Living Governance: Beyond Adaptive and Anticipatory Governance

حکمرانی زنده؛ فراتر از حکمرانی تطبیقی و پیش نگر

نهادهای حکمرانی برای جهانی طراحی شده اند که سرعت تغییر در آن بسیار کمتر از امروز بود. اطلاعات با فاصله زمانی به سیاست گذار می رسید، قوانین برای دوره های نسبتا طولانی اعتبار داشتند و بسیاری از تغییرات اقتصادی، اجتماعی و فناورانه آن قدر تدریجی بودند که نهادها فرصت شناخت، واکنش و اصلاح داشتند. اما هوش مصنوعی، پلتفرم های دیجیتال، شبکه های اجتماعی، اقتصاد داده و پیوند فزاینده سیستم ها، این تعادل زمانی را برهم زده اند. امروز ممکن است یک فناوری، رفتار یا ریسک جدید در زمانی بسیار کوتاه تر از چرخه معمول قانون گذاری و سیاست گذاری گسترش یابد.

از این منظر، یکی از مسائل بنیادی حکمرانی معاصر را می توان در یک شکاف خلاصه کرد: شکاف میان سرعت تغییر محیط و سرعت یادگیری نهادها.

ادبیات حکمرانی پیش از این پاسخ های مهمی برای مواجهه با این مسئله ارائه کرده است. «حکمرانی تطبیقی» بر ظرفیت نهادها برای سازگارشدن با پیچیدگی و تغییر تاکید می کند. «حکمرانی پیش نگر» توجه را به آینده نگری، سناریوپردازی و آمادگی برای تحولات نوظهور معطوف می سازد. ادبیات یادگیری در حکمرانی نیز نشان داده است که نهادها باید بتوانند از تجربه، خطا، داده و بازخورد سیاست ها بیاموزند.

اما پرسش این است که آیا در عصر هوش مصنوعی، هر یک از این قابلیت ها به تنهایی کافی است؟

نهادی ممکن است تطبیق پذیر باشد، اما تغییر را دیر تشخیص دهد. ممکن است آینده نگر باشد، اما نتواند پس از اجرای سیاست از پیامدهای واقعی آن بیاموزد. ممکن است داده های فراوانی در اختیار داشته باشد، اما فاقد سازوکاری برای تبدیل داده به یادگیری نهادی باشد. حتی ممکن است از هوش مصنوعی استفاده کند، اما همچنان منطق تصمیم گیری آن ایستا، بخشی و پسینی باقی بماند.

در چنین شرایطی می توان از مفهوم گسترده تری با عنوان «حکمرانی زنده» (Living Governance) سخن گفت.

حکمرانی زنده نه نام دیگری برای حکمرانی تطبیقی است و نه صرفا نسخه فناورانه حکمرانی پیش نگر. مقصود، معماری نهادی ای است که بتواند به صورت مستمر محیط خود را مشاهده کند، از داده ها و پیامدهای تصمیمات بیاموزد، تحولات احتمالی را پیش بینی کند، گزینه های سیاستی را پیش از اجرا بیازماید، پس از مداخله بازخورد دریافت کند و در صورت ضرورت، ابزارها و قواعد خود را اصلاح کند؛ بی آنکه پاسخ گویی، مشروعیت و کنترل انسانی را از دست بدهد.

منطق این نوع حکمرانی را می توان در یک چرخه خلاصه کرد:

مشاهده → یادگیری → پیش نگری → شبیه سازی → تصمیم → ارزیابی → تطبیق → بازتولید اعتماد و مشروعیت

تفاوت اصلی در همین «چرخه» است. در حکمرانی سنتی، سیاست گذاری غالبا فرایندی خطی است: مسئله شناسایی می شود، سیاست تدوین می شود، تصمیم اجرا می شود و پس از مدتی آثار آن ارزیابی می گردد. در حکمرانی زنده، پایان یک تصمیم، آغاز دور جدیدی از یادگیری است. سیستم حکمرانی دائما فاصله میان «آنچه انتظار داشت اتفاق بیفتد» و «آنچه واقعا اتفاق افتاد» را اندازه گیری می کند و این فاصله را به ورودی تصمیم بعدی تبدیل می سازد.

هوش مصنوعی می تواند یکی از توانمندسازهای چنین معماری ای باشد. الگوریتم ها می توانند نشانه های ضعیف تغییر را در حجم بزرگی از داده ها شناسایی کنند، روابطی را آشکار سازند که با روش های متعارف به سادگی دیده نمی شوند و در ساخت سناریوهای مختلف به سیاست گذار کمک کنند. اما هوش مصنوعی، خود حکمرانی نیست. تحلیل الگوریتمی نمی تواند جایگزین مشروعیت حقوقی، مسئولیت نهادی، عدالت، اخلاق و قضاوت انسانی شود.

