Os governos começaram a confiar na inteligência artificial (IA) para fornecer serviços e melhorar as operações, mas o uso dele para ajudar a moldar a política está apenas começando. Os fundamentos da fabricação de políticas-especificamente, a capacidade de sentir padrões de necessidade, desenvolver programas baseados em evidências, resultados de previsão e analisar a eficácia-caem diretamente no ponto ideal da IA.
AI não substituirá os formuladores de políticas, mas pode permitir uma abordagem abrangente, mais rápida e mais rigorosa da formulação de políticas no curto prazo. De maneira mais ampla, a IA pode cumprir a promessa de um governo do futuro Isso é mais receptivo e não deixa ninguém para trás. Quando a IA entra no mainstream, essas são aspirações altas, mas alcançáveis, para a formulação de políticas públicas.
AI não é uma opção sem risco. Seus algoritmos - os motores que geram inteligência a partir de dados brutos - podem reforçar as práticas discriminatórias existentes. E suas ferramentas, como o reconhecimento facial, podem violar as proteções de privacidade. A solução para essas deficiências é cumprir os princípios do que chamamos de “ AI responsável , "Como responsabilidade, transparência e justiça, em vez de abandonar uma capacidade com esse potencial. (Veja a barra lateral" Os princípios da IA responsável no setor público ".)
The Principles of Responsible AI in the Public Sector
The general problem is that AI engines generate insights based on historical data that may have built-in bias. A housing or criminal justice policy built from an AI engine that has been fed data based on past discriminatory practices will unwittingly carry them forward.
Responsible AI is meant to help policymakers be thoughtful about risks, rights, ethics, and buy-in from both civil servants and citizens. It is particularly critical for the public sector to follow value-based principles when applying AI to policies that have significant impact on citizens’ lives. BCG’s responsible AI principles provide a comprehensive approach to protecting against these shortcomings. (See the exhibit below.)
These principles are generally applicable but are more or less relevant depending on the different policymaking steps. During the identification stage, for example, the principles of social and environmental impact and human plus AI are especially important. Keeping humans in the loop serves as a sanity check, improving the overall quality of policies, their cost-benefit calculations, and societal value. During implementation, fairness and equity ensures that policymakers avoid perpetuating unconscious bias or discriminatory practices.
Por que a formulação de políticas é tão complexa
Por sua natureza, a formulação de políticas é longa, política e burocrática. Os processos destinados a garantir que a contribuição pública geralmente são mais acessíveis a lobistas e outros que colocam interesses privados acima dos públicos. E é demorado a evidência de organização de políticas propostas ou para provar sua eficácia. As próprias políticas tendem a ser construídas em torno de tópicos como saúde ou educação que são mais estreitos do que os amplos problemas socioeconômicos que eles devem abordar. A ineficiência, a sobreposição e a contradição abundam.
Data is the raw material and AI the tool that can allow policymakers to generate more effective, targeted, and cost-conscious policies that actually improve people’s lives.
Equilibrar forças políticas concorrentes durante a formulação de políticas nunca será arrumada. Mas os dados são a matéria-prima e a ferramenta que pode permitir que os formuladores de políticas geram políticas mais eficazes, direcionadas e conscientes de custos que realmente melhoram a vida das pessoas. AI pode permitir a compreensão e a integração. A formulação de políticas não é uma atividade única, mas um processo cíclico de seis estágios de identificação, formulação, adoção, implementação e avaliação. (Veja a exposição.) Em cada estágio, a IA pode ajudar os formuladores de políticas a gerar mais valor e impacto.
AI and the Policymaking Cycle
Although governments want to use evidence to inform their policy decisions, that evidence is often incomplete, partially understood, or poorly integrated into decision making and policymaking. AI can enable both understanding and integration. Policymaking is not a single activity but a cyclical six-stage process of identification, formulation, adoption, implementation, and evaluation. (See the exhibit.) At each stage, AI can help policymakers generate more value and impact.
