آخرین اخبار
همهٔ اخبار
گزارش‌ها و تحلیل‌ها گزارش بحرانیت ۴/۱۰

چالش‌های شفافیت در عصر هوش مصنوعی: بررسی دستورالعمل‌های NARA برای ثبت سوابق دولتی

چالش‌های شفافیت در عصر هوش مصنوعی: بررسی دستورالعمل‌های NARA برای ثبت سوابق دولتی

سازمان آرشیو و سوابق ملی ایالات متحده (NARA) اخیراً دستورالعملی را برای اعمال قانون سوابق فدرال (FRA) بر مواد تولید شده توسط هوش مصنوعی (AI) منتشر کرده است. این راهنما در حالی ارائه شده که کارکنان دولت به طور گسترده از ابزارهای Generative AI مانند ChatGPT، Claude و Copilot برای انجام وظایف عملیاتی استفاده می‌کنند؛ از تسریع در ابطال ویزاها گرفته تا تحلیل قراردادهای دولتی و پشتیبانی از عملیات نظامی.

شکاف بین قانون و اجرا

طبق قانون FRA، هر اطلاعاتی که در جریان معاملات تجاری عمومی «ساخته شده» یا «دریافت شده» باشد و برای اثبات تصمیمات و عملیات دولت مناسب باشد، باید به عنوان سابقه (Record) حفظ شود. با این حال، دستورالعمل جدید NARA رویکردی بسیار محدودکننده دارد. طبق این راهنما، پرامپت‌ها (Prompts) و خروجی‌های AI تنها زمانی سابقه محسوب می‌شوند که «در سیستم‌های داخلی سازمان ثبت و ذخیره شده باشند».

پیامدهای امنیتی و نظارتی

این رویکرد باعث ایجاد یک «شکاف پاسخگویی» (Accountability Gap) می‌شود. اگر تعاملات کاربر با چت‌بات‌ها صرفاً در سرورهای شرکت‌های ثالث (Third-party) باقی بماند و در سیستم داخلی سازمان ذخیره نشود، طبق این دستورالعمل، این داده‌ها «دریافت شده» تلقی نمی‌شوند. این موضوع منجر به نتایج زیر می‌گردد:

  • عدم شفافیت در تصمیم‌گیری: محققان و نهادهای نظارتی نمی‌توانند تشخیص دهند که آیا یک تصمیم دولتی بر اساس شواهد بوده یا نتیجه یک توهم (Hallucination) از سوی AI است.
  • دور زدن نظارت‌های قانونی: حذف ردپای تعاملات با AI، امکان بررسی «سلیقه‌ای یا غیرمنطقی» بودن تصمیمات را از بین می‌برد.
  • ضعیف شدن مدیریت داده: برخلاف دستورالعمل‌های سال ۲۰۱۵ برای پیام‌رسان‌ها و فضای ابری (Cloud)، در اینجا وظیفه‌ای برای استخراج داده‌ها از پلتفرم‌های ثالث تعریف نشده است.

نقاط ضعف فنی و عملیاتی

در تحلیل این دستورالعمل، چندین مورد حیاتی نادیده گرفته شده است:

  • زنجیره تفکر (Chain-of-Thought): راهنما هیچ اشاره‌ای به حفظ مراحل استدلالی مدل‌های پیشرفته نکرده است که برای درک نحوه رسیدن به یک خروجی ضروری است.
  • متاداده‌ها (Metadata): اطلاعاتی نظیر نسخه مدل (Model Version) و برچسب‌های زمانی که برای بازسازی یک رویداد فنی حیاتی هستند، مورد توجه قرار نگرفته‌اند.
  • کدهای منبع (Source Code): تعریف «تغییرات قابل توجه» در نرم‌افزارهای آماده (Off-the-shelf) برای تبدیل آن‌ها به سابقه دولتی، مبهم باقی مانده است.

نتیجه‌گیری برای مدیران ارشد

این دستورالعمل اگرچه از نظر اداری برای مدیران سوابق راحت است، اما از منظر حاکمیت داده (Data Governance) و شفافیت، ریسک‌های بالایی ایجاد می‌کند. سازمان‌ها باید فراتر از این کفِ استاندارد عمل کرده و مکانیزم‌هایی برای Capture کردن تعاملات AI در محیط‌های سازمانی پیاده‌سازی کنند تا از بروز بحران‌های حقوقی و نظارتی در آینده جلوگیری شود.