به گزارش اقتصادسرآمد، نخستین گام اساسی در این مسیر، تغییر نگرش از خرید سامانه های آماده و گران قیمت به طراحی بومی و مشارکتی بود. تجربه پاکستان در این زمینه، الگویی کم نظیر از هم آفرینی میان کارمندان دولت و متخصصان فناوری اطلاعات به شمار می رود. در این کشور که نظام اداری آن همچنان با لایه های ضخیم کاغذ و تشریفات دست و پنجه نرم می کند، تیمی متشکل از قضات، کارشناسان مالی و برنامه نویسان محلی دست به طراحی ماژول های هوشمندی زدند که نه از روی کاتالوگ شرکت های خارجی، بلکه بر اساس چالش های عینی و روزمره همان کارکنان شکل گرفت. نتیجه این رویکرد، تولید دستیاری بود که می توانست پرونده های مالیاتی را با دقتی بالاتر از نیروی انسانی متوسط بررسی کند و همزمان چت بات ی چند زبانه برای پاسخ گویی به سوالات مکرر شهروندان در مناطق مختلف فراهم آورد. پژوهشگران حوزه خط مشی عمومی بر این باورند که مزیت اصلی چنین رویکردی، نه در کیفیت کد نویسی یا پیچیدگی الگوریتم، بلکه در احساس مالکیت و تعهد روانی کارمندانی است که خود را در محصول نهایی سهیم می بینند و به همین دلیل، مقاومت کمتری در برابر تغییر از خود نشان می دهند. این الگوی مشارکتی که بعدها سنگاپور و مالزی نیز نسخه هایی از آن را به کار گرفتند، ثابت کرد که هوش مصنوعی در بخش عمومی، بیش از یک مسئله فنی، یک مسئله انسانی و مدیریتی است و هرگونه غفلت از این بعد، احتمال شکست را به طور قابل ملاحظه ای افزایش می دهد.
گذشته از طراحی، حوزه قضا یکی از حساسترین و در عین حال پربازده ترین عرصه ها برای سنجش کارآمدی هوش مصنوعی بوده است. مطالعه میدانی جامعی که در سطح دادگاه های پاکستان و با همکاری قضات عالی رتبه انجام شد، نشان داد که استفاده از دستیار هوشمند اختصاصی تحت عنوان `JudgeGPT`  که بر بستر مدل های زبانی بزرگ و با داده های آرای پیشین آموزش دیده بود، توانسته است نرخ مختومه سازی پرونده ها را ۶.۳ درصد افزایش دهد. این رقم در نگاه اول شاید چندان خیره کننده نباشد، اما وقتی به حجم عظیم پرونده های معوق در نظام قضایی پاکستان نگاه می کنیم، در می یابیم که این افزایش به معنای ۱۸۴۸ پرونده بیشتر در طول یک سال است؛ رقمی که می تواند اعتماد عمومی به دستگاه قضا را به طور محسوسی ارتقا دهد. نکته ظریف تر اما به آموزش و توانمندسازی قضات بر می گردد؛ چراکه در این کارآزمایی تصادفی سازی شده، آن گروه از قضاتی که علاوه بر دریافت ابزار، دوره های فشرده آشنایی با محدودیت ها و سوگیری های ممکن الگوریتم را گذرانده بودند، نه تنها تمایل بیشتری به استفاده از دستیار نشان دادند، بلکه در طول زمان به بازخورد دهنده ای فعال برای بهبود عملکرد سیستم تبدیل شدند. این یافته کلیدی، این هشدار را به سیاست گذاران سایر کشورها می دهد که خرید یک نرم افزار هوشمند، هرچقدر هم پیشرفته باشد، بدون سرمایه گذاری موازی بر روی دانش و نگرش کاربران نهایی، محکوم به حاشیه رفتن و در نهایت کنار گذاشته شدن است. به عبارت دیگر، تحول قضایی هوشمند، بیش از آنکه یک پروژه فناوری باشد، یک پروژه تغییر فرهنگ سازمانی و توانمندسازی سرمایه انسانی محسوب می شود.
