تصور کنید یک دستگاه دولتی با کمک هوش مصنوعی، زمان بررسی یک سند را از هشت ساعت به بیست دقیقه کاهش دهد. این دستاورد چشمگیر است؛ اما اگر همان پرونده پس از بررسی، چند هفته در انتظار ارجاع، تأیید یا دریافت استعلام باقی بماند، متقاضی چه تغییری در کیفیت خدمت احساس خواهد کرد؟
این پرسش، نقطه شروع مناسبی برای گفت‌وگو درباره هوش مصنوعی در دولت است. میان سریع‌تر انجام‌شدن یک فعالیت اداری و بهترشدن تجربه مردم، فاصله‌ای وجود دارد که باید با اصلاح فرایند، مدیریت داده و روشن‌کردن مسئولیت‌ها پر شود.
گروه مشاوره بوستون، BCG، در مقاله‌ای منتشرشده در مه ۲۰۲۵ با عنوان «هوش مصنوعی چگونه می‌تواند بوروکراسی را کاهش دهد، کارایی را افزایش دهد و اعتماد به دولت را تقویت کند؟»، به این موضوع پرداخته است. تمرکز مقاله بر یکی از فعالیت‌های اصلی دستگاه‌های دولتی است: رسیدگی به درخواست‌ها و پرونده‌های مردم.
پیام مقاله برای نظام اداری ما نیز قابل‌تأمل است: ارزش هوش مصنوعی باید در نتیجه‌ای دیده شود که برای مردم و کارکنان ایجاد می‌کند.
بخش قابل‌توجهی از رسیدگی اداری به فعالیت‌هایی اختصاص دارد که ظاهراً ساده‌اند، اما در مجموع زمان زیادی می‌گیرند: خواندن مدارک، انتقال اطلاعات، شناسایی نواقص، جست‌وجوی مقررات، ارجاع پرونده و نوشتن پاسخ.
مقاله BCG شش نقطه کاربرد را در این مسیر معرفی می‌کند.
نخست، راهنمایی متقاضی هنگام ثبت درخواست است. بسیاری از پرونده‌ها از همان ابتدا با اطلاعات ناقص یا برداشت نادرست از شرایط خدمت وارد دستگاه می‌شوند. یک دستیار مناسب می‌تواند توضیح دهد هر بخش فرم چه معنایی دارد، چه مدارکی لازم است و کدام اطلاعات هنوز تکمیل نشده است.
دوم، استخراج اطلاعات از اسناد و تبدیل آنها به داده ساخت‌یافته است. این قابلیت می‌تواند از ورود دستی و چندباره اطلاعات بکاهد و وقت کارشناس را برای بررسی محتوایی آزاد کند.
سوم، کمک به بررسی و ارجاع پرونده است. هوش مصنوعی می‌تواند نواقص احتمالی را مشخص کند، موارد پیچیده را برای بررسی بیشتر علامت بزند و ارجاع مناسب را پیشنهاد دهد.
چهارم، دسترسی سریع‌تر به مقررات مرتبط است. کارشناس به‌جای جست‌وجو میان ده‌ها سند، می‌تواند برای یافتن حکم مرتبط و منبع آن از دستیار استفاده کند.
پنجم و ششم نیز تهیه پیش‌نویس تصمیم و تنظیم پیام روشن برای متقاضی است؛ پیامی که توضیح دهد نتیجه چه بوده، بر چه مبنایی اتخاذ شده و اقدام بعدی چیست.
این کاربردها نشان می‌دهند که فرصت مهم هوش مصنوعی، پشتیبانی از فعالیت‌های روزمره‌ای است که کیفیت انجام آنها بر کل خدمت اثر می‌گذارد.
مقاله از یک نهاد فدرال در یکی از کشورهای اتحادیه اروپا مثال می‌زند که برای بررسی مجوز توربین‌های بادی از هوش مصنوعی استفاده کرده است. طبق گزارش، زمان کنترل انطباق هر سند از بیش از هشت ساعت به کمتر از بیست دقیقه کاهش یافته است.
این مثال، ظرفیت فناوری را به‌خوبی نشان می‌دهد؛ بااین‌حال، باید دامنه آن را دقیق فهمید. عدد گزارش‌شده درباره یک فعالیت مشخص، یعنی کنترل انطباق سند است. از آن نمی‌توان نتیجه گرفت که زمان کل صدور مجوز نیز به همان نسبت کاهش یافته است.
