Poziv premijera za “potpuno premještanje britanske države” na državnu službu stavio je na državnu službu kako bi se uskladio zahtjeve koji su na njemu postavili brzi tehnološki napredak – posebno porast generativne umjetne inteligencije (AI).
Pitanje nije ako ili kada će AI promijeniti kako se pravi politika, ali kako kreatori politika mogu koristiti za poboljšanje ishoda za građane. Uticaj će biti opsežan, ali ne i ukupni. Postoje neki dijelovi procesa donošenja politike u kojem za sada uloga kreatora politike relativno ne utiče – poput službenika koristeći svoju presudu za navigaciju nad konkurentskim interesima i idiosinkrazijama Whitehall-a kako bi se postigle.
Ali u drugim oblastima učinak će biti vidljivije i neposredniji. Alati poput RedBoxa mogu dramatično smanjiti vrijeme koje je potrebno da ministar sazna o novoj temi – kao i puštanje u rad službenika, mogu postaviti velik jezični model (LLM). Ovaj izazovi tradicionalni načini službenika upravljaju protokom informacija u ministre.
LLMS će također mijenjati intelektualni postupak po kojoj je izgrađena politika. Konkretno, oni su sve korisniji – i tako se sve više koriste – sintetizirati postojeće dokaze i sugerirati intervenciju politike za postizanje cilja.
Rad politike preko Whitehall-a već se koristi LLMS, najčešći oblik generativnog AI-ja. Dostupni alati uključuju:
Redboxšto može sažeti preporuke politike u podnesak i drugim političkim dokumentima i ima više od 1.000 korisnika širom kabineta i odjela za nauku, inovacije i tehnologiju.
Savetovatikoji Vlada kaže da sažima i grupe odgovora na javne konsultacije hiljadu puta brže od ljudskih analitičara. Slični alati koriste vlade u inostranstvu, na primjer u Singapuru.
Demonstracija uživo na Festivalu RedBox-a na 2024. godini.
LLMS ima ograničenja
Dok LLMS brzo napreduju, a neki od njihovih trenutnih nedostataka mogu biti samo privremeni, ostaju ograničenja onoga što mogu učiniti.
Oni mogu sintetizirati širok spektar sofisticiranih informacija, ali njihov naredni izlaz može biti pogrešan, povremeno divljački tako – poznat kao halucinacija. LLM izlazi mogu sadržavati i pristranosti za koje zvaničnici trebaju ispraviti, uključujući nepravedne pretpostavke o određenim demografskim grupama.
Budući da se LLMS obučavaju na raspoloživim pisanim informacijama, njihovi rezultati mogu nedostajati nijanse i kontekstno ljudsko iskustvo mogu pružiti. Projektiranje nove politike za povećanje, recimo, efikasnost s kojom bolnice rade zahtijeva da posjeduju napredne znanje o politici zdravstvene zaštite, sortiranja LLM-a sve su više sposobnije sažeti.
Ali također je potreban insajder uvid u načinu na koji se bolnice zapravo rade – vitalni kontekst kao što se dijelovi sustava trenutno prevladaju i kako, te razumijevanje kako će ljekari, medicinske sestre i administrativno osoblje odgovoriti na bilo kakve promjene.
LLMS također imaju tendenciju da pružaju “standardne” odgovore, koji se bore da snima informacije na rezanju polja i pružaju nove ideje. Ako se korisnik ne proteže, malo je vjerovatno da će predložiti radikalnije odgovore i to ima posljedice, posebno u premještanju politike. Ironično je da je AI politika jedno takvo područje.
Konačno, pretjerano odvjerojatno uključivanje LLM izlaza u proces kreiranja politike može biti opasan. Dokazi, bilo da znanstveni, socijalni ili drugi, rijetko potaknu u jednom smjeru i LLM sažejući dokaze mogu implicitno podići neke političke principe nad drugima. Ako se učini loše, kreator politike koji uključuje taj izlaz u savjet ministru riziku da izgradi pretpostavke u svoje preporuke koje se pretvaraju suprotno političkim pogledima tog ministra.
Uloga kreatora politike promijenit će se
Sve su to dobri razlozi za oprez. Ali potencijalne koristi korištenja LLM-a su velike. U procesu donošenja politike AI-proširenog politike, ključna uloga kreatora politike bit će uvesti znanje da LLM ne može.