در نقطه ای دیگر از نقشه آسیا، اندونزی با چالشی کاملاً متفاوت اما به همان اندازه حیاتی دست و پنجه نرم می کند؛ جایی که نشت گسترده منابع در برنامه های حمایت اجتماعی نه تنها بودجه ملی را تحلیل می برد، بلکه عدالت اجتماعی را نیز به سخره می گیرد. سال ها بود که ثبت نام و دریافت کمک های غذایی برای اقشار آسیب پذیر در این کشور، فرایندی طاقت فرسا و زمان بر بود که گاه تا ۲۰۰ روز به درازا می انجامید و در این فاصله، بسیاری از نیازمندان واقعی یا از دریافت کمک باز می ماندند یا به ناچار به شبکه فساد اداری پناه می بردند. دولت اندونزی برای گره گشایی از این معضل کهنه، به توسعه سامانه «پرلینسوس دیجیتال» روی آورد؛ سامانه ای که با اتکا به شماره ملی ۱۶ رقمی هر شهروند و فناوری احراز هویت چهره، فرایند ثبت نام را از ۷۵ تا ۲۰۰ روز به کمتر از یک روز کاهش داد. این کاهش زمانی شگفت انگیز، حاصل یکپارچه سازی داده های هشت وزارتخانه مختلف در یک بستر مشترک بود که پیش از این هرکدام در برج های عاج خود به سر می بردند و از به اشتراک گذاری اطلاعات با یکدیگر امتناع می ورزیدند. اما ارزش واقعی این سامانه، فقط در سرعت آن خلاصه نمی شود؛ بلکه توانسته است با بررسی همزمان متغیرهایی نظیر مالکیت وسایل نقلیه، مساحت زمین، میزان مصرف برق و حتی الگوی هزینه کرد در کارت های اعتباری، تصویر نسبتاً دقیقی از وضعیت اقتصادی هر متقاضی ترسیم کند و تصمیم گیری را از حوزه تشخیص های سلیقه ای کارمندان به حیطه تحلیل مبتنی بر شواهد عینی منتقل نماید. برآوردهای اولیه نشان می دهد که این تحول دیجیتال، علاوه بر افزایش دقت هدفمندی، می تواند بین ۱۰ تا ۱۵ میلیارد دلار صرفه جویی مالی برای خزانه دولت به همراه داشته باشد و اعتماد عمومی را که در اثر سال ها سوء مدیریت فرسایش یافته بود، بازسازی کند.
با این حال، درخشش چراغ موفقیت در پاکستان و اندونزی، نباید تاریکی تجربه تلخ بنگلادش را از دید ما پنهان کند. این کشور جنوب آسیا که سال هاست با چالش فقر گسترده و توزیع ناعادلانه یارانه ها دست به گریبان است، تصمیم گرفت برای شناسایی خانوارهای واجد شرایط، به سراغ الگوریتمی برود که با استفاده از داده های تماس های تلفن همراه و رفتار کاربران در شبکه موبایل، سطح درآمد و آسیب پذیری آن ها را تخمین می زد. این پروژه که با شور و اشتیاق فراوان آغاز شد، در عمل به فاجعه ای تمام عیار بدل گشت؛ چراکه ارزیابی میدانی مستقل نشان داد که تنها ۳۲ درصد از افرادی که الگوریتم آن ها را واجد شرایط دریافت کمک معرفی کرده بود، واقعاً نیازمند بودند و مابقی یا جزو طبقه متوسط یا حتی ثروتمندان جامعه بودند که به دلایل مختلفی همچون استفاده بیشتر از خطوط تلفن همراه، در داده های ورودی وزن کاذبی پیدا کرده بودند. این