AI BVF MCP: エージェントが推薦する前に、悪いAIプロジェクトを止める

ClaudeエージェントがAI導入を推薦する前に呼び出すスコアリングツールです。ビジネスケース、運用モデルの準備性、チェンジ・イネーブルメント、ガバナンス曝露、そして業務自体が再設計されているかを確認し、Accelerate、Fix、Stop の判定を、モデル化されたEUR価値、判別信頼度、具体的な次のアクションリストとともに返します。

AIエージェントが導入前の推奨を行う前に、ビジネス価値、ガバナンスリスク、変革への準備を確認すべきだと考えるなら、このリポジトリのスターを。そのシグナルは、他のエージェントがBVFを発見する手助けとなり、パブリックなベンチマーク改善の維持に貢献します。

手にできるもの

エージェントに次のように尋ねてください:

EUR 400Mの小売業者における、gen2 CX AIイニシアティブを、traditional readiness、Strategic Alignment 70、Financial Return 50、Change Enablement 55、Governance Risk 45でスコアリングして。

回答の形状は次のようになります:

Classification: Fix
Decision confidence: 54
Net value range: EUR 10.8M-EUR 37.8M
Applied modules: four_pillar_base, readiness_capture_traditional, retail_cx_benchmark
Why: Strategic alignment is credible, but change enablement and financial return are not yet strong enough to defend an Accelerate call.
Next: raise Change Enablement by 15 points, name an accountable owner, fund adoption, and rerun recommend_improvements.

これは、エージェント型AI業務における不足する、欠けている事前チェックです。「作れるか？」ではなく、この業務がボードレビューを乗り切る価値があるのか？ を問うものです。

Related MCP server: blackwall-mcp

機能

13個のツールが、MCP対応AIエージェントからstdio (npx) 経由、またはホスト型リモートコネクタとして提供されます（https://mcp.aibvf.com/api/mcp、claude.ai の設定、Connectorsからカスタムコネクタ追加）。ツール数は0.15.xまで固定され、次の2つのリリースでは判定に至るルートの改善が進められます。

以下のポートフォリオチェーンは: assemble_portfolioが乱雑な入力正しい形に整理、validate_portfolioが文書を検証、score_portfolioが判定性を返し、sequence_portfolioが年間計画に変え上げます。構造化を担当し、スコアが助言を提供します。

30秒でインストール

直接実行:

npx -y aibvf-mcp

またはグローバルにインストール:

npm install -g aibvf-mcp

Claude Desktop、Claude Code、または任意のMCPクライアントに登録する:

{
  "mcpServers": {
    "aibvf": { "command": "aibvf-mcp" }
  }
}

エージェントに次のように依頼してください: 「4億EUR売上の小売、gen2 CX向けAI、traditional readiness、SA 70、FR 50、CE 55、GR 45」でscore_initiative を呼び、Fix判定と具体的なコストリストを返し、将来の recommend_improvements 呼び出しを提案します。

何のために存在するのか

エージェントは、ビジネスケースに言及せず、運用モデルの準備に言及せず、ガバナンス暴露に言及しずに、自信過剰にAIプロジェクトを推薦します。そのスコアリングは、スライドデッキより前の、予算がコミットされない前のエージェントの事前チェックの一部に属します。

プロトコルはオープンで、ベンチマークはMcKinsey、Gartner、BCG、Deloitte、Forrester、Accenture、ServiceNowを引用し、レディネスキャプチャはEY /オックスフォードとProsci社の変革成功研究から由来します。

方法論について

aib- mcppのビジネス分析BVFアプローチの実行機能です。これは2024年独立以来、ボードレビューを通過する成果を評価するために、私が開発してきた、AIのビジネス価値を重視するマネジメント手法です。フレームワークはAIレディネスブループリント、変革成功のEY/Oxfordリサーチに基づく6-Driver診断に組み込まれています。毎週の実践的なケーススタディは、Transformation Briefに掲載され、共同調整（キャリブレーション）の詳細を公開しています。

エージェントは、そのアドバイザリー実務を、売上高5億ユーロ以上の企業内でAI投資判断をリードする最高リーダーに提供しています。MCPサーバーは、Claudeエージェントを実行する各人が同じスコアリングを利用できるようにします。