Identificação. Essa capacidade é especialmente útil durante uma crise, como a atual pandemia de coronavírus, um desastre ambiental ou escassez de alimentos. O aprendizado de máquina pode gerar informações em tempo real, permitindo que os líderes e formuladores de políticas do setor público tomem medidas rápidas. Dentro de quatro meses após o uso, a ferramenta permitiu que as autoridades estaduais identificassem seis preocupações com a saúde pública. A importância de tais ferramentas precoces é particularmente relevante em uma ERA COVID-19. AI tools can rapidly synthesize large amounts of data and detect patterns. This capability is especially useful during a crisis, such as the current coronavirus pandemic, an environmental disaster, or food shortages. Machine learning can generate insights in near real time, allowing public-sector leaders and policymakers to take swift action.
In Australia, the Victoria State Government’s “syndromic surveillance” program tracks reported symptoms and patient characteristics in hospitals. Within four months of use, the tool allowed state officials to identify six public health concerns. The importance of such early-warning tools is particularly relevant in a COVID-19 era.
Formulação. A IA pode turboar essa análise, fornecendo informações rápidas sobre subconjuntos muito menores de populações e regiões geográficas. Ao analisar dados do governo, setor privado, terceiros e mídias sociais, o governo pode localizar e ajustar os planos de desenvolvimento econômico mais rápido e mais acessível do que o anteriormente possível. Enquanto isso, um governo do Oriente Médio aplicou ferramentas de detecção de padrões aos dados comerciais globais para melhorar o equilíbrio de pagamento do país e estabelecer políticas comerciais mais vantagemosas. Um órgão legislativo aprova uma lei; Uma agência regulatória emite uma nova regra. Armado com idéias geradas usando IA durante os estágios anteriores, reguladores e legisladores estarão melhor equipados para tomar decisões mais informadas. Eles terão um entendimento mais firme dos problemas, permitindo que eles prevê melhor o impacto potencial de uma política. || 3726 Governments routinely try to forecast the projected costs, benefits, and outcomes of policy options. AI can turbocharge this analysis by providing speedy insights on much smaller subsets of populations and geographic regions.
In Quebec, economic development specialists are leveraging AI tools to develop a more-nuanced understanding of economic, labor, and education differences among subregions. By analyzing government, private-sector, third-party, and social media data, the government can localize and fine-tune economic development plans faster and more affordably than previously possible. Meanwhile, a Middle Eastern government has applied pattern-sensing tools to global trade data to improve the country’s balance of payment and establish more-advantageous trade policies.
Adoption. AI can play an important role in this stage, which is historically political. A legislative body passes a law; a regulatory agency issues a new rule. Armed with insights generated using AI during the prior stages, regulators and lawmakers will be better equipped to make more-informed decisions. They will have a firmer understanding of the issues, allowing them to better forecast a policy’s potential impact.
Implementation. Uma política é tão boa quanto sua implementação. As ferramentas de IA podem ajudar a implementar as políticas com mais eficiência por meio da automação e da análise quase em tempo real do feedback do campo. Em Nova Orleans, por exemplo, uma agência de serviços de emergência queria criar uma política orientada a dados para melhorar os tempos de resposta da ambulância. A cidade confiou na IA para otimizar a colocação das ambulâncias mais próximas de onde eram mais necessárias. Foi preciso um cuidado especial para projetar os algoritmos para explicar as práticas históricas que impediam os bairros pobres de receber serviços mais rápidos.
avaliação. As políticas também são tão boas quanto os ajustes feitos após a implementação para corrigir o que não está funcionando no campo. As ferramentas de IA podem acelerar a avaliação de coisas que precisam mudar, identificando onde uma política pode estar aquém ou sujeita a fraude. No Reino Unido, a IA está ajudando os funcionários do governo a estimar o impacto de um imposto sobre carbono nas emissões e na produtividade geral dos negócios. Tornar essa avaliação é difícil devido à ausência de um "contrafactual": conhecimento do que teria acontecido sem o imposto. Mas as simulações de IA ajudam a otimizar as taxas de imposto para reduzir as emissões e manter a produtividade.
How to Start
Since governments are already experimenting with and integrating AI, the time is ripe to use it to support good policymaking.
