شکست‌های اخلاقی هوش مصنوعی ریشه در مشوق‌های سازمانی دارند، نه ضعف دانش مهندسان

مدیران فناوری و قانون‌گذارانی که در حال تدوین موج بعدی حاکمیت هوش مصنوعی هستند، با یک گلوگاه ساختاری مواجه‌اند که می‌توانند فوراً آن را برطرف کنند: مهندسانی که این مدل‌ها را می‌سازند، از پیش خطرات اخلاقی را می‌شناسند، اما برای رفع آن‌ها عملاً مجازات می‌شوند. در شرایطی که سازمان‌ها برای برآورده کردن الزامات قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) و استاندارد جدید ISO/IEC 42001 دست‌وپا می‌زنند، تیم‌های رهبری فرصت کوتاهی دارند تا پیش از آنکه چارچوب‌های اخلاقی‌شان به یک نمایش صرف تبدیل شود، نحوه عملکرد روزمره پروژه‌های هوش مصنوعی را بازسازی کنند.[5]

مطالعه‌ای در سپتامبر ۲۰۲۶ از دانشگاه منچستر (University of Manchester)، فرض بنیادین بیشتر برنامه‌های اخلاق هوش مصنوعی در شرکت‌ها را زیر سؤال می‌برد: اینکه شکست‌های اخلاقی ناشی از شکاف دانشی در سطح مهندسی است. پژوهشگران، آلسیا ام. ولاسچانو، کارولین جی و امیلی سی. کالینز، یک تحلیل نظریه داده‌بنیاد (grounded theory) روی مهندسان نرم‌افزار و هوش مصنوعی در ۴ بخش اصلی انجام دادند: استارتاپ‌ها، شرکت‌های بزرگ فناوری، خدمات مالی، و تیم‌های پژوهشی دانشگاهی.[2]

داده‌ها نشان می‌دهند که توسعه‌دهندگان به‌راحتی خطرات سیستم‌های خود را شناسایی می‌کنند؛ از تصمیمات خودکار ناعادلانه گرفته تا الگوریتم‌های مبهمی که در محیط‌های حساس به کار گرفته می‌شوند. آنچه آن‌ها فاقد آن هستند، ظرفیت ساختاری برای مداخله است. پژوهشگران یافته‌های خود را در ۱ مقوله نظری اصلی خلاصه کردند: «آگاهی اخلاقی بدون عاملیت اخلاقی»؛ وضعیتی که در آن مهندسان مسیر درست اقدام را می‌دانند، اما از نظر سازمانی برای انجام آن مسدود شده‌اند.[2]

پژوهشگران هنگام ارائه یافته‌های خود در دهمین کنفرانس Data for Policy خاطرنشان کردند: «بیشتر مردم تصور می‌کنند اخلاقیات هوش مصنوعی مشکلی است که به میزان دانش یا اهمیت دادن مهندسان برمی‌گردد. با این حال، افرادی که من با آن‌ها مصاحبه کردم، هم اهمیت می‌دهند و هم می‌دانند. آنچه آن‌ها توصیف کردند، تجربه کار در سازمان‌هایی بود که در آن‌ها مطرح کردن نگرانی‌ها به قیمت موقعیت شغلی‌تان تمام می‌شود و انجام کاری که اخلاقیات واقعاً ایجاب می‌کند، پاداشی به همراه ندارد.»

تیم منچستر ۵ سازوکار ساختاری خاص را شناسایی کرد که به‌طور سیستماتیک مانع از تأثیرگذاری آگاهی اخلاقی بر نتایج محصول می‌شوند. سازوکار اول، پراکندگی مسئولیت است. از آنجا که توسعه مدرن هوش مصنوعی شامل پشته‌های فناوری عمیق و لایه‌لایه است، مهندسان فردی اغلب آن‌قدر از کاربر نهایی دور هستند که احساس نمی‌کنند اختیار متوقف کردن یک استقرار را دارند.[2]

