地方業務支援AI「LobbyAI」於第三方比較中，對比通用高效能LLM（GPT-5.5）於地方業務實務有效性勝率達100%

開發公共資訊分析平台的LobbyAI股份有限公司（總部：東京都港區，代表取締役CEO：高橋京太郎）宣布，針對其地方業務支援AI「LobbyAI」，以通用高效能LLM GPT-5.5的輸出為基準，進行第三方AI比較評估。結果顯示，在匿名A/B評估中，LobbyAI於地方業務實務有效性方面，排除平手後勝率達100%。

LobbyAI是以獨家公共資訊資料庫為基礎的AI服務，該資料庫蒐集並結構化地方政府與中央省廳公開的議會發言、行政計畫、預算、審議會資料、招標資訊等，進而分析與整理地方業務及政策遊說所需資訊。

本次比較驗證確認，相較於通用型LLM僅能提供一般性議題整理，LobbyAI結合其獨家資料庫與針對地方業務設計的分析架構，能實際完成業務實務中所需的「目標對象選定」、「依據提出」與「後續行動規劃」等任務。

本次驗證針對地方業務常見的8個使用情境，將LobbyAI與比較對象模型的輸出匿名化後，交由第三方AI Gemini 3.5 thinking進行評估。

評估項目圍繞地方業務三大關鍵面向：「目標對象選定」、「出處與依據支持性」、「後續行動具體性」，並從「嚴格出處審查」、「業務主管審查」、「風險審查」三個觀點進行判斷，共計72項評估。

結果顯示，LobbyAI獲勝65項，比較對象模型獲勝0項，平手7項。排除平手後，LobbyAI勝率為100%；於全部72項評估中，LobbyAI佔優比例達90.3%。

總結

本次比較驗證結果顯示，LobbyAI在地方業務的實際應用中，表現遠超GPT-5.5所代表的通用型LLM基準輸出。

主要成果如下：

※比較對象：使用通用高效能LLM GPT-5.5所產生的輸出

LobbyAI基於地方議會紀錄、行政計畫、預算與公開資料等第一手資訊，協助業務人員判斷「應向哪個地方政府、哪個部門、提出什麼、何時提出」的資訊整理能力，獲得高度評價。

相對而言，基準輸出雖在政策主題的概括整理或初次會談提問建議上具實用性，但在依據個別地方政府第一手資訊進行業務判斷、鎖定提案部門、解讀預算化或採購徵兆等方面，常需額外調查，顯示其實務支援力不足。

進行比較的背景

在地方業務中，選定提案對象前需查閱大量公開資訊。

地方政府官網、議會紀錄、行政計畫、綜合計畫、分項計畫、預決算資料、招標資訊、補助金與公開招募資訊等，因地方政府、資料格式與更新頻率不同而分散各處。

因此，業務人員需投入大量調查工時並具備行政領域知識，才能判斷：「哪個地方政府問題已浮現？」、「哪個部門主管此議題？」、「現階段是否適合提案？」

尤其在地方業務中，僅掌握政策趨勢並不夠。實務所需的是能直接連結業務決策的資訊：

- 可能的提案對象地方政府 - 應接觸的負責單位候選 - 依據議會發言、行政計畫、預算資料所支持的問題依據 - 現階段應提案或不宜急於提案的理由 - 現有措施、競爭對手導入、預算不足等風險 - 初次會談應確認的問題 - 可轉錄至業務管理或CRM系統的後續行動

生成式AI的應用雖使政策主題搜尋、摘要與議題整理更為便捷，但要將各地方政府的第一手資訊，具體轉化為「目標對象選定」、「負責單位」、「提案時機」、「初次會談重點」等實務內容，仍需資訊準確性、出處確認與行政脈絡的理解。

LobbyAI旨在以AI支援此類地方業務的初期調查，將分散的公共資訊轉化為業務現場可用的格式。

第三方AI比較概要

本次比較針對地方業務中常見的8個主題，向LobbyAI與比較對象模型提出相同主旨的調查任務。

輸出結果以A/B形式匿名化，由Gemini 3.5 thinking在不知來源的情況下進行評估。評估完成後解碼A/B，統計LobbyAI與基準輸出的結果。

評估面向如下三項：

第一項為「目標對象選定」，評估是否能正確識別應提案的地方政府、負責部門與業務時機。

第二項為「出處與依據支持性」，評估議會紀錄、行政計畫、地方政府公開文件等是否能支持主張、問題與提案時機。

第三項為「後續行動具體性」，評估是否能提出初次會談、提案假設、需確認資料，以及可轉錄至業務管理系統的具體後續行動。

此外，針對各評估面向，再從「嚴格出處審查」、「業務主管審查」、「風險審查」三個觀點進行判斷，合計72項評估。

比較結果：LobbyAI 65勝0敗7和，排除平手後勝率100%

第三方AI的匿名A/B評估結果顯示，LobbyAI於全部72項評估中獲勝65項，比較對象模型獲勝0項，平手7項。

排除平手後，LobbyAI勝率達100%；於全部72項評估中，LobbyAI佔優比例為90.3%。

本次評估特別肯定LobbyAI能從近期議會紀錄、決算特別委員會、常任委員會發言等第一手資訊中，提取組織改組、預算執行狀況、現有措施問題、示範計畫轉為全面導入、協議會中的規格研議等業務契機，而非僅停留在政策主題的泛論或地方政府計畫的關鍵字摘要。

相對而言，基準輸出雖在政策主題整理或初次會談提問建議上具實用性，但被指出存在將自治體名稱套用至泛論的傾向、過度偏重知名先進地方政府、出處支持性薄弱、未能充分確認既有導入或競爭對手風險等問題。

三項關鍵差異點

1. 基於獨家公共資訊資料庫，掌握各地方政府脈絡

在地方業務中，僅知「此政策主題全國重要」的泛論無法作為業務判斷依據。實務所需的是能說明「為何是此地方政府、此部門、此時提案」的依據。

LobbyAI以獨家資料庫為基礎，分析各地方政府的課題與審議階段，資料庫內容包含地方政府與中央省廳公開的議會發言、行政計畫、預算、審議會資料、招標資訊等，並加以結構化。

因此，能有效提取組織改組、計畫修訂、預算執行狀況、示範事業轉為全面導入、協議會中的規格研議等與業務時機相關的資訊，獲得評價肯定。

相對地，通用型LLM的輸出雖能整理政策趨勢或提案主題，但常出現「確認計畫內容」、「查閱議事錄」等需進一步調查的建議。