چارچوب نظاممند برای ارزیابی «میزان آمادگی کارکردهای دولتی» در پیادهسازی و بهکارگیری هوش مصنوعی
این گزارش تحلیلی با عنوان «Making Agentic AI Work for Government: A Readiness Framework» در آوریل ۲۰۲۶ توسط مجمع جهانی اقتصاد (World Economic Forum) و با همکاری شرکت کپجمینای (Capgemini) منتشر شده است. در ادامه، خلاصهٔ جامع سند بر اساس متن رسمی آن ارائه میشود:
۱. موضوع و مخاطبِ سند
موضوع: ارائهٔ نخستین چارچوب نظاممند برای ارزیابی «میزان آمادگی کارکردهای دولتی» در پیادهسازی و بهکارگیری هوش مصنوعی عاملمحور (Agentic AI) و تبدیل پروژهها از آزمایشهای پراکنده به ارزش عمومی مقیاسپذیر.
مخاطبان: سیاستگذاران بخش عمومی، مدیران ارشد فناوری (CIOs/CDOs)، وزرا، رهبران تحول دیجیتال و دستاندرکاران اکوسیستم فناوری دولتی (GovTech).
۲. ساختارِ فصلهای سند
سند در ۳۰ صفحه متن اصلی بههمراه پیوستها تنظیم شده است: * پیشگفتار (Foreword) و خلاصه مدیریتی (Executive Summary): بیان ضرورت ورود هوش مصنوعی عاملمحور و رویکرد چندبعدی چارچوب. * فصل ۱: فرصتِ عاملمحور (The agentic opportunity): بررسی تفاوت بنیادین هوش مصنوعی عاملمحور با نسلهای پیشین، چرایی ضرورت آن برای دولتها و چالشهای تاکتیکی آغاز کار. * فصل ۲: چارچوب نوآورانه آمادگی دولت (An innovative government readiness framework for agentic AI): تشریح نگاه کارکردمحور، متدولوژی ارزیابی «پتانسیل در برابر پیچیدگی»، معرفی توپوگرافی ۷۰ کارکرد در ۳ ناحیه و نقشه راه بومیسازی در ۶ گام. * فصل ۳: درسآموزی از پیادهسازیهای موفق (Learning from successful deployments): بررسی ۴ موردکاوی واقعی دولتی در اوکراین، آلمان و امارات متحده عربی. * نتیجهگیری (Conclusion): جمعبندی درباره ضرورت رهبری هدفمند، استقلال محدود (Bounded Autonomy) و حرکت گامبهگام. * پیوستها (Appendices): تشریح جزئیات روششناسی نمرهدهی (A1) و جدول کامل رتبهبندی و امتیازات تمام ۷۰ کارکرد دولتی (A2).
۳. یافتهها و اعدادِ کلیدی
فرصت اقتصادی: تحول دیجیتال بخش عمومی تا سال ۲۰۳۴ میلادی فرصتی ۹٫۸ تریلیون دلاری در زمینه اثرگذاری عمومی ایجاد میکند (فصل ۱.۱).
میل به پیادهسازی: بر اساس پیمایش کپجمینای از ۳۵۰ سازمان بخش عمومی، ۹۰٪ از نهادها قصد دارند ظرف ۲ تا ۳ سال آینده هوش مصنوعی عاملمحور را بررسی یا مستقر کنند (فصل ۱.۲).
ریسک شکست پروژهها: طبق پیشبینی گارتنر (Gartner)، بیش از ۴۰٪ از پروژههای هوش مصنوعی عاملمحور تا پایان سال ۲۰۲۷ به دلایلی چون هزینههای فزاینده، ارزش نامشخص یا کنترلهای ریسک ناکافی لغو خواهند شد (فصل ۱.۳).
تقسیمبندی کارکردها (۷۰ کارکرد در ۹ دسته):
۵۰٪ از کل کارکردها (۳۵ کارکرد) دارای آمادگی متوسط تا بالا هستند (فصل ۲.۳).
ناحیه آمادگی بالا (High-readiness): شامل ۱۰ کارکرد (۱۴٪ برتر با نمره آمادگی بالای ۱٫۵)؛ مناسب استقرار زودهنگام همراه با پادمانهای قوی.
ناحیه آمادگی متوسط (Medium-readiness): شامل ۲۵ کارکرد (۳۶٪ میانی با نمره ۱٫۰ تا ۱٫۵)؛ مناسب اجرای مرحلهای.
ناحیه آمادگی پایین (Low-readiness): شامل ۳۵ کارکرد (۵۰٪ پایینی با نمره کمتر از ۱٫۰)؛ نیازمند نظارت، آزمایشهای تدریجی و تمهیدات بلندمدت (فصل ۲.۳ و پیوست A1).
