سازمان همکاری و توسعه اقتصادی (OECD) در گزارشی جامع خود با عنوان «Governing with Artificial Intelligence: The State of Play and Way Forward in Core Government Functions» (2025)، به بررسی نقش تحول‌آفرین هوش مصنوعی در کارکردهای کلیدی دولت پرداخته است. در بخشی از این گزارش که به «طراحی و ارائه مقررات» (Regulatory Design and Delivery) اختصاص یافته، به یکی از محورهای اصلی، کاربرد هوش مصنوعی در ارزیابی پیشینی تأثیرات قانونی (RIA) می‌پردازد. این گزارش نشان می‌دهد که چگونه هوش مصنوعی می‌تواند با برآورد خودکار هزینه‌های انطباق، شبیه‌سازی تأثیرات بودجه‌ای و اقتصادی، پیش‌بینی واکنش‌های پارلمانی، و کشف تعارضات حقوقی پیش از تصویب قوانین، فرآیند RIA را از یک بررسی صرفاً اداری به یک ابزار پویا، داده‌محور و آینده‌نگر تبدیل کند و بدین‌ترتیب، حکمرانی نظارتی را به رویکردی انطباقی و یادگیرنده سوق دهد.
1) برآورد خودکار هزینه‌های انطباق (Compliance Cost Estimation): هوش مصنوعی با استفاده از تکنیک‌های یادگیری ماشین و پردازش زبان طبیعی، قادر است پاراگراف‌های کلیدی پیش‌نویس قوانین را که بر هزینه‌های مالی کسب‌وکارها تأثیر می‌گذارند، شناسایی و دسته‌بندی کند.
2) مدل‌سازی تأثیرات بودجه‌ای و اقتصادی (Budgetary & Economic Impact Modelling): این گزارش به صراحت به ابزار «PolicyEngine» اشاره دارد که با ترکیب قوانین دیجیتال‌شده و هوش مصنوعی، به تحلیلگران دولتی امکان می‌دهد تا تغییرات پارامترهای سیاستی مانند نرخ مالیات یا مبلغ یارانه را شبیه‌سازی کنند و تأثیر آن را بر درآمد دولت و بودجه سالانه، به‌صورت لحظه‌ای و کمی، محاسبه نمایند. این ابزار که با ChatGPT نیز یکپارچه شده است، خروجی‌های عددی را به زبانی تفسیرپذیر تبدیل می‌کند و به تصمیم‌گیرندگان اجازه می‌دهد تا پیش از تصویب نهایی قانون، تصویر روشنی از پیامدهای مالی آن بر بودجه عمومی داشته باشند.
3) شبیه‌سازی تأثیر سیاست‌های نوآورانه بر اقتصاد منطقه‌ای (Simulation of Innovation Policies): در حوزه ارزیابی پیشینی، هوش مصنوعی امکان اجرای سناریوهای پیچیده را فراهم می‌آورد. نمونه آن ابزار «IPSE» (شبیه‌سازی سیاست نوآوری برای اقتصاد هوشمند) است که با استفاده از پروفایل‌های منطقه‌ای و داده‌های بخشی، اثرات ابزارهای مختلف سیاستی را پیش از اجرا شبیه‌سازی می‌کند. این کار به تنظیم‌گران امکان می‌دهد تا کارایی گزینه‌های نظارتی را در محیط‌های اقتصادی-اجتماعی متفاوت، بدون ریسک اجرای واقعی، آزمون کنند. برای نمونه، فرد می‌پرسد که اگر مشوق‌های مالیاتی را فقط به صنایع دانش‌بنیان در استان‌های محروم اختصاص دهیم، چه می‌شود؟ و هوش مصنوعی رشد اقتصادی، اشتغال و بهره‌وری آن منطقه را در سناریوهای مختلف پیش‌بینی می‌کند.
4) پیش‌بینی واکنش‌های پارلمانی و قابلیت‌پذیری سیاسی (Parliamentary Reaction Forecasting): هوش مصنوعی به ارزیابی ابعاد سیاسی و نهادی لوایح کمک می‌کند. برای نمونه سامانه «Parlex» در بریتانیا با تحلیل انبوهی از سوابق تاریخی پارلمان، پیش‌بینی می‌کند که نمایندگان مجلس چگونه به یک سیاست پیشنهادی واکنش نشان خواهند داد. این بررسی ارتعاشی پارلمانی به تدوین‌گران قانون امکان می‌دهد تا پیش از ارائه رسمی لایحه، راهبردهای اجرایی خود را اصلاح کرده و موانع احتمالی تصویب را پیشینی شناسایی و مدیریت نمایند.
