در مواجهه با بحران‌های پیچیده و چندوجهی امروز، ابزارهای سنتی دیگر پاسخگوی نیازهای مدیریت سریع و مؤثر نیستند. هوش مصنوعی به‌عنوان سلاحی نوین، فرصت‌های بی‌سابقه‌ای برای پیش‌بینی، تصمیم‌سازی و واکنش هوشمندانه فراهم کرده است، اما این فناوری زمانی اثربخش خواهد بود که در چارچوب حکمرانی دقیق و مسئولانه به کار گرفته شود؛ جایی که سیاست‌گذاران با ایجاد سازوکارهای شفاف و اخلاق‌مدار، تضمین کنند فناوری به نفع انسان‌ها و در خدمت امنیت و پایداری جامعه عمل می‌کند.
به گزارش ایسنا، در عصری که بحران‌ها نه‌تنها بیشتر، بلکه پیچیده‌تر و چندلایه‌تر شده‌اند، مدیریت مؤثر آن‌ها دیگر با ابزارهای سنتی به‌تنهایی ممکن نیست. چه آن بحران، یک پاندمی جهانی باشد یا یک سیل ویرانگر، قطع ناگهانی زیرساخت‌های حیاتی باشد یا موجی از بی‌ثباتی سیاسی و اجتماعی، واکنش دیرهنگام و ناهماهنگ به‌سادگی می‌تواند یک تهدید موضعی را به فاجعه‌ای ملی یا جهانی بدل سازد.
در این میان، فناوری‌های نوین به‌ویژه هوش مصنوعی این ظرفیت را دارند که بازی را تغییر دهند. آنچه پیش‌تر صرفاً در حد ابزارهای تحلیلی بود، امروز به قلب تصمیم‌سازی‌های حساس در زمان بحران راه یافته است: از پیش‌بینی شیوع بیماری‌ها و تحلیل داده‌های بلادرنگ گرفته تا تخصیص منابع امدادی و شناسایی نقاط پرریسک، اما بهره‌گیری از این ظرفیت، صرفاً یک انتخاب فناورانه نیست، بلکه تصمیمی راهبردی در سطح حکمرانی است.
هوش مصنوعی اگر در بستر نهادی و قانونی مناسب به کار گرفته نشود، می‌تواند به عاملی برای تبعیض، بی‌اعتمادی و حتی تشدید بحران تبدیل شود. به همین دلیل، نقش دولت‌ها و سیاست‌گذاران نه‌فقط در توسعه فناوری، بلکه در تنظیم دقیق و شفاف آن حیاتی است.
الگوهای موفق جهانی نیز نشان می‌دهند که موفقیت در استفاده از هوش مصنوعی در مدیریت بحران، بیش از آن‌که محصول صرف نوآوری فنی باشد، نتیجه حُسن تدبیر در حکمرانی دیجیتال، مشارکت عمومی و رعایت اصول اخلاقی و ایمنی داده‌هاست. آینده مدیریت بحران، بدون هوش مصنوعی قابل تصور نیست، اما هوش مصنوعی نیز بدون حکمرانی سنجیده، تنها یک پتانسیل خام خواهد ماند.
در این راستا با سعید میراحمدی، دکترای روابط بین‌الملل و پژوهشگر حوزه هوش مصنوعی و امنیت بین‌الملل به گفت‌وگو نشستیم که در ادامه حاصل آن را می‌خوانید:
پیش از ورود به موضوع تجربه کشورها، شاید بد نباشد از یک قاعده مهم علمی آغاز کنیم. اهل اندیشه در مواجهه با مسائل پیچیده، ابتدا «محل نزاع» را مشخص می‌کنند. آن‌ها معتقدند پیش از بحث درباره پاسخ‌ها، باید بدانیم دقیقا پرسش چیست و بر سر کدام مفاهیم یا تعاریف اختلاف داریم.
به تبعیت از این رویکرد، در اینجا نیز نخست باید دانست که وقتی از بحران سخن می‌گوییم، منظور چیست؟ واژه «بحران» آنچنان پرتکرار و چندوجهی است که از محافل علمی گرفته تا رسانه‌های عمومی، دامنه‌ای از موقعیت‌ها را شامل می‌شود؛ از بحران روابط بین‌الملل و جنگ تا بحران هویت، مالی، بهداشتی، اقلیمی و اجتماعی.
بحران‌ها از نظر سطح، دامنه و تأثیر متفاوت‌اند. ممکن است بحران در مقیاسی خرد مانند خانواده، سازمان یا شهر باشد و یا در سطح ملی، منطقه‌ای یا حتی جهانی نمود یابد، همچنین هر رشته علمی با نوعی خاص از بحران سر و کار دارد. روابط بین‌الملل با بحران‌های ژئوپلیتیک و جنگی، علوم سیاسی با بی‌ثباتی‌های داخلی و اقتصاد با شوک‌های مالی. به همین دلیل، فهم بحران نیازمند رویکردی بین‌رشته‌ای و ترکیبی است؛ موضوعی که پژوهشگرانی چون «مایکل برچر» در قالب مطالعات تطبیقی و داده‌محور به آن پرداخته‌اند.