برترین کارکردها از نظر آمادگی: کارکردهای «پایش امنیت سایبری» (Cybersecurity monitoring)، «ارائه اطلاعات و راهنمایی عمومی»، «پایش عملکرد سامانهها»، و «مدیریت نوبت و قرار ملاقات خدمات» بالاترین امتیازات آمادگی را کسب کردهاند (فصل ۲.۳ و پیوست A2).
نتایج موارد کاویهای عملی (فصل ۳):
اوکراین (سامانه Diia.AI): از سپتامبر ۲۰۲۵ توسط بیش از ۲۹۰٬۰۰۰ شهروند استفاده شده و بیش از ۷٬۰۰۰ گواهی درآمد صادر کرده است؛ همچنین هوش مصنوعی ۹۰٪ از بیش از ۱ میلیون استعلام شهروندی را پاسخ میدهد.
آلمان (آژانس استخدام فدرال): تبدیل درخواستهای تغییر به تیکتهای جیرا با میانگین ۲۰ تیکت در روز، ماهانه حدود ۱۵۰ ساعت صرفهجویی زمانی ایجاد میکند (با در نظر گرفتن بازنشستگی ۳۵٪ از نیروی کار تا سال ۲۰۳۲).
امارات متحده عربی (FAHR): عامل هوش مصنوعی منابع انسانی بیش از ۸۰٪ استعلامهای مربوط به قوانین و سیاستهای منابع انسانی را برای بیش از ۵۰٬۰۰۰ کارمند دولت فدرال به شکل خودمختار پاسخ میدهد.
۴. توصیههای عملی سند
تمرکز بر «کارکردها» بهجای «دپارتمانها»: هوش مصنوعی عاملمحور نباید محدود به چارتهای سازمانی شود، بلکه باید جریانهای کاری فرابخشی (مانند تایید اسناد یا پایش) را هدف بگیرد (فصل ۲.۱).
پایهگذاری استقرار با اصل «استقلال محدود» (Bounded Autonomy): استقلال عاملها باید مشخص و مقید باشد، سازوکارهای صریح برای ارجاع به انسان (Human-in-the-loop / Human-on-the-loop) و پادمانهای پاسخگویی تعریف شود (فصل ۱.۱ و نتیجهگیری).
اولویتبخشی به خدمات عمومی و کارکردهای اطلاعاتمحور: کارکردهای پردازش داده و اطلاعات نسبت به کارکردهای مبتنی بر قضاوت پیچیده (مانند ارزیابی صلاحیت) در اولویت شروع قرار گیرند (فصل ۲.۳).
بهکارگیری چارچوب ششمرحلهای بومیسازی (فصل ۲.۴): * ۱) تعیین خط مبنای محلی (ارزیابی ۹ عامل زمینهای مانند بلوغ دیجیتال، زیرساخت داده، آمادگی ابری و قوانین). * ۲) تدوین راهبردهای کاهش ریسک (پایداری زیستمحیطی، آمادگی نیروی کار، همسویی با ارزشها، تابآوری زیرساخت و شفافیت/توضیحپذیری). * ۳) بازتنظیم نمرات کارکردها با دادههای بومی. * ۴) توالیبخشی و آمادهسازی جریانهای کاری (استفاده از رویکرد تحول فرآیند ESOAR شامل: حذف، استانداردسازی، بهینهسازی، اتوماسیون و روباتیک). * ۵) اعتبارسنجی با آزمون و پایلوتهای کوچکمقیاس با کاربران و دادههای واقعی. * ۶) تکرار و بازنگری دورهای توپوگرافی با تغییر شرایط.
۵. محدودیتهای چارچوب
سطح ارزیابی میانجی (Meso-level): نمرات جدول جهانی منعکسکننده شرایط میانگین است و نمیتواند مستقیماً نسخه نهایی یک کشور یا سازمان خاص باشد (فصل ۲.۳ و ۲.۴).
وجود زیرفرآیندهای مناسب در کارکردهای ضعیف: کارکردهایی که در کل، آمادگی «پایین» دارند ممکن است درون خود خردهفرآیندهایی داشته باشند که کاملاً مناسب شروع باشند (فصل ۲.۳).
ایستا نبودن ارزیابیها: نمرات با تغییر قوانین، ارتقای زیرساخت و پذیرش اجتماعی تغییر میکنند و نباید ارزیابیها را دائمی و تغییرناپذیر فرض کرد (فصل ۲.۳ و ۲.۴).