دولتها ممکن است طرحهای آزمایشی متعددی در حوزه هوش مصنوعی اجرا کنند، اما همچنان ظرفیت یادگیری خود را افزایش ندهند.
ارزش یک تجربه دولتی فقط در راهاندازی مدل یا خدمت جدید نیست. ارزش واقعی زمانی شکل میگیرد که فرضیات ثبت شوند، نتایج سنجیده شوند، شکستها مورد بررسی قرار گیرند، استنتاجها اعتبارسنجی شوند و آموختهها به سیاستگذاری، بودجهریزی، خرید فناوری و طراحی خدمات بعدی راه پیدا کنند.
شواهد
سازمان همکاری و توسعه اقتصادی ۲۰۰ کاربرد هوش مصنوعی در دولت را بررسی کرده و به موانعی مانند کمبود مهارت، سامانههای قدیمی، محدودیت داده، فشار بودجه و الزامات سختگیرانهتر حریم خصوصی، شفافیت و نمایندگی اشاره کرده است.
شاخص بلوغ GovTech، تحول دیجیتال بخش عمومی را در ۱۹۷ اقتصاد بررسی کرده است. با وجود گردآوری اطلاعات درباره استفاده و عملکرد سامانهها و سکوهای دولتی، فقط تعداد اندکی از اقتصادها شواهد محکم ارائه کردهاند؛ نشانهای از ضعف پایش و گزارشدهی.
راهنمای دولتی هوش مصنوعی بر کنترل معنادار انسانی، مدیریت کامل چرخه عمر، تضمین کیفیت، آزمون پیش از استقرار و کنترلهای منظم پس از اجرا تأکید میکند.
نمایه مدیریت ریسک هوش مصنوعی مولد، حکمرانی، آزمون پیش از استقرار و گزارش رخداد را از ملاحظات اصلی میداند و بر ارزیابی تجربی و مستندسازی آزمونها در چرخه عمر سامانه تأکید دارد.
تفسیر
این منابع، نسل ششم تحول دیجیتال را اثبات نمیکنند. تفسیر من از کنار هم قرار دادن آنها این است که یک مسئله مدیریتی عمیقتر وجود دارد: طرح هوش مصنوعی ممکن است خروجی تولید کند، بیآنکه یادگیری پایدار سازمانی بسازد.
کاربست پیشنهادی 6GDT
در چارچوب پیشنهادی من برای نسل ششم تحول دیجیتال (6GDT)، صرف بهکارگیری فناوری کافی نیست. دولت باید یک چرخه یادگیری کاربردی بسازد:
این مسیر، کاربستی پیشنهادی از 6GDT در حوزه دولت است و نه یک مدل بلوغ تثبیتشده؛ بنابراین باید در پژوهشهای آینده آزموده و اصلاح شود.
تولید با استنتاج یکی نیست
هوش مولد میتواند متن تهیه کند، اسناد را خلاصه کند و پاسخهای احتمالی پیشنهاد دهد. اما هوش استنتاجی در چارچوب پیشنهادی 6GDT، از طریق همکشفی انسان و هوش مصنوعی به صورتبندی فرضیه، کشف روابط پنهان، بررسی توضیحات علّی احتمالی و آزمون تفسیرهای جایگزین کمک میکند.
هوش استنتاجی جایگزین مسئولیت عمومی یا قضاوت مدیریتی نیست. هر استنتاج باید در برابر نقد، شواهد، اعتبارسنجی و مسئولیت انسانی قرار گیرد.
آزمون مدیریتی
پیش از موفقنامیدن یک طرح هوش مصنوعی، نهاد دولتی باید بتواند به پنج پرسش پاسخ دهد:
- مسئله عمومی و خط مبنای طرح چه بوده است؟
- کدام فرضیات، شواهد و خطاها ثبت شدهاند؟
- چه آستانهای اعتبار نتیجه را تعیین کرده است؟
- مالکیت یافتههای منفی و انتقال آنها میان دستگاهها با چه کسی است؟
- آموخته معتبر چگونه تصمیم بعدی درباره مقررات، بودجه، خرید یا خدمت عمومی را تغییر میدهد؟
ارزش عمومی
وقتی یادگیری به حافظه نهادی تبدیل شود، هوش مصنوعی میتواند فراتر از افزایش کارایی عمل کند: هزینههای تکراری را کاهش دهد، منطق تصمیمها را حفظ کند، یادگیری میاندستگاهی را تقویت کند و کیفیت شواهد مورد استفاده در تخصیص منابع عمومی را ارتقا دهد.
فرضیه آینده
شکاف آینده شاید میان دولتهای برخوردار و فاقد هوش مصنوعی نباشد؛ بلکه میان دولتهایی باشد که فناوری را پیدرپی اجرا میکنند و دولتهایی که از هر اجرا یاد میگیرند. این گزاره یک فرضیه آزمونپذیر است، نه نتیجهای تجربی.
علم نوین استنتاج (Neo-Inference Science یا NIS) بهعنوان پایه نظری پیشنهادی این چارچوب مطرح میشود. این مفهوم هنوز یک برنامه پژوهشی در حال توسعه است و به اعتبارسنجی مفهومی و تجربی مستقل نیاز دارد.
منابع
- OECD — حکمرانی با هوش مصنوعی، ۲۰۲۵
- بانک جهانی — شاخص بلوغ GovTech ۲۰۲۵
- دولت بریتانیا — راهنمای هوش مصنوعی برای دولت، ۲۰۲۵
- NIST — نمایه هوش مصنوعی مولد در چارچوب مدیریت ریسک، ۲۰۲۴
شواهد، تفسیر و چارچوب پیشنهادی عمداً از یکدیگر جدا شدهاند. نهادهای یادشده تأییدکننده 6GDT یا NIS نیستند.