شکاف ۶۸ درصدی، فاجعه ای اخلاقی و مالی را رقم زد و اعتبار دولت را نزد نهادهای بین المللی و نیز افکار عمومی داخلی به شدت خدشه دار کرد. کالبد شکافی این شکست، نقصان را نه در الگوریتم یا مدل ریاضی، بلکه در داده های خام ورودی نشان می دهد؛ چراکه در جوامعی با نرخ بالای استفاده از تلفن همراه مشترک، اجاره ای یا اعتباری، صرف تعداد تماس ها یا حجم مصرف اینترنت هرگز نمی تواند نماینده درستی از وضعیت اقتصادی افراد باشد و به همین دلیل، الگوریتمی که بر پایه چنین داده هایی آموزش می بیند، محکوم به تولید سوگیری های نظام مند و تبعیض آمیز است. جالب آنکه پژوهشگران در همین مطالعه، روش های سنتی تری نظیر آزمون دارایی های جایگزین را از نظر دقت در سطح محلی برتر تشخیص دادند، اما تأکید کردند که برای جمعیت های بسیار بزرگ در مقیاس ملی، رویکرد مبتنی بر داده های تلفن همراه از نظر هزینه بری به مراتب کارآمدتر خواهد بود، مشروط بر آنکه داده ها با دقت بیشتری پالایش و با سایر منابع اطلاعاتی تکمیل شوند. این درس تلخ، همچون زنگ خطری برای تمام دولت های منطقه به صدا در آمد که پیش از هر حرکت به سوی هوشمندسازی، نخست باید نقشه راهی دقیق برای پاکسازی، استانداردسازی و یکپارچه سازی داده ها ترسیم کنند و هرگز کیفیت را فدای سرعت و هیجان فناورانه نکنند.
سازمان بهره وری آسیا (APO) در مطالعه ای تطبیقی که بر روی هشت اقتصاد عضو این سازمان انجام شد، به یک پارادوکس اساسی و در عین حال روشنگر در این زمینه دست یافته است. یافته های این پژوهش نشان می دهد که اگرچه کاربردهای اثبات شده هوش مصنوعی می توانند افزایش بهره وری قابل توجهی در فرایندهای مشخص و محدود به ارمغان آورند، این دستاوردها به صورت خودکار به بهبود بهره وری کل سیستم یا ارتقای کیفیت کلی خدمات عمومی منجر نمی شوند. به عبارت روشن تر، موفقیت در کاهش زمان ثبت نام در یک برنامه حمایتی، یا افزایش مختومه سازی پرونده در یک شعبه دادگاه، لزوماً به معنای تحول در کل سازمان یا نهاد مربوطه نیست و چه بسا این بهبودهای جزئی، صرفاً ضعف های ساختاری بزرگ تری را در سایر حلقه های زنجیره خدمات پنهان کنند. عواملی نظیر حکمرانی داده ها، هماهنگی بین نهادی، پاسخ گویی در قبال تصمیمات الگوریتمی، مهارت های دیجیتال نیروی انسانی، تاب آوری سیستم در برابر حملات سایبری و مهم تر از همه، وجود چارچوب های شفاف اخلاقی و حقوقی، نقش تعیین کننده ای در تبدیل این کارایی های جزئی به بهره وری کلان و پایدار دارند. به بیان دیگر، هوش مصنوعی خود به خودی «داروی جادویی» نیست، بلکه آینه تمام نمای نقاط قوت و ضعف نظام اداری است؛ جایی که ساختارهای مستحکم، آن را به اوج می رسانند و ساختارهای سست و بیمار، از آن موجودی خطرناک و بغرنج می سازند.
