありません。

ファイルを受け取ったレビュー担当者は、一目で次のことがわかります。

• フラグが付いているページと、フラグが付いていないページ。
• どのコンポーネントがどのような種類のリスク (規制、ブランド、クレーム、言語) を抱えているか。
• 各エージェントが特定した具体的な問題。
• エージェントが提案した解決策。
• 担当者自身の次のステップ。

AI が見るもの

事前分析は、チームが AI ドキュメント インテリジェンスに求めるものに応じて、複数の粒度レベルで実行できます。

• ファイル レベルのスキャン は、ドキュメントまたはアセット全体を調べ、全体的なリスク パターンにフラグを付けます。規制カテゴリのチェックや開示の有無の確認に役立ちます。
• セクションレベルのスキャンはページごと、またはセクションごとに実行され、長文コンテンツの局所的な問題を検出するのに役立ちます。
• コンポーネントレベルのスキャンは特定の段落、画像、または領域にドリルダウンし、ブランドチェック、クレーム検証、および詳細な規制レビューに役立ちます。

完全な事前分析パスでは、通常これらが組み合わされます。規制エージェントは、必要な開示についてファイルレベルのパスを実行する可能性があり、ブランドエージェントは、視覚的な一貫性についてセクションレベルのパスを実行する可能性があり、クレームエージェントは、ドキュメント内のすべてのマーケティングクレームについてコンポーネントレベルのパスを実行する可能性があります。

異なるエージェントは、それぞれが得意とする機能に最適化された異なるAIモデルを使用できます。複雑な規制推論エンジンは、最先端のモデルで実行できます。スペルチェックエージェントは、コスト効率の高いモデルで実行できます。ミックスは構成可能です。

レビュー担当者がファイルを開いたときに目にするもの

事前分析によって最も大きく変わるのは、レビュー担当者がファイルに対して抱く第一印象です。

事前分析なしの場合: レビュー担当者は、きれいな校正刷りを開きます。1 ページ目から始めます。何を見ているのかを把握します。何かが見つかるまで読みます。そして、判断を下します。

事前分析ありの場合: レビュー担当者は、タグとメモが既に付いている校正刷りを開きます。フラグが付けられたコンポーネントは、校正刷りのインデックスから確認できます。最初のフラグに直接移動します。エージェントが見つけた内容を読みます。確認または上書きします。次のフラグに移動します。すべてのフラグに対処したら、ファイルは判断を下す準備が整います。

高リスクのファイルの場合、事前分析によってレビューはトリアージに変わります。低リスクのファイルの場合、レビューは検証に変わります。いずれにしても、レビュー担当者の時間はスキャンではなく判断に費やされます。

構成パターン

3 つの一般的な構成:

取り込み事前スクリーニング。 単一のエージェントがアップロード時にすべてのファイルに対して実行され、広範囲な最初のパスのリスクスキャンを実行します。安価で高速で、明らかな問題を検出します。フラグのないファイルは先に進みます。フラグのあるファイルは専門家にルーティングされます。大量のさまざまな機密性を持つプログラムに適しています。

専門家バッテリー。 設定された一連のエージェント (規制、ブランド、クレーム、言語) が取り込み時に実行されます。各エージェントには、独自のプロンプト、モデル、および参照資料があります。レビュー担当者は、レビュー プロセスで重要なすべての側面を網羅した包括的なブリーフィングを継承します。複数の専門家によるレビューが必須である規制業界に適しています。

条件付き事前分析。 トリガー レベルのメタデータ評価により、条件 (ファイル タイプ、プロジェクト カテゴリ、規制フレームワーク、またはその他のメタデータ フィールド) が一致する場合にのみ事前分析を実行するように構成できます。一般用医薬品（OTC）のキャンペーンでは、あるエージェント群がトリガーされる可能性があります。規制対象の医薬品の同じキャンペーンでは、別のエージェント群がトリガーされます。ワークフローのシェルは同じですが、AIの形状が異なります。

メリット

• レビュー担当者は重要なところから始めます。 事前分析により、注意が必要なコンポーネントが特定されます。レビュー担当者は、すべてを順番に読むのではなく、まずその部分を確認します。
• 専門家のレビュー時間が確保されます。 最もコストのかかるレビュー担当者（法務、規制、上級ブランド担当者）は、すべてのファイルのすべてのページではなく、フラグが付けられたコンポーネントのみを確認します。
• ボリュームが管理可能になります。 カタログ規模またはキャンペーン規模のレビューで、人間だけではすべてのページを読むことができません。エージェントはアセットを並行して横断し、人間はフラグが立てられたコンポーネントを確認します。
• 最初の人間の目は情報に基づいた目です。 レビュー担当者は、コンテキスト、エージェントの提案、AIによる最初のパスが既にページに表示されている状態で作業を開始します。
• 複数の専門エージェントを同時に実行できます。 事前分析バッテリーは、規制、ブランド、クレーム、言語の各側面を一度にカバーできます。
• 条件付き実行により、関連性が維持されます。 メタデータ駆動型トリガーにより、事前分析は適切なツールである場合にのみ実行され、すべてのファイルに対して実行されることはありません。‍
• 監査証跡にはすべてが記録されます。 事前分析アクティビティ（エージェントID、結果、モデル、コスト）は、それに続く人間の決定とともに、プロジェクトの監査証跡の一部となります。

対象者

• コンプライアンスおよび規制チームすべてのファイルでベースラインスキャンが必要な、大量のレビューパイプラインを管理しているチーム。
• ブランドガバナンスチーム市場、チャネル、パートナー全体で一貫性を確保しているチーム。
• オペレーションリーダー専門家の人員を増やすことなく、レビュー処理能力を拡大しようとしているチーム。
• マーケティングおよびクリエイティブチーム社内レビュー担当者に事前審査済みのファイルを配信し、やり取りを減らしたいチーム。
• 制作チーム人間によるレビューだけでは非現実的な、キャンペーン規模の作業を実行しているチーム。

内部構造

AI 事前分析は、「AI プロンプトの実行」タイプのワークフロー アクション 1 つ以上として実装され、ワー​​クフローの先頭 (プロジェクトの作成、ファイルのアップロード、または最初のワークフロー ステップの遷移) で発生するトリガーにバインドされます。各アクションは、「アクション」コンテキストで構成された AI プロンプト テンプレートを参照し、必要に応じてメタデータ評価条件を使用して実行をゲートします。複数のエージェントは、アクションのチェーンとして順番に実行することも、基盤となる AI プロバイダが並列 API 呼び出しをサポートしている場合は並列に実行することもできます。エージェントは、アップロード時に処理エージェントによって生成された構造化ファイル表現に対して動作し、システム タグ (currentProofsRawTextContent、currentProofsBigThumb など) を介してテキスト コンテンツ、メタデータ、画像データ、およびピクセル レベルの寸法にアクセスします。結果は、コンポーネント レベルで、メモ ([AI GENERATED] で始まり、ワークフローに関連付けられたユーザーに帰属) とタグ (重要度、カテゴリ) としてプルーフに書き戻されます。ジェネレーションジョブは、モデル、プロンプト、コスト、完全なAPI呼び出しを含む、エージェントのすべての呼び出しを記録します。事前分析アクティビティは、その後の人間の決定とともに監査証跡に記録され、AIが見たものと人間が決定したものの完全な時系列記録を提供します。