دوقلوی دیجیتال سیاستی نیز می تواند لایه دیگری از حکمرانی زنده را شکل دهد. اگر بتوان بازنمایی پویایی از یک سیستم ایجاد کرد، سیاست گذار دیگر ناگزیر نیست تمام فرض های خود را مستقیما در جامعه واقعی آزمایش کند. برخی سناریوها و مداخلات را می توان ابتدا در محیط مدل اجرا کرد، پیامدهای احتمالی آنها را سنجید و سپس درباره مداخله واقعی تصمیم گرفت. در این صورت، سیاست گذاری از «پیش بینی آنچه ممکن است رخ دهد» یک گام جلوتر می رود و به سمت آزمون آنچه ممکن است انجام دهیم حرکت می کند.

تنظیم گری نیز در چنین معماری ای ماهیتی متفاوت پیدا می کند. مقررات دیگر نباید صرفا واکنشی به مسئله ای باشند که قبلا رخ داده است. داده های جدید، تغییر رفتار بازیگران و نتایج واقعی مقررات باید بتوانند به صورت نهادمند وارد فرایند بازنگری شوند. البته این به معنای تغییر روزانه قانون نیست. اگر قواعد دائما تغییر کنند، پیش بینی پذیری و امنیت نهادی از بین می رود. هنر حکمرانی زنده دقیقا در ایجاد تعادل میان ثبات قواعد و تطبیق هوشمندانه آنها است.

این مفهوم یک خطر مهم را نیز باید جدی بگیرد. همان طور که نهادها از جامعه و بازار یاد می گیرند، جامعه و بازار نیز از نهادها یاد می گیرند. بازیگران می توانند رفتار نظام نظارتی را پیش بینی کنند، شاخص های مورد توجه آن را بشناسند و حتی رفتار خود را برای عبور از قواعد تنظیم کنند. بنابراین حکمرانی زنده با یک محیط منفعل مواجه نیست؛ با سیستمی روبه روست که به مشاهده و مداخله سیاست گذار واکنش نشان می دهد.

به همین دلیل، «زنده بودن» نباید به معنای خودکارشدن حکمرانی تعبیر شود. اگر الگوریتم بتواند داده را ببیند، مدل بتواند آینده را شبیه سازی کند و سامانه بتواند یک مداخله را پیشنهاد دهد، همچنان باید مشخص باشد چه کسی تصمیم نهایی را می گیرد، چه کسی مسئول پیامدهای آن است، تصمیم بر اساس چه داده و مدلی اتخاذ شده و چگونه می توان آن را مورد اعتراض، حسابرسی یا بازنگری قرار داد.

در نتیجه، اعتماد و پاسخ گویی نه محدودیت حکمرانی زنده، بلکه بخشی از معماری آن هستند.

از این منظر، حکمرانی زنده را می توان مرحله ای فراتر از دیجیتالی کردن دولت دانست. دولت الکترونیک خدمات را دیجیتالی می کند. حکمرانی هوشمند از داده برای تصمیم بهتر استفاده می کند. حکمرانی تطبیقی بر سازگاری تاکید دارد و حکمرانی پیش نگر می کوشد آینده را زودتر ببیند. اما حکمرانی زنده تلاش می کند این قابلیت ها را در یک چرخه نهادی مستمر و پاسخ گو به یکدیگر متصل کند.

بنابراین مسئله اصلی حکمرانی آینده صرفا این نیست که دولت ها و نهادها چقدر هوشمندتر خواهند شد. مسئله این است که آیا آنها می توانند یادگیرنده تر، پیش نگرتر، آزمون پذیرتر و تطبیق پذیرتر شوند، بدون آنکه مشروعیت و پاسخ گویی خود را از دست بدهند.

شاید در عصر هوش مصنوعی، مزیت اصلی یک نظام حکمرانی نه در میزان داده ای باشد که در اختیار دارد و نه در تعداد الگوریتم هایی که به کار می گیرد؛ بلکه در سرعت و کیفیت یادگیری نهادی آن باشد.

در چنین جهانی، پرسش اساسی دیگر فقط این نیست که «چه کسی حکمرانی می کند؟»

پرسش مهم تر این خواهد بود:

کدام نهاد می تواند تغییر را زودتر ببیند، از آن بیاموزد، تصمیم خود را پیش از اجرا بیازماید، از پیامدهای آن دوباره یاد بگیرد و در تمام این چرخه همچنان پاسخ گو، مشروع و قابل اعتماد باقی بماند؟

پاسخ به این پرسش شاید نقطه آغاز گذار از نهادهای ایستا به حکمرانی زنده باشد.