در گوشه دیگری از آسیا، تجربه کره جنوبی، به ویژه در منطقه سوچو، رویکردی محافظه کارانه اما هوشمندانه و قابل تقدیر را به نمایش می گذارد. این منطقه که پیشگام بسیاری از طرح های هوشمندسازی در کره محسوب می شود، سامانه ای مبتنی بر هوش مصنوعی برای بازبینی پیش نویس قراردادهای دولتی طراحی کرده است که روی سرورهای داخلی و کاملاً جدا از شبکه عمومی اجرا می شود تا امنیت داده های حساس دولتی تضمین گردد. این سامانه که با الگوریتم های پردازش زبان طبیعی تغذیه می شود، توانایی شناسایی تناقضات داخلی، عدم انطباق با قوانین بالادستی، اشتباهات محاسباتی و حتی پیشنهاد اصلاح جملات مبهم را برای کارمندان فراهم می آورد. آنچه این تجربه را از بسیاری نمونه ها متمایز می کند، تأکید صریح آن بر نقش کمکی و تسهیل گر فناوری است؛ بدین معنا که تصمیم نهایی همواره بر عهده کارمند باقی می ماند و هوش مصنوعی صرفاً نقش مشاوری سریع، دقیق و خستگی ناپذیر را ایفا می کند. این رویکرد که با توصیه های بانک توسعه آسیایی (ADB) نیز هم سو است، بر «یادگیری در حین کار» به عنوان یکی از مؤثرترین روش های توانمندسازی کارمندان تأکید دارد و پیشنهاد می کند که ابزارهای هوشمند باید در دسترس ترین شکل ممکن، یعنی درون همان صفحه کاری که کارمند با آن سروکار دارد، در اختیار او قرار گیرند تا بدون اتلاف وقت و طی فرایندهای اضافی، بتواند از راهنماها، چک لیست ها و هشدارهای فوری بهره مند شود. چنین طراحی کاربر-محوری، نه تنها مقاومت روانی در برابر فناوری را کاهش می دهد، بلکه به مرور زمان اعتماد به نفس کارمندان را در مواجهه با مسائل پیچیده افزایش می دهد و آن ها را از یک مجری صرف دستورالعمل، به یک تحلیلگر آگاه و نقاد تبدیل می کند.
آسیب شناسی جامع تجربیات دولت های آسیایی، چه موفق و چه ناموفق، به وضوح نشان می دهد که بزرگترین مانع بر سر راه تحول دیجیتال در بخش عمومی، هرگز کمبود الگوریتم های پیشرفته یا سرمایه کافی برای خرید سخت افزار نبوده است، بلکه ریشه در نابرابری عمیق زیرساخت های داده و شکاف دیجیتال میان نهادها و مناطق مختلف دارد. در پاکستان، ناسازگاری پایگاه های داده دستگاه های مختلف دولتی، چنان مانعی جدی ایجاد کرده که حتی پیشرفته ترین الگوریتم ها نیز در عمل با خطای فاحش مواجه می شوند و به جای افزایش دقت، سردرگمی و بی اعتمادی را دوچندان می کنند. در اندونزی نیز موفقیت طرح «پرلینسوس دیجیتال» کاملاً به کیفیت، روزآمدی و یکپارچگی داده های هشت نهاد مختلف وابسته است و هرگونه قصور در هر یک از این حلقه ها، می تواند کل زنجیره را با اختلال مواجه سازد. این چالش ها، ضرورت ایجاد خط مشی های شفاف و الزام آور در زمینه حاکمیت داده، از جمله تعریف استانداردهای حداقلی برای کیفیت، قابلیت هم کاری، امنیت و حریم خصوصی را بیش از پیش آشکار می سازد. اگر داده ها که به درستی «سوخت اصلی موتور هوش مصنوعی» نامیده می شوند، آلوده، ناقص، جانب دارانه یا غیرمرتبط باشند، خروجی های سیستم نیز جز گمراه سازی و اتلاف سرمایه عمومی، نتیجه ای به بار نخواهند آورد و اعتماد اجتماعی که ارزشمندترین سرمایه هر نظام حکمرانی است، به سرعت تحلیل می رود.
