MasterControl AI Labは、エンタープライズ分析における大規模言語モデルの使い方に一石を投じる論文『MasterControl：17回すべて成功』をarXivに公開した。提出日は2026年9月2日、識別番号はarXiv:2609.03209で、人工知能（cs.AI）に分類される。論文の核心は、言語モデルに実行時のツール選択やSQL生成を一切させない「ガバナンス型」のアーキテクチャにある。言語モデルは自然言語の質問を解釈するだけであり、その後に決定論的なポリシーが事前承認済みの分析プログラムを選び、実行する。プログラムは結果とエビデンス（根拠）の両方を返す。この設計は、セキュリティや監査可能性、再現性を重視する企業環境に適合する。
提案された枠組みは、限定的でありながら実用的な表現力を持つ。具体的には、リレーショナル演算に加えて集約、比較、ウィンドウ関数、ランキング、類似性検索などを扱える。さらに、質問の意味、ポリシー、データ、実行規則がすべて固定されているため、同じリクエストを再実行すれば同じ結果を得られる「リプレイ可能性」が保証される。これは監査やコンプライアンスの観点で大きな利点である。
実験では合計440回の実行が行われた。3つの8Bパラメータモデルが実行時にSQLを生成しツールを選択する「ランタイム計画」を330回実施し、もう一方のグループではQwen3-8Bが意図解釈のみを行い、ポリシーが承認済みプログラムを実行する方式を110回実施した。結果は鮮明である。ランタイム計画の330回はすべて、テストデータセット全体で「正しい答え」と「エビデンス」が揃うという完全な契約を満たせなかった。それに対して、ポリシー実行型の分析器は110回すべてで成功した。
ただし、論文はこの結果が特定のモデル、データセット、構成に依存すると明言している。異なる設計のランタイムエージェントが成功する可能性を排除するものではないという注意書きも添えられており、読者は結果を過度に一般化すべきではない。それでも、大規模言語モデルを企業の意思決定プロセスに組み込む際に、制約付きのアーキテクチャが有望な選択肢であることを示す実証データとして価値がある。今後、モデルの自由度とガバナンスのバランスをどう取るかという議論がさらに深まるだろう。