آیا هوش مصنوعی می‌تواند دولت‌های ناکارآمد را کارآمدتر کند؟

برای اداره یک مجمع‌الجزایر با ۲۸۷ میلیون نفر جمعیت که در حدود ۱۳۵۰۰ جزیره پراکنده شده و بیش از ۵۰۰۰ کیلومتر امتداد دارد، به چند قانون و مقررات نیاز است؟ در مورد اندونزی، پاسخ ۲۵۱٬۲۳۲ مورد است. بااین‌حال، این انباشت بوروکراتیک اغلب تنها مشکلات دیرینه، از فساد گسترده گرفته تا رشد اقتصادی کُند را تشدید می‌کند.

اندونزی نمونه‌ای روشن از چالشی است که در کشورهای پرجمعیت و فقیرتر آسیا رواج دارد. دولت‌ها باید اقتصادهای پیچیده را مدیریت کنند و در عین برخورداری از منابع محدود، به جوامعی متنوع خدمات ارائه دهند. مقام‌های دولتی در سراسر منطقه مدت‌هاست برای کمک به شفاف‌تر و کارآمدتر کردن عملیات خود به فناوری دیجیتال روی آورده‌اند. بااین‌حال، اندونزی بیش از ۲۷ هزار پلتفرم و اپلیکیشن دیجیتال بخش عمومی راه‌اندازی کرده است، بدون آنکه این اقدامات تأثیر چندانی داشته باشند. اکنون امید دارند هوش مصنوعی بتواند عملکرد بهتری ارائه دهد.

مدل‌های هوش مصنوعی می‌توانند به تقویت همان قابلیت‌هایی کمک کنند که دولت‌های فقیر اغلب فاقد آن هستند. این مدل‌ها در تحلیل حجم عظیمی از داده‌ها، از اظهارنامه‌های مالیاتی گرفته تا میزان محصولات کشاورزی با هزینه‌ای نسبتاً پایین توانمند هستند. بانک جهانی می‌گوید اگر هوش مصنوعی به‌درستی با شرایط محلی سازگار شود، کشورهای درحال‌توسعه می‌توانند با کمک آن کاری که در شرایط عادی ممکن است یک قرن زمان ببرد را در یک دهه انجام دهند.

آزمایش استفاده از هوش مصنوعی در بخش عمومی در مناطق فقیرتر آسیا تاکنون امیدوارکننده بوده است، هرچند دامنه آن همچنان محدود است. برای نمونه، دادگاه‌های پاکستان را در نظر بگیرید که با انباشت بیش از ۲ میلیون پرونده مواجه‌اند. در سال ۲۰۲۴، قضات دادگاه‌های بدوی به JudgeGPT، یک دستیار هوش مصنوعی مولد که بر اساس قوانین و آرای دادگاه‌های پاکستان ساخته شده بود، دسترسی پیدا کردند. این ابزار در پژوهش حقوقی، خلاصه‌سازی و تهیه پیش‌نویس به قضات کمک می‌کرد. قضاتی که از آن استفاده کردند، سالانه حدود ۶.۳ درصد پرونده بیشتری را مختومه کردند. افزایش سرعت به معنای کاهش کیفیت نبود و نرخ تجدیدنظرخواهی افزایش پیدا نکرد. به همین ترتیب، در هند که با گره حقوقی بزرگ‌تری مواجه است، یک استارتاپ به نام Adalat AI مدعی است ابزارهای رونویسی و نرم‌افزار پردازش اسناد آن، زمان رسیدگی به پرونده‌ها را در ۱۱ ایالت هند بین ۳۰ تا ۵۰ درصد کاهش داده است.

به گفته «ایندرمیت گیل»، اقتصاددان ارشد بانک جهانی، بزرگ‌ترین دستاوردها ممکن است از کمک به دولت‌ها برای پیش‌بینی‌های بهتر حاصل شود. سرقت گسترده و زیرساخت‌های ضعیف باعث می‌شوند شرکت‌های خدمات برق در کشورهای فقیر نتوانند تقاضا را به‌درستی برآورد کنند. «موهاک منگل»، یکی از بنیان‌گذاران استارتاپ Pravah که به شرکت‌های خدمات برق در ۶ ایالت هند کمک می‌کند برق را با بهره‌وری بیشتری توزیع کنند می‌گوید هوش مصنوعی می‌تواند جهش‌های بزرگی در این زمینه ایجاد کند. در تلانگانا، ایالتی در جنوب هند، یک مطالعه نشان داد که پیش‌بینی‌های موسمیِ مبتنی با هوش مصنوعی به کشاورزان کمک کرده است در یک فصل کشت، تا ۴۲ هزار روپیه (۵۶۰ دلار) صرفه‌جویی کنند؛ رقمی که معادل دستمزد حداقل سه ماه کار در این منطقه است.