برای ارزیابی تحول یک خدمت، باید تمام مسیر را دید: از ثبت درخواست تا دریافت نتیجه. ممکن است یک مرحله بسیار سریع شود، اما گلوگاه اصلی در مرحله دیگری باقی بماند.
معیار مهم برای مردم، زمان و دشواری کل مسیر دریافت خدمت است.
در انطباق این رویکرد با نظام اداری ایران، یک پرسش مقدماتی اهمیت دارد: آیا همه فعالیت‌هایی که می‌خواهیم با هوش مصنوعی سریع‌تر انجام دهیم، ضروری‌اند؟
اگر اطلاعاتی در یک پایگاه معتبر وجود دارد، باید امکان دریافت آن از همان منبع و حذف مطالبه مجدد از مردم بررسی شود. اگر چند واحد یک موضوع را به‌صورت تکراری کنترل می‌کنند، لازم است حدود مسئولیت و ضرورت این کنترل‌ها بازبینی شود. اگر پرونده به دلیل نامشخص‌بودن مرجع تصمیم میان واحدها جابه‌جا می‌شود، ابتدا باید اختیار و پاسخ‌گویی روشن شود.
هوش مصنوعی می‌تواند بررسی مدارک را تسریع کند؛ اما حذف یک مدرک غیرضروری، اصلاح یک تأیید تکراری یا تعیین مسئول تصمیم، به اقدام مدیریتی نیاز دارد.
از این منظر، پروژه هوش مصنوعی باید با شناخت مسئله و بازبینی فرایند آغاز شود. انتخاب ابزار، پس از روشن‌شدن این موارد معنا پیدا می‌کند.
یکی از پیشنهادهای کاربردی مقاله BCG، انتخاب دقیق محل شروع است. نویسندگان توصیه می‌کنند کاربرد اولیه چهار ویژگی داشته باشد: مسئله آن برای کارکنان شناخته‌شده باشد، حجم کار بالایی داشته باشد، ریسک آن قابل‌کنترل باشد و اصلاح آن در اختیار اجرایی مشخصی قرار گیرد.
برای نمونه، کنترل اولیه کامل‌بودن مدارک در یک خدمت پرتکرار می‌تواند گزینه‌ای برای بررسی باشد. در چنین کاربردی، دستیار فهرست نواقص احتمالی را تهیه می‌کند و کارشناس آن را بررسی و تأیید می‌کند.
شروع از یک محدوده مشخص کمک می‌کند اثر راه‌حل قابل‌سنجش باشد. البته محدودبودن پایلوت نباید باعث شود اتصال آینده به سامانه‌های موجود و منابع معتبر داده فراموش شود. ابزاری که کارکنان را به ورود مجدد اطلاعات وادار کند، ممکن است خود به لایه تازه‌ای از کار اداری تبدیل شود.
مقاله برای این مسیر سه مرحله پیشنهاد می‌کند: عارضه‌یابی فرایند، اجرای آزمایشی و سپس استقرار گسترده. توسعه باید پس از آن انجام شود که پایلوت، ارزش خود را برای کارکنان و دریافت‌کنندگان خدمت نشان داده باشد.
کارکنانی که هر روز با پرونده‌ها سروکار دارند، معمولاً جزئیاتی را می‌شناسند که در نمودار رسمی فرایند دیده نمی‌شود: مدارکی که مرتب ناقص ارسال می‌شوند، استثناهایی که به بررسی ویژه نیاز دارند، ابهام‌هایی که تماس‌های تکراری ایجاد می‌کنند و مرحله‌هایی که پرونده در آنها متوقف می‌شود.
این شناخت، یکی از منابع اصلی طراحی راه‌حل است.
مقاله BCG حدود ۷۰ درصد تلاش لازم برای اجرای تحول را به افراد و فرایندها مرتبط می‌داند؛ در کنار ۲۰ درصد برای فناوری و زیرساخت و ۱۰ درصد برای الگوریتم‌ها. این نسبت، الگویی تجربی درباره تمرکز تلاش اجرایی است و نباید آن را سهم‌بندی قطعی بودجه دانست.