در همین چارچوب، اگر بخواهیم از تجربه کشورهایی سخن بگوییم که هوش مصنوعی را در مواجهه با بحران‌ها به‌کار بسته‌اند، باید روی بحران‌هایی در مقیاس کلان تمرکز کنیم؛ بحران‌هایی که با سلامت عمومی، امنیت غذایی، بلایای طبیعی یا اختلالات زیرساختی در سطح ملی یا فراملی مرتبط‌اند.
کره جنوبی یکی از نخستین کشورهایی بود که در جریان پاندمی کووید-۱۹ از هوش مصنوعی به شکلی خلاقانه بهره گرفت. در شهر سئونگ‌نام، یک سیستم هوشمند تلفنی طراحی شد که به‌صورت روزانه با بیماران تماس می‌گرفت، علائم آن‌ها را ثبت می‌کرد و در مدت ده دقیقه می‌توانست اطلاعات ۳۶۴ نفر را جمع‌آوری کند. این میزان از کارآمدی، در مقایسه با روش سنتی که به بیش از پنج ساعت زمان نیاز داشت، صرفه‌جویی قابل‌توجهی در منابع و نیروی انسانی ایجاد کرد و نشان داد که هوش مصنوعی چگونه می‌تواند در پایش اپیدمی‌ها تحول‌آفرین باشد.
در اسپانیا نیز واکنشی هوشمندانه به بحران کرونا مشاهده شد. در منطقه والنسیا، نوریا الیور و تیمش با طراحی یک نظرسنجی دیجیتال و استفاده از داده‌های اپراتورهای تلفن همراه، توانستند تحرکات مردم و نقاط پرریسک را شناسایی کنند. این داده‌ها مبنای تصمیم‌گیری سیاست‌مداران و قضات برای اعمال محدودیت‌ها شد و دقت پیش‌بینی مدل‌های هوش مصنوعی آن‌ها به کمتر از یک درصد خطا رسید و یکی از پایین‌ترین نرخ‌های مرگ‌ومیر در اسپانیا و یک واکسیناسیون موفق در میان کشورهای اروپایی را رقم زد.
در ایالات متحده، پس از طوفان ایان در فلوریدا، همکاری میان گوگل و سازمان GiveDirectly نمونه‌ای از کاربرد نوآورانه هوش مصنوعی در امدادرسانی بود. تحلیل تصاویر ماهواره‌ای قبل و بعد از طوفان، امکان شناسایی مناطق آسیب‌دیده را با دقت ۸۵ تا ۹۸ درصد فراهم کرد. در ادامه، پیامکی با پیشنهاد کمک مالی ۷۰۰ دلاری به هزاران نفر از ساکنان آسیب‌دیده ارسال شد. گرچه چالش‌هایی نظیر دسترسی نداشتن برخی به گوشی هوشمند یا بی‌اعتمادی اولیه وجود داشت، اما در مجموع این سامانه شش برابر سریع‌تر از روش‌های سنتی عمل کرد و پایه‌ای برای مدل‌های جدید امدادرسانی شد.
هند نیز در ۲۰۲۳ با بهره‌گیری از داده‌های ماهواره‌ای حرارتی، نقشه آسیب‌پذیری گرمایی شهر احمدآباد را تهیه کرد. این فناوری توانست مناطق پرخطر را که قبلاً ناشناخته بودند شناسایی کند و به کاهش ۳۰ درصدی مرگ‌ومیر ناشی از گرما کمک کند. این پروژه یک نمونه برجسته از کاربرد هوش مصنوعی در پاسخ به تغییرات اقلیمی است.
پیش‌نیاز بهره‌گیری گسترده، ایمن و مؤثر از هوش مصنوعی در بحران‌ها، وجود اراده سیاسی و سیاست‌گذاری منسجم است. نخستین گام، تدوین چارچوب‌های قانونی و استانداردهایی است که ضمن تضمین امنیت و شفافیت، مانع از بروز سوء‌استفاده یا خطاهای اخلاقی شوند. تجربه اروپا در طراحی نظام ارزیابی ریسک‌محور (AI Act) نمونه‌ای از این رویکرد است؛ نظامی که بر اصول شفافیت، شمول، و پاسخگویی تأکید دارد.
دوم، ساختار نهادی است. وجود نهادهای میان‌رشته‌ای مانند کمیته بحران در والنسیا یا تعیین مدیران ارشد هوش مصنوعی در هر سازمان دولتی در ایالات متحده، نشان می‌دهد که تنها از طریق هماهنگی ساختاری، می‌توان پاسخ مؤثر ارائه داد.
در مرحله سوم، تأمین منابع اهمیت دارد. اختصاص بودجه‌های تحقیقاتی، ارائه تسهیلات، بورسیه‌ها و حمایت از نوآوری‌های بومی از الزامات اساسی‌اند. برای مثال، ایالات متحده در ۲۰۲۲ بیش از ۴/۴ میلیارد دلار در حوزه هوش مصنوعی سرمایه‌گذاری کرد.