مقام‌های دولتی که با حجم بالای کار مواجه‌اند، امیدوارند هوش مصنوعی بتواند به حل یکی از چالش‌های همیشگی دولت‌ها نیز کمک کند؛ هدف‌گیری دقیق‌تر مزایای رفاهی. برای مثال، بر اساس گزارش مؤسسه پژوهشی SMERU که یک اندیشکده محلی است، برنامه بزرگ کمک غذایی دولت اندونزی به کمتر از ۵۰ درصد از دریافت‌کنندگان هدف خود می‌رسد. در یکی از پروژه‌های آزمایشی در بان‌یوانگی، یک شهر بندری در شرق جاوه، از هوش مصنوعی برای تحلیل داده‌های پایگاه‌های اطلاعاتی مختلف دولتی استفاده شد تا به بررسی واجد شرایط بودن دریافت‌کنندگان کمک کند. مطالعه‌ای که به سفارش دولت انجام شد نشان داد سیستم جدید زمان لازم برای ثبت دریافت‌کنندگان را از ۷۵ تا ۲۰۰ روز به کمتر از یک روز کاهش داده است. دولت امیدوار است این طرح را تا پایان سال به سایر نقاط کشور نیز گسترش دهد. اما استفاده گسترده‌تر از این فناوری با خطراتی همراه است. پژوهشگران مؤسسه SMERU اشاره می‌کنند که فقر می‌تواند ماهیتی پویا داشته باشد، به شرایط محلی وابسته باشد و اندازه‌گیری آن دشوار باشد. بیش از ۹ هزار خانوار در بان‌یوانگی به طبقه‌بندی اولیه هوش مصنوعی اعتراض کردند.

پژوهشگران در بنگلادش نیز بررسی کردند که آیا یک مدل یادگیری ماشین و آموزش‌دیده بر اساس الگوهای استفاده از تلفن همراه، می‌تواند با تحلیل داده‌هایی مانند میزان شارژ تلفن، الگوهای تماس و جابه‌جایی افراد، هدف‌گیری یک برنامه انتقال نقدی را بهبود دهد یا خیر. تنها ۳۲ درصد از خانوارهایی که این مدل شناسایی کرده بود واجد شرایط بودند؛ بنابراین بیش از دوسوم منابع این برنامه به خانوارهایی اختصاص یافت که نباید آن را دریافت می‌کردند.

چنین یافته‌هایی به چالش بزرگ‌تری اشاره دارند که کشورهای فقیر هنگام استقرار هوش مصنوعی با آن مواجه‌اند. همان کشورهایی که بیش از همه می‌توانند از این فناوری برای تقویت ظرفیت دولت استفاده کنند، دقیقاً همان کشورهایی هستند که ظرفیت لازم برای استقرار ایمن و اثربخش این فناوری و همچنین توسعه مدل‌های خود را ندارند. در یک نظرسنجی بانک جهانی از مقام‌های دولتی نزدیک به ۶۰ کشور، حدود ۸۰ درصد از پاسخ‌دهندگان در کشورهای کم‌درآمد گفتند که برای ارزیابی عملکرد آزمایش‌های هوش مصنوعی خود یا هیچ ابزاری در اختیار ندارند یا تنها از ابزارهای ابتدایی استفاده می‌کنند.

دولت‌ها ممکن است با ایده اداره خدمات عمومی حیاتی بر بستر فناوری‌ای که قدرت‌های خارجی کنترل می‌کنند موافق نباشند؛ بااین‌حال، بیشتر کشورهای فقیر ناچارند به مدل‌های پیشرو که در آمریکا یا چین توسعه یافته‌اند، تکیه کنند. بانک جهانی توصیه می‌کند از سیستم‌های قابل‌هم‌کنش (interoperable) استفاده شود که بر تأمین‌کنندگان فناوری از کشورهای مختلف متکی هستند و کار با سازگار کردن مدل‌های ساده‌تر با شرایط محلی آغاز شود. گیل معتقد است بخش‌هایی از آسیا، از جمله ایالت‌های جنوبی هند و کشورهای جنوب‌شرق آسیا، موقعیت مناسبی برای انجام این کار دارند.

برای موفقیت، کشورهای فقیرتر باید تمرکز خود را بر فرایندهای کمتر جذاب اما زیربنایی معطوف کنند. «شاهرخ وانی»، مدیر مشارکت‌های هوش مصنوعی در مرکز بین‌المللی رشد می‌گوید این کار شامل مواردی پایه‌ای مانند بهبود کیفیت داده‌ها، آموزش مقام‌های دولتی و خرید هوشمندانه فناوری است.

JudgeGPT نمونه روشنی از این مسئله است. دستاوردهای چشمگیر این ابزار تنها زمانی ظاهر شد که دسترسی به مدل با آموزش هدفمند درباره نحوه استفاده از آن همراه شد. هنگامی که قضات در کنار یک دوره عمومی حقوقی به این ابزار دسترسی پیدا کردند، بهره‌وری آنها هیچ تفاوتی با گذشته نداشت. اگر دولت‌ها زیرساخت و مقدمات لازم را فراهم نکنند، هوش مصنوعی ممکن است در نهایت تنها به تشدید همان انباشت بوروکراتیکی منجر شود که قرار بود برای رفع آن به کار گرفته شود.

گزارش حاضر در نسخه Augst 29^th 2026 نشریه The Economist منتشر شده است.