بازنگری در تأثیر هوش مصنوعی در دولت

فراتر از معیارهای بیهودگی: بازنگری در مورد تأثیر هوش مصنوعی در دولت

اگر دولت می‌خواهد شکاف قابلیت‌ها را ببندد، باید همان سختگیری را در عملکرد هوش مصنوعی اعمال کند که برای امنیت سایبری و اکتساب اعمال می‌کند.

نیکولا شیلان

۱۷ دسامبر ۲۰۲۵ ساعت ۳:۱۰ بعد از ظهر

۴ دقیقه مطالعه

اشتیاق فزاینده دولت برای هوش مصنوعی مولد منجر به انبوهی از پروژه‌های آزمایشی و اثبات مفاهیم شده است که بسیاری از آنها با معیارهای چشمگیر همراه هستند: هزاران کاربر، میلیون‌ها کاربر لاگین، گواهی‌های درخشان. با این حال، این اعداد اغلب در مورد ایمن، سازگار، مقیاس پذیر، یا تاثیر واقعی ماموریت یک ابزار چیزی نمی گویند.

به طور خلاصه: ما در حال اندازه گیری چیزهای اشتباه هستیم.

پذیرش GenAI توسط دولت به یک بازی اعداد تبدیل شده است که معیارهای تعامل تأثیر واقعی دارند. تعداد کاربران و فعالیت داشبورد نکات بسیار خوبی را به همراه دارد، اما به ندرت ثابت می‌کنند که این ابزار حتی مفید است. این معادل دیجیتالی جشن گرفتن دانلود برنامه است بدون اینکه سوالی در مورد اینکه آیا کسی با موفقیت از آن همانطور که در نظر گرفته شده استفاده می کند یا خیر.

بیایید این را تجزیه کنیم.

توهم پیشرفت

وقتی آژانس‌ها ورود به سیستم یا کاربران فعال را ردیابی می‌کنند، تعامل را اندازه‌گیری می‌کنند، نه نتایج را. یک سیستم می تواند ده هزار کاربر داشته باشد و همچنان در ارائه سرعت، دقت یا اتوماسیون مورد نیاز برای دستیابی به مزیت ماموریت ناکام باشد. برعکس، یک تیم کوچک که از مدل هوش مصنوعی مناسب به طور ایمن و کارآمد استفاده می‌کند، می‌تواند میلیون‌ها نفر را صرفه‌جویی کند، سرعت تصمیم‌گیری‌ها را افزایش دهد و حجم کار را کاهش دهد.

در مورد خلبانان هم همینطور. خلبان ها برای آزمایش و یادگیری در نظر گرفته شده اند، نه اینکه به عنوان محصولات نهایی ارائه شوند. با این حال، اغلب اوقات ما خلبانان را به عنوان برنده‌های تولید در نظر می‌گیریم، و آنها را قبل از رفع انطباق، اعتبار یا موانع مقیاس‌پذیری اعلام می‌کنیم. این یک نوآوری نیست. اپتیک است.

داشبورد فانتزی که افزایش استفاده را نشان می‌دهد می‌تواند اعتماد مدیریت را ایجاد کند، اما مشکلات عمیق‌تری مانند بدهی‌های فنی، راه‌حل‌های دستی، یا مدل‌های آموزش‌دیده بر روی داده‌های اشتباه را پنهان می‌کند. ما دید را با ارزش اشتباه گرفته ایم.

این موضوع توسط گزارش‌های نظارتی اخیر، از جمله ارزیابی سال ۲۰۲۵ دفتر پاسخگویی دولت از برنامه‌های فناوری اصلی وزارت دفاع، برجسته شده است. GAO دریافت که علیرغم شفافیت آشکار از طریق ابزارهایی مانند داشبورد فناوری اطلاعات فدرال، بسیاری از ابتکارات در گنجاندن داده‌های هزینه و زمان‌بندی قابل اعتماد شکست خورده‌اند و رهبران را با دیدگاهی کج از پیشرفت و موفقیت مواجه می‌کند.

اندازه گیری آنچه واقعا مهم است

اگر در مورد هوش مصنوعی مسئولانه جدی هستیم، باید چهار چیز را اندازه گیری کنیم که تأثیر واقعی را نشان می دهد، نه فعالیت سطحی.