5) تطبیق‌دهی خودکار با قوانین موجود و کشف تعارضات حقوقی (Legal Cross-referencing): سیستم‌های مبتنی بر مدل‌های زبانی بزرگ (مانند سامانه «Lex» در بریتانیا) با قابلیت جستجوی معنایی و کاوش در پیکره عظیم قوانین، پیش‌نویس مقررات جدید را با قوانین موجود تطبیق می‌دهند و به‌طور خودکار تناقضات، شکاف‌ها و ابهامات حقوقی را آشکار می‌سازند. این فرایند، بخش کیفی RIA را متحول می‌کند، زیرا به جای بررسی دستی و زمان‌بر، انسجام حقوقی لایحه را در کسری از زمان ممکن ساخته و یادداشت‌های توجیهی دقیقی برای هر ماده قانونی تولید می‌نماید.
6) پیش‌بینی لحظه‌ای متغیرهای کلان برای مبانی بودجه‌ریزی: کاربرد دیگر هوش مصنوعی در RIA، ارائه پیش‌بینی‌های لحظه‌ای از شاخص‌های کلان اقتصادی نظیر تولید ناخالص داخلی است. در سوئد، مدل‌های یادگیری ماشین تفسیرپذیر، نه‌تنها دقت بالاتری نسبت به پیش‌بینی‌های رسمی سنتی دارند، بلکه توانایی بصری‌سازی تأثیر متغیرها در طول زمان را نیز دارا هستند. این داده‌های به‌روز و دقیق، مبنای محکمی برای مفروضات اقتصادی ارزیابی‌های پیشینی تأثیر قانون بر بودجه و منابع ملی فراهم می‌کنند.
7) تحلیل و سنتز داده‌های حاصل از مشارکت عمومی (Stakeholder Sentiment Analysis): ارزیابی تأثیرات اجتماعی یک قانون، وابسته به دریافت بازخورد گسترده از ذی‌نفعان است. هوش مصنوعی با استفاده از الگوریتم‌های خوشه‌بندی و تحلیل احساسات، قادر است هزاران نظر دریافت‌شده در مشاوره‌های عمومی را به‌سرعت دسته‌بندی، اولویت‌بندی و خلاصه‌سازی کند. این قابلیت به تنظیم‌گران اجازه می‌دهد تا در مرحله پیشینی، نقاط اجماع، نظرات اقلیت و نگرانی‌های جدی جامعه را به‌صورت سیستمی استخراج کنند و RIA را بر پایه داده‌های واقعی و نه قضاوت‌های حدسی، بازطراحی نمایند.
8) شناسایی ریسک‌های نوظهور و نیازهای نظارتی آینده (Anticipatory Risk Detection): هوش مصنوعی به تنظیم‌گران قدرت می‌دهد تا با پایش مستمر داده‌های چندمنظوره (گزارش‌های بازار، رسانه‌های اجتماعی، فناوری‌های نوین)، سیگنال‌های ضعیف از تغییرات صنعتی و ریسک‌های نوپدید را شناسایی کنند. این امر به معنای ارزیابی پیشینی فراتر از لایحه فعلی است. یعنی دولت می‌تواند پیش از بروز بحران، چارچوب نظارتی مناسب را طراحی کند و در گزارش RIA خود، تأثیرات درازمدت و آینده‌نگر را نیز لحاظ نماید که از خلاهای مرسوم در ارزیابی‌های سنتی جلوگیری می‌کند.
9) آزمون قابلیت اجرای سیستمی از طریق «قوانین به‌عنوان کد» (Rules as Code – RaC): گزارش بر اهمیت تدوین قوانین به‌گونه‌ای تأکید دارد که قابل تبدیل به فرمت ماشینخوان باشند. در این رویکرد، هوش مصنوعی می‌تواند پیش از اجرای قانون، انطباق‌پذیری فرایندهای اداری را با کدهای مقرراتی آزمایش کرده و مغایرت‌های سیستمی مانند بن‌بست‌های رویه‌ای یا حلقه‌های بی‌نهایت در پردازش پرونده‌ها را که در متن سنتی قانون هرگز قابل شناسایی نیستند، کشف کند.