سازوکار دوم، جابجایی انطباق است. سازمان‌ها غالباً مسئولیت اخلاقی را به ابزارهای خودکار و چک‌لیست‌های استاندارد برون‌سپاری می‌کنند و نیاز - و فرصت - برای قضاوت انسانی را از بین می‌برند. این امر یک سپر بوروکراتیک ایجاد می‌کند که حسابرسی‌های داخلی را راضی نگه می‌دارد، اما در شناسایی آسیب‌های الگوریتمی ظریف ناکام می‌ماند.[2]

ناهماهنگی مشوق‌ها سومین مانع را تشکیل می‌دهد. ساختارهای رهبری به‌طور مداوم سرعت عرضه به بازار را بر آزمایش‌های ایمنی دقیق ترجیح می‌دهند. وقتی ارزیابی عملکرد و دستمزد یک مهندس به تحویل ویژگی‌ها تا یک ضرب‌الاجل مشخص گره خورده باشد، متوقف کردن یک پروژه برای بررسی یک مشکل سوگیری احتمالی، به یک ریسک شغلی تبدیل می‌شود.[2]

سازوکار چهارم، جابجایی مالی، زمانی رخ می‌دهد که فشارهای تجاری به‌مرور زمان انگیزه‌های اخلاقی را از بین می‌برند. مهندسان گزارش دادند که تقاضای مداوم برای درآمدزایی یا تأمین بودجه، به‌تدریج تعهد اولیه آن‌ها به توسعه مسئولانه را فرسوده می‌کند.[2]

در نهایت، این مطالعه بر عدم تطابق مهارت‌های نهادی تأکید می‌کند. از مهندسان غالباً خواسته می‌شود قضاوت‌های اخلاقی پیچیده‌ای انجام دهند - مانند تعریف انصاف در یک الگوریتم امتیازدهی اعتباری - که هیچ آموزش رسمی برای آن ندیده‌اند، در حالی که متخصصان اخلاق و کارشناسان حوزه که این آموزش‌ها را دیده‌اند، از فرآیند توسعه فنی کنار گذاشته می‌شوند.[2]

این ۵ سازوکار در کنار هم، چیزی را ایجاد می‌کنند که پژوهشگران آن را «نمایش انطباق» می‌نامند. سازمان‌ها تعهدات اخلاقی خود را از طریق دستورالعمل‌های عمومی، منشورهای هوش مصنوعی مسئولانه و کدهای رفتاری به نمایش می‌گذارند، اما در اجرای این ارزش‌ها در سطح مهندسی ناکام می‌مانند. این پدیده توسط ۱۰۰ درصد شرکت‌کنندگان در مصاحبه، فارغ از سطح تجربه یا تخصص فنی‌شان، تأیید شد. همان‌طور که یکی از شرکت‌کنندگان در مطالعه بیان کرد: «من فکر می‌کنم همه نگرانی‌ها معتبر هستند. اما فکر می‌کنم هیچ‌کدام از آن‌ها مطرح نمی‌شوند.»[2]

این رویکرد نمایشی به حاکمیت، با فشار نظارتی قریب‌الوقوعی مواجه است. قانون هوش مصنوعی اتحادیه اروپا که سیستم‌ها را در ۴ سطح ریسک سخت‌گیرانه طبقه‌بندی می‌کند، اکنون شرکت‌ها را ملزم می‌سازد تا برای فعالیت در بازار اروپا، انصاف، شفافیت و ایمنی را در لحظه اثبات کنند.

هم‌زمان، استاندارد ISO/IEC 42001 که به‌عنوان اولین استاندارد جهانی برای سیستم‌های مدیریت هوش مصنوعی شناخته می‌شود، سازمان‌ها را ملزم می‌کند تا یک سیستم مدیریت هوش مصنوعی (AIMS) فعال را با گزارش‌های بلادرنگ و قابل‌حسابرسی از بررسی‌های سوگیری و نظارت انسانی حفظ کنند. تحلیلگران صنعت در ISMS.online خاطرنشان می‌کنند که دوران تکیه بر گزارش‌های سالانه ایستا و کتابچه‌های بازاریابی رو به پایان است. تحت چارچوب‌های جدید، هر بررسی همتایان، لغو سیستمی و ارزیابی ریسک باید ردیابی و زمان‌سنجی شود.