چهارمین محور، تقویت زیرساخت داده‌هاست. استفاده از روش‌هایی مانند یادگیری فدرال و رمزنگاری همومورفیک، امکان بهره‌گیری از داده‌ها بدون نقض حریم خصوصی را فراهم می‌آورد، همچنین حمایت از پلتفرم‌های متن‌باز و مقیاس‌پذیر مانند AIDR می‌تواند قابلیت واکنش سریع در زمان بحران را بالا ببرد.
توانمندسازی نیروی انسانی و فرهنگ‌سازی نیز بسیار حیاتی است. کشورهایی مانند سنگاپور و بریتانیا با برگزاری دوره‌های آموزشی، زمینه را برای فهم و پذیرش فناوری فراهم کرده‌اند، همچنین ترکیب استعدادهای دانشگاهی و صنعتی در قالب قراردادها، آکادمی‌های دیجیتال و برنامه‌های مشترک تحقیقاتی به اثربخشی سیاست‌ها کمک می‌کند.
شفافیت و مدیریت ریسک نیز ضروری‌اند. دولت‌ها باید فرایندهای قابل توضیح و نهادهای نظارتی برای بررسی عملکرد الگوریتم‌ها ایجاد تا اعتماد عمومی را تقویت کنند.
در نهایت، همکاری بین‌المللی اهمیت مضاعفی دارد. بحران‌ها مرز نمی‌شناسند، بنابراین تدوین استانداردهای جهانی، تبادل تجربه و ایجاد چارچوب‌های چندجانبه، مکمل سیاست‌های ملی خواهند بود.
مفهوم «حکمرانی دیجیتال» تنها به معنای ارائه خدمات دولت به‌صورت آنلاین نیست، بلکه بازطراحی کل فرایندهای تصمیم‌گیری، تعامل، شفافیت و پاسخگویی در بستر فناوری است. در این نگاه، دولت نه‌فقط به‌عنوان ارائه‌دهنده خدمات، بلکه به‌عنوان تسهیل‌گر و ناظر یکپارچه عمل می‌کند.
مدل‌های موفق مختلفی در جهان وجود دارد. در استونی، شهروندان با هویت دیجیتال واحد می‌توانند تقریباً تمام خدمات دولتی را به‌صورت آنلاین دریافت کنند. شبکه X-Road امکان تبادل امن داده‌ها را بین نهادها فراهم کرده و باعث صرفه‌جویی دو درصد از تولید ناخالص داخلی شده است.
کره‌جنوبی با بهره‌گیری از داده‌های یکپارچه و اپلیکیشن‌های فراگیر، در بحران‌ها به سرعت واکنش نشان می‌دهد. هند با وجود چالش‌های زیرساختی، پلتفرم‌هایی چون Aadhaar و MyGov را برای شناسایی، مشارکت و ارائه خدمات در سطح گسترده توسعه داده است. فنلاند با تأکید بر شفافیت و آموزش دیجیتال عمومی، اعتماد مردم را به پروژه‌های فناوری جلب کرده است.
تجربه این کشورها نشان می‌دهد که حکمرانی دیجیتال موفق، نیازمند سه عنصر کلیدی است؛ زیرساخت فناورانه، چارچوب حقوقی و فرهنگی و مشارکت عمومی. هر کشوری باید بسته به بافت اجتماعی و اقتصادی خود، مدلی بومی طراحی کند و به‌جای تقلید کورکورانه، با الهام از تجارب جهانی مسیر خود را بسازد.
تنظیم استانداردهای مؤثر برای بهره‌برداری از هوش مصنوعی در بحران‌ها، نیازمند رویکردی تدریجی و مشارکتی است. نخست، باید درک دقیقی از کاربردها و مخاطرات بالقوه این فناوری به دست آید. سپس اصول اخلاقی و ایمنی، همچون عدالت، نبود تبعیض، حق اعتراض و شفافیت الگوریتمی باید به‌صورت الزام‌آور تعریف شوند.
در گام بعدی، تدوین دستورالعمل‌های اجرایی، نظیر چارچوب‌های آزمون و اعتبارسنجی الگوریتم‌ها، چگونگی استفاده از داده‌ها در زمان بحران و مکانیزم‌های بازبینی و پاسخگویی باید مشخص گردد. این دستورالعمل‌ها تنها زمانی مؤثر خواهند بود که با مشارکت دولت، بخش خصوصی، دانشگاه و جامعه مدنی تدوین شوند.
همکاری بین‌المللی نیز در این میان نقش کلیدی دارد. تنها از طریق توافقات چندجانبه، استانداردهای اخلاقی جهانی و تبادل تجربه است که می‌توان به چارچوب‌هایی رسید که هم ایمنی را تضمین کنند و هم اثربخشی را افزایش دهند. در نهایت، باید این استانداردها به‌صورت منظم مورد بازبینی قرار گیرند تا همگام با تحولات فناورانه و تجربیات جدید اصلاح شوند.
این مسیر نه‌فقط تضمین‌کننده استفاده مسئولانه از هوش مصنوعی در زمان بحران است، بلکه می‌تواند اعتماد عمومی را حفظ کرده و زمینه‌ساز نجات جان انسان‌ها در لحظات سرنوشت‌ساز باشد.