• بهبود گردش کار: آیا GenAI زمان تصمیم گیری یا کارهای دستی خودکار را کاهش داده است که در واقع ماموریت را به جلو می برد؟ در بسیاری از موارد، باارزش‌ترین دستاوردها از کاهش ساعت‌ها یا روزها کار تکراری حاصل می‌شود که افراد را آزاد می‌کند تا بر تحلیل و استراتژی با ارزش‌تر تمرکز کنند. این بهره وری قابل اندازه گیری است، نه فقط مشارکت.
• اثربخشی هزینه: آیا هزینه های قراردادی یا عملیاتی را بدون افزایش ریسک کاهش داد؟ هوش مصنوعی مولد که یک فرآیند پر زحمت را خودکار می کند، اما همچنان به تیم هایی از پیمانکاران برای نظارت یا تنظیم آن نیاز دارد، در هزینه صرفه جویی نمی کند. این هزینه ها را تغییر می دهد. بهره وری واقعی در عملیات ناچیزتر، ابزارهای اضافی کمتر و بازگشت سرمایه قابل اندازه گیری در برابر بودجه های برنامه ظاهر می شود.
• امنیت و انطباق: آیا در سطح تأثیر صحیح (IL) و مطابق با FedRAMP، مقررات اکتساب فدرال، قسمت ۱۲ و دستورات اجرایی در مورد هوش مصنوعی مورد اعتماد عمل می کند؟ اغلب اوقات، خلبانان این مراحل را نادیده می گیرند و زمانی که سیستم ها موفق به تایید اعتبار نمی شوند، مجبور به کار مجدد یا رها می شوند. امنیت و انطباق، فکر بعدی نیستند. آنها در قلب هوش مصنوعی آماده ماموریت قرار دارند.
• مقیاس‌پذیری و قابلیت استفاده مجدد: آیا می‌توان آن را بدون بازسازی کامل در بین اجزا، مأموریت‌ها یا آژانس‌ها گسترش داد؟ توانایی یک بار استقرار و استفاده مجدد ایمن در چندین محیط، تفاوت بین یک پروژه علمی و یک پلت فرم واقعی است. استفاده مجدد باعث استانداردسازی، کاهش هزینه‌ها و ایجاد نوعی اکوسیستم هوش مصنوعی می‌شود که دولت برای حمایت از مدرن‌سازی به آن نیاز دارد.

این معیارها در یک بیانیه مطبوعاتی چندان آسان نیست، اما حقیقت را بیان می کنند. آنها نشان می دهند که آیا ابزار هوش مصنوعی چرخه های تصمیم گیری را بهبود می بخشد، انطباق را تقویت می کند و باعث صرفه جویی در دلار مالیات دهندگان می شود، نه اینکه فقط اعداد چشمگیر ایجاد کند.

پر کردن شکاف بین خلبانان و پیشرفت

برای فراتر رفتن از آزمایش های سطحی، آژانس ها باید از همان روز اول سرمایه گذاری روی راه حل های اثبات شده و مطمئن را آغاز کنند. این به معنای انتخاب ابزارهایی است که از قبل با استانداردهای سازمانی برای امنیت، قابلیت همکاری و مدیریت مطابقت دارند، به جای تامین مالی پروژه های آزمایشی که هرگز مقیاس نخواهند داشت. نمونه‌های اولیه کوچک و غیرمرتبط ممکن است توانایی خود را نشان دهند، اما تأثیر ماموریت پایدار را ایجاد نمی‌کنند – و تأثیر تنها معیاری است که اهمیت دارد.

نوسازی واقعی مستلزم حرکت از آزمایش به اجرا است. آژانس‌ها باید بر روی معماری‌های مشترک، مدل‌های قابل استفاده مجدد و پلتفرم‌هایی تمرکز کنند که بتوانند در سراسر ماموریت‌ها یکپارچه شوند. هدف آزمایش‌های بیشتر نیست، بلکه عملکرد قابل اندازه‌گیری و پایدار است که آمادگی را تقویت می‌کند، مسئولیت‌پذیری را بهبود می‌بخشد و بازده واقعی سرمایه‌گذاری عمومی را ارائه می‌کند.

بهای رضایت

تا زمانی که آژانس‌ها به‌جای نتایج، به فعالیت‌ها پاداش می‌دهند، مالیات‌دهندگان به پرداخت ابزارهایی که ظاهر خوب اما ضعیف‌تر هستند، ادامه می‌دهند. بخش خصوصی سال‌ها پیش این درس را آموخت: داشبوردها و نمودارهای استفاده، صورت‌حساب‌ها را پرداخت نمی‌کنند. نتایج انجام می شود.

اگر دولت می‌خواهد شکاف قابلیت‌ها را ببندد، باید همان سختگیری را در عملکرد هوش مصنوعی اعمال کند که برای امنیت سایبری و اکتساب اعمال می‌کند. این به معنای ایجاد معیارهای واضح برای سرعت ضربه، همسویی ماموریت و رعایت امنیت است. این یعنی حرکت از «چقدر» به «چقدر بهتر».

نیکلاس شایلان موسس و مدیر عامل Ask Sage است.

حق چاپ © ۲۰۲۵ شبکه خبری فدرال. تمامی حقوق محفوظ است. این وب سایت برای کاربران واقع در منطقه اقتصادی اروپا در نظر گرفته نشده است.