Dodana vrijednost kreatora politike vjerovatno će se očitovati na dva glavna načina. Prvi je u korištenju njihove stručnosti za uređivanje i oblikovanje LLM “prvih nacrta” – uključujući provjeru i ispravljanje halucinacija i neumoljivosti. Ovo nije tako različito od onoga što najbolji kreatori politike trenutno čine – ljudi, i stvari pogriješite ili izložite pristranosti kroz njihov rad.
Drugi je ideje za kreatore politike na vrhu LLM izlaza, ponekad se spremne gurati u radikalniji smjer. To bi moglo uključivati interaktivni proces, u kojem se traži LLM da pruži povratne informacije o idejama koje proizvodi kreator politike. Vrijeme oslobođeno korištenjem LLMS-a za obavljanje tradicionalno vrijeme intenzivnih zadataka moglo bi dati donositelje politike priliku za prikupljanje i raspoređivanje novih vrsta informacija koje mogu pomoći u izradi bolju politiku.
Posebno važno će biti vrsta insajdera specifičnih za hiper ili u stvarnom vremenu koji se bore za snimanje, što bi se moglo steći na novim i kreativnim načinima – provoditi vrijeme uronjeno na frontnu mrežu koja može dati reakcije u stvarnom vremenu na nova razvoja ili nešto drugo.
Izgradnja veština
Međutim, integriranje LLM-a u vladu može otežati kreatorima politika da steknu važne vještine. Ako su stručnost domene i insajder uvidi stvari za koje su kreatori politike sve više cijenjeni, moraju posjedovati razmjerne vještine.
Ali ovo predstavlja nešto paradoksa – llm usvajanja možda neće učiniti samo stručnost domene još važnije za posjedovanje, već i teže steći. Upravo su aktivnosti koje su LLMS toliko efikasni u izvođenju – prikupljanjem i sintezaciju postojećih dokaza i koristeći ga kao osnovu za politička rješenja – da su kreatori politike sklonili da bi se iskoristili za stjecanje svojih prvih građevinskih blokova stručnosti.
Ovo takođe ima posledice za sposobnost kreatora politika da sakupljaju insajderski uvid. Sve je vrlo dobro oslobađanje vremena za kreatore politika da prikupljaju informacije na nove načine, ali ako nemaju osnovnu razinu stručnosti, teško će ih smatrati znanjem gdje ga tražiti i kako to protumačiti.
To ostavlja državnu službu sa dvije mogućnosti. Prvo je sačuvati neke osnovne zadatke za više juniorskih zvaničnika kako bi mogli izgraditi stručnost domene potrebne za inteligentno korištenje LLM-a.
Drugo je izumiti način na koji kreatori politike stječu stručnost, smanjujući oslanjanje na sada AI-proširene tradicionalne metode. Na primjer, vrsta službenika koji je trenutno mlađi kreator politike mogao bi biti raspoređen na frontnu liniju, što im daje lično iskustvo rada države koje mogu koristiti u konvencionalnoj ulozi politike u Whitehalu nakon što dobiju više starijih.
Možda bi najbolji pristup bio za državnu službu da započne zadatke melodije zvona, ali aktivno provide “testiraju i nauči” projekte za istraživanje više maštovitih pristupa i razmjeriti one gdje rade. To bi se moglo odvijati zajedno sa implementacijom tradicionalnijih rješenja. Na primjer, državna služba ima problem sa viškom prometa i zvaničnicima koji se međusobno premještaju između područja politike manje često bi smatrali da je lakše razvijati stručnost.
Zaključak
Izrada politike je među najvažnijim i najtežim poslovima koje državna služba čini i poboljšava kako se to radi je značajna nagrada. Proces donošenja politike koji spaja ljudsku stručnost sa LLMS-om neće biti samo efikasniji, već i proničniji i povezani sa zabrinutostima građana.
Usmjeravanje usvajanja LLM-a na najproduktivniji mogući način, maksimiziranje prednosti tijekom ublažavanja rizika, ključno je za državnu službu da se ispravi. Samo puštanja promjena ne smije biti opcija – mora biti proaktivno oblikovan.
Jordan Urban je viši istraživač na Institutu za vladu.