پیام عملی آن روشن است: مشارکت کارکنان باید از تعریف مسئله آغاز شود و در آزمون، اصلاح و بهره‌برداری ادامه یابد. آموزش نیز باید به همان وظایفی متصل شود که قرار است تغییر کنند؛ از بررسی اعتبار پاسخ گرفته تا تشخیص مواردی که نیازمند قضاوت انسانی‌اند.
هرچه نقش هوش مصنوعی در رسیدگی به پرونده‌ها بیشتر شود، کیفیت و اعتبار اطلاعات اهمیت بیشتری پیدا می‌کند.
اگر دستیار به مقررات منسوخ استناد کند یا نتواند میان نسخه‌های مختلف یک سند تمایز بگذارد، سرعت پاسخ‌گویی می‌تواند به انتشار سریع‌تر خطا منجر شود. اگر اطلاعات پرونده ناقص باشد، نتیجه تحلیل نیز ممکن است قابل‌اتکا نباشد.
بنابراین، از ابتدای طراحی باید مشخص شود:
منابع معتبر داده و مقررات کدام‌اند؟
مسئول به‌روزرسانی و رفع تعارض اطلاعات چه کسی است؟
چه افرادی به اطلاعات پرونده دسترسی دارند؟
خروجی چگونه بررسی و تأیید می‌شود؟
منشأ پاسخ و مسئول تصمیم چگونه قابل‌پیگیری است؟
این پرسش‌ها، حکمرانی داده را به بخشی از طراحی خدمت تبدیل می‌کنند. به‌ویژه در تصمیم‌هایی که بر حقوق مردم اثر دارند، تعیین مسئول تأیید، ثبت دلایل و امکان پیگیری خطا ضروری است.
تعداد ابزارهای راه‌اندازی‌شده، کاربران ثبت‌نام‌کرده یا پاسخ‌های تولیدشده، برای شناخت میزان استفاده مفید است؛ اما به‌تنهایی بهبود خدمت را نشان نمی‌دهد.
پیش از اجرای پایلوت باید وضع موجود ثبت شود و سپس تغییر چند شاخص بررسی شود: زمان کل رسیدگی، نرخ بازگشت پرونده، میزان خطا، زمان صرف‌شده کارکنان، مراجعات تکراری و میزان فهم متقاضی از نتیجه.
همچنین باید هزینه رسیدگی به خطاهای جدید را محاسبه کرد. صرفه‌جویی اولیه ممکن است با نیاز به بازبینی گسترده خروجی‌ها کاهش یابد. ارزیابی باید مجموع آثار را ببیند.
مقاله BCG، بهبود خدمات با هوش مصنوعی را به تقویت اعتماد به دولت پیوند می‌دهد. این پیوند قابل‌فهم است؛ اما اعتماد، نتیجه خودکار به‌کارگیری فناوری نیست.
مردم زمانی بهبود را احساس می‌کنند که پاسخ دقیق‌تری دریافت کنند، دلیل تصمیم را بفهمند، از وضعیت پرونده خود آگاه باشند و در صورت بروز خطا، مسیر مؤثری برای پیگیری داشته باشند.
پاسخ سریع، اگر مبهم یا نادرست باشد، می‌تواند نارضایتی را بیشتر کند. کیفیت ارتباط و پاسخ‌گویی باید همراه با سرعت رشد کند.
البته مقاله ماهیتی مشاوره‌ای دارد و نمونه‌های آن عمدتاً بدون ذکر نام دستگاه ارائه شده‌اند. برخی منافع نیز پیش‌بینی‌شده‌اند. بنابراین، استفاده از آن برای سیاست‌گذاری در ایران باید بر اجرای آزمایشی و سنجش مستقل نتایج تکیه کند.
برای نظام اداری ایران، نقطه شروع عملی می‌تواند انتخاب چند خدمت پرتکرار، شناسایی گلوگاه‌های آنها و اجرای پایلوت با مشارکت مسئولان فرایند، کارکنان، متخصصان داده و فناوری باشد.
پرسشی که باید در تمام این مسیر تکرار شود، ساده است:
این تغییر، دقیقاً کدام انتظار، مراجعه، خطا یا دشواری مردم را کاهش می‌دهد؟
منبع: گروه مشاوره بوستون، مه ۲۰۲۵
How AI Can Cut Through Bureaucracy, Boost Efficiency, and Build Trust in Government
پیشنهادهای مربوط به نظام اداری ایران، تحلیل و برداشت انطباقی این نوشته از مقاله اصلی‌اند.