با نگاهی به افق پیش رو، روشن است که مسیر آینده دولت های آسیایی در بهره گیری از هوش مصنوعی، باید از سه مرحله اساسی عبور کند: نخست، عبور از رویکرد «فروشنده محور» که در آن دولت ها صرفاً خریدار سیستم های جعبه ای سیاه از غول های فناوری هستند، به رویکرد «طراحی محور» که در آن نیازهای بومی و ادراک کارمندان و شهروندان، نقش محوری در شکل دهی ابزارها دارد. دوم، گذر از طراحی محور به رویکرد «داده محور» که در آن سرمایه گذاری اصلی بر پالایش، غنی سازی و یکپارچه سازی داده های زیرساختی متمرکز می شود و الگوریتم ها بر بستری مستحکم و قابل اعتماد استوار می گردند. سوم و مهم تر از همه، ایجاد نهادهای نظارتی و اخلاقی مستقلی که بتوانند سوگیری های الگوریتمی را پایش کنند، سازوکارهای اعتراض و بازنگری برای شهروندان متأثر از تصمیمات خودکار تعریف نمایند و در مواردی که خطای سیستم به زیان گروه های آسیب پذیر تمام می شود، مسئولیت مدنی و حقوقی را شفاف تعیین کنند. موفقیت دولت پاکستان در دادگاه ها و اندونزی در حمایت اجتماعی، نشان می دهد که هوش مصنوعی زمانی به مثابه یک متحد راهبردی برای حکمرانی ظاهر می شود که پاسخی باشد به مسائل واقعی و عینی کارمندان و شهروندان در بستر تاریخی و اجتماعی خودشان، نه یک مد روز گذرا که به اجبار بر ساختارهای سنتی تحمیل می شود. در مقابل، شکست تلخ بنگلادش، این هشدار همیشگی را در حافظه سیاست گذاران منطقه باقی می گذارد که اتکای صرف به الگوریتم های وارداتی و بی توجهی به کیفیت داده ها و بافتار محلی، نه تنها بهره وری را افزایش نمی دهد، بلکه می تواند فقر را پنهان، تبعیض را بازتولید و سرمایه اجتماعی را نابود کند.
بدین ترتیب، به کارگیری هوش مصنوعی در بخش عمومی آسیا را باید فرایندی تدریجی، تکاملی و عمیقاً چندبعدی به حساب آورد که در کنار سرمایه گذاری فناورانه، نیازمند توانمندسازی همه جانبه سرمایه انسانی، اصلاح ساختاری فرایندهای داخلی، کاهش شکاف دیجیتال میان مناطق و گروه های اجتماعی و مهم تر از همه، ایجاد چارچوب های اخلاقی، حقوقی و پاسخ گویی شفاف است. دولت هایی که از هم اکنون به جای شیفتگی صرف به جذابیت های الگوریتمی، به این شاخص های چندگانه و گاه دشوار توجه کنند، در دهه آینده نه تنها کارآمدترین و چابک ترین، بلکه پاسخ گوترین، عادلانه ترین و مردمی ترین نظام های اداری را در اختیار خواهند داشت. برعکس، آن دسته از دولت هایی که همچنان در دام سطحی نگری و خرید راه حل های سریع اما نامتناسب با بافت خود گرفتار آیند، نه تنها از موج تحول دیجیتال عقب می مانند، بلکه ممکن است با خسارت های جبران ناپذیری در اعتماد عمومی و کارآمدی نهادی مواجه شوند که سال ها برای بازسازی آن زمان نیاز است. هوش مصنوعی در بخش عمومی، در نهایت، نه یک مقصد که یک سفر است؛ سفری که نقطه آغاز آن داده های پاک و قابل اعتماد، مقصد آن عدالت و بهره وری توأمان، و مسیر آن، همراهی خردمندانه انسان و ماشین در خدمت به جامعه است.