Como os governos já estão experimentando e integrando a IA em entrega e operações, o tempo está pronto para usá -lo para suportar uma boa formulação de políticas. Diferentes níveis de governo têm vantagens únicas nesse domínio. Os governos nacionais provavelmente terão acesso a grandes conjuntos de dados e podem usar a IA para integrar tópicos e fortalecer e coordenar as agendas nacionais. Mais perto do terreno, os governos estaduais e provinciais têm a oportunidade de adaptar as políticas a comunidades específicas de suas regiões. Perto do ponto de entrega, os governos locais terão a melhor oportunidade de entender as perspectivas constituintes, moldar os instrumentos políticos, supervisionar a implementação e avaliar os resultados. De fato, a IA permite que os governos regionais e locais, que geralmente não tenham capacidades políticas robustas, saltam para a frente em sua formulação de políticas. Isso é verdade nos setores público e privado. Nosso trabalho nas transformações digital, tecnológico e de IA demonstra que
In general, technology isn’t the primary barrier to successful AI implementation. This is true in both the private and public sectors. Our work in digital, technological, and AI transformations demonstrates that Os algoritmos representam apenas 10% do sucesso de um projeto, enquanto o ambiente mais amplo de tecnologia e engenharia é responsável por 20%. Os 70% restantes depende de pessoas e processos. No setor público, isso inclui a construção de confiança entre cidadãos e funcionários públicos de que a IA é segura, responsável e eficaz. Em vez disso, requer uma abordagem atenciosa para pilotar projetos, estabelecer prioridades, construir habilidades e capacidades, gerenciar fornecedores e garantir a confiança do público. Essas metas podem ser alcançadas criando três transmissões de trabalho principais: construindo o caso de negócios, projetando recursos operacionais e criando a infraestrutura de dados.
In other words, public officials can’t simply flip a switch to activate AI in policymaking. Rather, it requires a thoughtful approach to piloting projects, establishing priorities, building skills and capabilities, managing vendors, and ensuring public trust. These goals can be achieved by creating three main workstreams: building the business case, designing operating capabilities, and creating the data infrastructure.
Construindo o caso de negócios. A implementação da IA por causa da IA é imprudente. Ele precisa ser implantado a serviço de desafios políticos específicos, em sincronia com os recursos da organização e com a aceitação de funcionários e cidadãos. A adesão aos princípios da IA responsável ajudará a construir essa aceitação, especialmente entre aqueles que são céticos em tecnologia.
A big-bang approach is unlikely to succeed. Projetos de IA mais bem -sucedidos Comece pequeno, mas com um plano de escalar. É mais fácil, por exemplo, criar cenários habilitados para AI para uma política proposta inicialmente do que confiar na IA para criar uma solução política detectando padrões em conjuntos de dados enormes e complexos. Ambos são recursos importantes, mas a ordem das operações é importante. Como sistemas de IA, governança e capacidades melhoram, as organizações podem enfrentar desafios maiores. Os governos eventualmente desejam criar amplas estratégias de IA que estão totalmente integradas à missão maior.
Projetando recursos operacionais. retornando à formulação de 10%-20%-70%, o sucesso da introdução da IA na formulação de políticas depende em grande parte das pessoas e processos. As agências governamentais precisarão adaptar seus modelos operacionais para ter sucesso. Especificamente, eles precisarão de uma nova mistura de habilidades e talentos dentro da organização e um novo conjunto de parceiros de tecnologia fora dela. O governo dos EUA, por exemplo, lançou novos escritórios para criar uma estratégia para recrutar e desenvolver talentos digitais e analíticos. Eles também precisam do contexto certo, ou modelo de operação. Uma cultura de coleta, sintetização e compartilhamento de dados pode não ser comum em muitas agências governamentais. A adesão aos princípios da IA responsável precisa ser tecida na nova cultura. Consequentemente, os governos também podem considerar a criação de um escritório de análise de dados se ainda não tiverem um. Esse escritório poderia promover inovação e colaboração e garantir que os princípios da IA responsável sejam incorporados a projetos. O Reino Unido se destacou nesta frente. O Escritório de Tecnologia e Inovação de Londres, por exemplo, é um centro virtual que desenvolve e suporta colaborações de dados em serviços públicos na cidade. Os analistas são despachados para projetos de forma necessária, garantindo que a experiência em ciência de dados seja implantada com eficiência no campo, em vez de enclausuradas em uma torre de marfim. Ao procurar parceiros no setor privado e universidades, as agências governamentais podem obter acesso a novas fontes e insights de dados, novas maneiras de trabalhar, talento e experiência em implementação. Um exemplo interessante de parceria é a colaboração da Five Eyes Intelligence. Essa aliança entre a Austrália, Canadá, Nova Zelândia, Reino Unido e EUA foi criada após a Segunda Guerra Mundial para compartilhar inteligência, mas ampliou sua missão de compartilhar conhecimento sobre análise de dados e IA.