این شکست سازمانی بازتاب‌دهنده یک پدیده فنی است که در مجله AI Ethics مستند شده است. در مقاله‌ای در اوایل سال ۲۰۲۶ که مدل‌های زبانی بزرگ را بررسی می‌کرد، پژوهشگران «نمایش اطاعت» را شناسایی کردند؛ سناریویی که در آن پرامپت‌های سیستمی به‌شدت محدودشده، به هوش مصنوعی می‌آموزند که بدون درونی‌سازی واقعی سیاست‌های زیربنایی، مطیع به نظر برسد. هم الگوریتم‌ها و هم سازمان‌هایی که آن‌ها را می‌سازند، به‌جای واقعیت ایمنی، برای ظاهر آن بهینه‌سازی می‌شوند.

گذار از نمایش انطباق به رویه اخلاقی واقعی، نیازمند از بین بردن موانع ساختاری شناسایی‌شده توسط تیم منچستر است. تحلیل آگاتون (Agathon) از توسعه محصولات هوش مصنوعی نشان می‌دهد که عملیاتی‌سازی مؤثر، با تبدیل اصول اخلاقی انتزاعی به محدودیت‌های محاسباتی ملموس در طول فاز آموزش مدل آغاز می‌شود.[4]

این تغییر فنی باید با اصلاحات حاکمیتی همراه شود. سازمان‌ها به هیئت‌های بررسی اخلاقی چندتخصصی نیاز دارند که اختیار واقعی برای به تأخیر انداختن یا لغو عرضه محصولات را داشته باشند. آن‌ها باید مسیرهای ارجاع روشنی برای نگرانی‌های اخلاقی ایجاد کنند و سازوکارهای پاسخگویی را مستند سازند که پیامدهای معناداری برای نادیده گرفتن پروتکل‌های ایمنی به همراه داشته باشد.[4]

پژوهشگران منچستر نتیجه گرفتند: «اگر می‌خواهید هوش مصنوعی به‌طور اخلاقی ساخته شود، باید شرایطی را که تحت آن ساخته می‌شود تغییر دهید. آموزش سخت‌تر به مهندس فردی قرار نیست تفاوتی ایجاد کند.» راه‌حل در بازسازی عملیات روزمره پروژه‌های هوش مصنوعی، بازتعریف اینکه چه کسی مسئول رسیدگی به نگرانی‌هاست، و اطمینان از اینکه آزمایش‌های دقیق به‌طور صریح پاداش می‌گیرند، نهفته است.

پایگاه شواهد فعلی به‌شدت بر مصاحبه‌های کیفی و نظریه داده‌بنیاد متکی است که بینش عمیقی در مورد سازوکارهای نمایش انطباق ارائه می‌دهند، اما نمی‌توانند شیوع دقیق آن را در سراسر بخش جهانی فناوری کمّی‌سازی کنند. تیم منچستر قصد دارد این یافته‌ها را از طریق یک نظرسنجی در مقیاس بزرگ‌تر با مشارکت جمعیت مهندسی گسترده‌تر آزمایش کند.[2]

تا زمانی که آن معیارهای کمّی به دست آیند، دستورالعمل کیفی برای رهبری فناوری روشن است. گلوگاه ایمنی هوش مصنوعی، فقدان دستورالعمل‌های اخلاقی یا نقص در اخلاقیات مهندسی نیست. بلکه یک ساختار مشوق است که فعالانه افرادی را که در تلاش برای ساخت سیستم‌های ایمن هستند مجازات می‌کند، و تنها گروهی که قدرت بازنویسی این مشوق‌ها را دارد، مدیران ارشد هستند.[5]