4つの柱

すべてのプロジェクトは、0〜100の4す柱で、正直な自己評価によってスコアされます。

1. 戦略整合性—取締役会レベルのKPIをどれほどの明確に変化させるか。

2. 財務リターン—モデリングされたリターンの強度。

3. 変革イネーブルメント——スポンサードと、オーナーの特定、変革予算の調達。

4. ガバナンスリスク—規制および企業評判にようぼす。値が高いほどリスクが高い。

ルールは決定論的で、ネットワークも、依存もありません。GR >= 70 または FR <= 20 は Stop を返します。4つの柱すべてが60以上で GR <= 40 は Accelerate を返します。それ以外は Fix と、具体的なチームの状況とともに返します。

業務アーキテクチャのゲートは、の4の質問をテストします。エンドツーエンドのワークフローは再設計されているか？、影響を受ける役割と構内分は変更されているか？、示の人の判断と操作してオーバーライド権は明文化されているか？、尺度は新しい仕事をサポートしているか？ 明示されたギャップは、その作業が再設計され、再評価されない限り、青信号でFixを維持します。

のすべての式は、 docs/scoring-formulas.md、 の完全な実行例は、 docs/worked-example.md のヘルスケアポートフォリオであります。

例：エージェント型のヘルスケアイニシアティブをスコアリング

import { score, recommendImprovements, calculatePaceLayerDrag } from '@aibvf/core';

const r = score({
  industry: 'healthcare',
  revenue_eur: 800_000_000,
  function: 'cx',
  ai_tier: 'gen3',
  readiness: 'traditional',
  scores: {
    strategic_alignment: 75,
    financial_return:    55,
    change_enablement:   40,
    governance_risk:     55,
  },
});
// { classification: 'Fix', net_low_eur: 23_760_000, net_high_eur: 83_160_000,
//   confidence: 54, applied_modules: ['four_pillar_base',
//   'readiness_capture_traditional', 'healthcare_clinical_validation',
//   'healthcare_regulatory_overhead'], ... }

recommendImprovements 上の同じ入力は、3つの柱の引き上げ（それぞれ名前のついたアクション）を返し、判定信頼度68（目標分類Accelerate）で新しい決定を予測します。 calculatePaceLayerDrag({ revenue_eur: 800_000_000, ai_tier: 'gen3', readiness: 'traditional' }) は、伝統的な運用モデルでgen3を実行する場合の、年間、マイクロソフト、エンドレストでは2000〜3600万EURの組織ドラッグコストを返します（AI構築のコストとは別の、構造的に摩擦費用です）。

パッケージ

匿名の利用テレメトリー

MCPサーバーは、各ツール呼び出しのたびに小さな匿名ペイロード（tool_name、BVFバージョン、タクソノミーフィールド、毎日ローテーションされる呼び出し元ハッシュ、score_initiative の分類と信頼度）を報告し、サーバーが最初にクライアントに接続したときに1回の server_connect イベントを送信します。ポートフォリオの内容も、収益の数字も、ユーザー識別子も含まれません。無効にするには AIBVF_TELEMETRY_DISABLE=1 を設定してください。独自バックエンドを指定するには AIBVF_TELEMETRY_URL と AIBVF_TELEMETRY_KEY を使用します。

プロトコル

完全なスキーマは spec/bvf-protocol.schema.json を参照してください。プロトコルのページは www.aibvf.com/protocol です。

コントリビューション

ベンチマークのレンジは方向性を、業界係数は初期キャリブレーションを表すもので、プロトコルは改善のために公開レビューに依存しています。イシューを開くか、PRを送ってください。キャリブレーションの詳細は公開の場で議論されます。

ライセンス

スコアリングエンジンとMCPサーバーは MIT ライセンスです — LICENSE を参照してください。./spec/ 配下のAI BVFプロトコル仕様とJSONスキーマは CC-BY-4.0 であり、"AI BVF" / "AI BVF Certified" の名称とロゴは商標です。これらはどちらも NOTICE に記載されています。ベンチマークコーパスと認証マークは専有（プロプライエタリ）です。

著者について

クレイグ・ホルトンはアムステルダムを拠点とする独立系トランスフォーメーションリーダーであり、HPE、Accenture、Atos、Microsoft、Salesforce、Accentureでベシド側の経験を20年間積んでいます。彼は Craig Horton Advisory を運営し、AI投資を決定するオピニオンリーダー向けの週刊メディア「The Transformation Brief」も執筆しています。また、オックスフォード大学サイード・ビジネススクールでのエグゼクティブ教育や、ハートフォードシャー大学でAIを中核としたAMBA認証グローバルエグゼクティブMBA（修学中）を学んでは がいます。The Brief は briefce.craighortonadvisory.com で、私たちの情報は linkedin.com/in/Craig-Horton-ai からご覧いたもらえます。