Successful AI projects need more than the right people and skills. They also need the right context, or operating model. A culture of data gathering, synthetizing, and sharing may not be common at many government agencies. Adherence to the principles of responsible AI needs to be woven into the new culture.
Applying AI to policymaking will likely occur within the context of broader machine data and analytics initiatives. Accordingly, governments could also consider creating a data analytics office if they don’t already have one. Such an office could promote innovation and collaboration and ensure that the principles of responsible AI are embedded into projects. The UK has excelled on this front. The London Office of Technology and Innovation, for example, is a virtual hub that develops and supports data collaborations across public services in the city. Analysts are dispatched to projects on an as-needed basis, ensuring data science expertise is deployed efficiently in the field rather than cloistered in an ivory tower.
Deploying AI to assist in policymaking will likely require working with partners and vendors, especially when in-house capabilities are lacking. By seeking partners in the private sector and universities, government agencies can gain access to new data sources and insights, new ways of working, talent, and implementation expertise. An interesting example of partnership is the Five Eyes intelligence collaboration. This alliance among Australia, Canada, New Zealand, the UK, and the US was created after World War II to share intelligence but has broadened its mission to share knowledge about data analytics and AI.
Criando a infraestrutura de dados. AI depende de uma plataforma digital sólida que tenha acesso a dados em tempo real de várias fontes: dados abertos, dados do setor público, dados do cidadão, dados de terceiros e assim por diante. Um dos primeiros passos para funcionários do governo é Dados gratuitos de silos e explorar conjuntos de dados externos, como canais de mídia social, que podem ter um valor único para a formulação de políticas. Por exemplo, o Pulse Global da ONU, uma iniciativa Big Data e AI, está usando informações de compras de tempo de antena de telefone móvel e registros de chamadas anonimizados para rastrear a pobreza e influenciar a política de saúde e alimentos. Os governos também podem usar essa plataforma para criar confiança e transparência com o público, criando políticas de dados abertos. Dubai, por exemplo, vê dados abertos como um elemento crítico de se tornar uma cidade inteligente. Esses tópicos também atuam como paredes que separam conjuntos de dados relacionados que podem gerar informações melhores e mais amplas, se reunidas. Mesmo dentro do mesmo tópico, programas sobrepostos podem criar labirintos burocráticos. Em muitos países, camadas de programas de benefícios sociais geram desperdício e consequências não intencionais. Para um governo que luta para ajudar as famílias necessitadas, a IA pode ajudar a colocar recursos onde eles fornecerão os melhores resultados, seja emprego, educação ou apoio à habitação. O modelo Smart City é emblemático dessa abordagem unida à política.
AI and the Government of the Future
One of the longer-term benefits of introducing AI into policymaking is the potential to break down the topic silos, such as education, health, and labor, that define and constrain government policies and processes. These topics also act as walls that separate related data sets that could generate better, broader insights if brought together. Even within the same topic, overlapping programs can create bureaucratic mazes. In many countries, layers of social benefit programs generate waste and unintended consequences. For a government struggling with assisting families in need, AI can help put resources where they will deliver the best results, whether that’s employment, education, or housing support.
By increasing the scale and type of information available to decision makers, AI can help governments tackle problems comprehensively rather than narrowly. The smart city model is emblematic of this joined-up approach to policy.
Os governos têm uma escolha. Eles podem adotar com responsabilidade a IA e outras tecnologias digitais para melhorar a tomada de decisões humanas, ou podem ficar para trás. Assim como os líderes do governo receberam fotos iniciais para aumentar a confiança nas vacinas, os líderes também podem abrir o caminho para a IA. Eles podem fazer casos de negócios fortes e criar recursos e infraestrutura de dados. Eles podem incorporar AI com responsabilidade na formulação de políticas para melhorar a vida de seus cidadãos e sociedade como um todo. Contribuições para este artigo. Jaykumar Patel
The authors would like to thank Nadim Abillama, Akram Awad, Elias Baltassis, Adrian Brown, Miguel Carrasco, Vincent Chin, Daniel Jackiewicz, Sarah Mousa, Lucie Robieux, Thea Snow, and Vera Wijaya for their invaluable contributions to this article.