10) پیش‌بینی هزینه‌های بودجه‌ای سالانه برای برنامه‌های خاص (Departmental Budget Forecasting): در سطح خردتر، هوش مصنوعی به وزارتخانه‌ها امکان می‌دهد تا پیامدهای مالی هر تصمیم سیاستی را بر بودجه عملیاتی خود شبیه‌سازی کنند. به عنوان نمونه، وزارت امور کهنه‌سربازان استرالیا با استفاده از سیستم‌های پیش‌بینی‌کننده، هزینه‌های مالی سالانه به ازای هر دریافت‌کننده خدمات را برآورد کرده و میانگین سال‌های بهره‌مندی را محاسبه می‌نماید. این ارقام مستقیماً در فرایند هزینه‌یابی، برآورد بودجه و ارزیابی پیشینی اثرات مالی لایحه استفاده می‌شوند و شکاف بین تحلیل اقتصادی کلان و برنامه‌ریزی بودجه‌ای خرد را پر می‌کنند.
11) ارزیابی تأثیر بر گروه‌های خاص و عدالت توزیعی (Distributional Impact Assessment): هوش مصنوعی می‌تواند تأثیر یک قانون را بر گروه‌های مختلف جمعیتی (بر اساس درآمد، جنسیت، منطقه، نژاد و ...) به‌صورت تفکیک‌شده شبیه‌سازی کند. این امر به ارزیاب اجازه می‌دهد تا پیش از تصویب، تشخیص دهد که آیا قانون جدید باعث تشدید نابرابری می‌شود یا خیر؛ که این خود یکی از ارکان پیشرفته RIA محسوب می‌شود.
12) ساده‌سازی و شفاف‌سازی متون قانونی برای عموم (Plain Language Translation): قابلیت هوش مصنوعی در تبدیل متون پیچیده حقوقی به زبان ساده، در بخش مشارکت عمومی مطرح شده است. این کار اگرچه مستقیماً یک اقدام ارزیابی‌محور نیست، اما کیفیت مشاوره‌های عمومی را بالا می‌برد و بازخوردهای دقیق‌تری را برای ارزیابی پیشینی فراهم می‌سازد.
13) یکپارچه‌سازی داده‌های بین‌دستگاهی برای ارزیابی جامع (Cross-agency Data Integration): گزارش بر این نکته تأکید دارد که یکی از موانع RIA سنتی، عدم دسترسی به داده‌های پراکنده در دستگاه‌های مختلف است. هوش مصنوعی با قابلیت اتصال به پایگاه‌های داده‌ی متعدد مانند سامانه‌های مالیاتی، گمرکی، بیمه و ...، امکان ارزیابی چندبعدی را فراهم می‌کند که در روش‌های سنتی غیرممکن است.
14) پیش‌بینی بار اداری و هزینه‌های اجرایی بر روی دولت (Administrative Burden Forecasting): هوش مصنوعی می‌تواند حجم کاری جدیدی که یک قانون بر دوش کارمندان دولت تحمیل می‌کند (مثلاً تعداد پرونده‌های جدید، زمان پردازش و نیروی انسانی موردنیاز) را پیش‌بینی کند. این مورد در بخش‌های مرتبط با خدمات عمومی و مدیریت منابع انسانی به‌صورت ضمنی مطرح شده است.
15) تحلیل ریسک‌های سیستمی و اثرات دومینو (Systemic Risk & Cascading Effects): در بخش مدیریت بحران و پیش‌بینی جرم، گزارش نشان می‌دهد که هوش مصنوعی می‌تواند اثرات زنجیره‌ای یک تصمیم را در کل سیستم شبیه‌سازی کند. این قابلیت برای RIA به این معناست که یک قانون صرفاً بر حوزه‌ی مستقیم خود تأثیر نمی‌گذارد، بلکه ممکن است بازارهای دیگر، امنیت عمومی یا حتی رفتار شهروندان را نیز دگرگون کند.
بنابراین، بر اساس گزارش، هوش مصنوعی فرصتی بی‌نظیر برای نظام تقنینی کشورها فراهم می‌کند تا ارزیابی پیشینی تأثیرات قوانین را از یک فرآیند منفعل و فرم‌گرا، به سازوکاری پویا، داده‌محور و شواهدبنیان تبدیل کند. از این رو، ایران باید با نگاهی راهبردی و فرابخشی، زیرساخت‌های داده‌ای و نهادی موردنیاز برای بهره‌گیری از این فناوری را ایجاد کرده و با ترویج فرهنگ تصمیم‌گیری مبتنی بر شبیه‌سازی و سناریوسازی، گامی بنیادین به‌سوی ارتقای کیفیت قوانین و کاهش هزینه‌های عمومی بردارد.
