افزایش ۵ برابری شکایات مالی آمریکا بر اثر هجوم عامل‌های هوش مصنوعی

تصور کنید سال‌هاست حقی قانونی دارید، اما به‌دلیل پیچیدگی فرم‌ها و ترس از بروکراسی، هرگز برای آن درخواست نداده‌اید. حالا یک عکس از نامه‌ای قدیمی می‌گیرید و در چند ثانیه، یک دادخواست حقوقی بی‌نقص دارید؛ این دقیقاً همان اتفاقی است که سیستم‌های اداری آمریکا را به زانو درآورده است.

اداره حمایت از مصرف‌کنندگان خدمات مالی (CFPB) در ایالات متحده، بین سال‌های ۲۰۲۲ و ۲۰۲۳ با افزایش ۵ برابری شکایات مواجه شد. این جهش عظیم توسط گسترش ابزارهای هوش مصنوعی تحریک شده است. کریس اشمیتز (Chris Schmitz)، پژوهشگر این حوزه، این پدیده را «سیل عامل‌محور» (Agentic Flooding) می‌نامد؛ وضعیتی که در آن عامل (Agent) — شبیه به یک دستیار شخصی که هم فکر می‌کند و هم عمل می‌کند — موانع اداری را برای کاربران از بین می‌برد و نحوه تعامل شهروندان با بروکراسی دولتی را در سطح جهانی تغییر می‌دهد.

خدمات عمومی اکنون با عصر جدیدی از دسترسی روبه‌رو هستند. برای دهه‌ها، «بار اداری» (Administrative Burden) یا همان تلاش زیاد برای جمع‌آوری مدارک و پر کردن فرم‌های پیچیده، مانند یک دیوار بلند جلوی مردم بود و به عنوان یک مانع برای ورود عمل می‌کرد. اکنون مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — به پلی تبدیل شده‌اند که به کاربران اجازه می‌دهد یک عکس از یک نامه یا مجموعه‌ای از یادداشت‌های پراکنده را در عرض چند ثانیه به یک دادخواست حقوقی رسمی تبدیل کنند. این موج تولید محتوا توسط ماشین‌ها بخشی از روند گسترده‌تری است که در آن یک‌سوم صفحات جدید وب با اثر انگشت هوش مصنوعی منتشر می‌شوند و مرز میان تولید انسانی و ماشینی را کمرنگ می‌کند.

زمینه جهانی

طبق گزارش تک‌کرانچ (TechCrunch) در ۱۰ سپتامبر ۲۰۲۶، این روند محدود به آمریکا نیست. در بریتانیا، شکایات ارسالی به بازرسی مسکن (Housing Ombudsman) از ۲۶۰۰ مورد در سال ۲۰۲۲ به بیش از ۷۰۰۰ مورد در سال گذشته رسید.

الگوهای مشابهی در دادخواست‌های پارلمانی آلمان و پرونده‌های قضایی برزیل نیز دیده شده است. اشمیتز طیه طیف گسترده‌ای از خدمات، از درخواست‌های رسمی تجدیدنظر قضایی گرفته تا درخواست‌های رفاهی را بررسی کرد و دریافت هر سرویسی که دارای یک درگاه آنلاین باشد، اکنون در معرض دسترسی دستیارهای هوش مصنوعی و این سیل است.

سازوکار این جهش

اشمیتز برای شناسایی این الگو، ۸۴ مورد مختلف را در ۱۱ حوزه قضایی ردیابی کرد. یافته‌های او یک منحنی ثابت را نشان می‌دهد:

• تا پیش از سال ۲۰۲۲، حجم ارسال درخواست‌ها ثابت و بدون تغییر بود.
• با نفوذ و گسترش فناوری هوش مصنوعی در جامعه، تعداد submissions به‌شدت بالا رفت.
• رشد حجم درخواست‌ها متوقف نشده است، که این امر نشان‌دهنده یک تغییر دائمی در حجم ورودی‌هاست.

کاربران از پرامپت‌نویسی‌های دقیق در ChatGPT 3.5 به سمت اپلیکیشن‌های چندوجهی (Multimodal) — مدلی که هم‌زمان متن، عکس و صدا را می‌فهمد، مثل ما که با چند حس دنیا را می‌خوانیم — مانند Claude کوچ کرده‌اند تا مدارک فیزیکی را فوراً پردازش کنند. اشمیتز اشاره می‌کند که در گذشته کاربران مجبور بودند «زمینه و محتوا را تکه‌تکه جمع‌آوری کنند»، اما اکنون می‌توانند صرفاً با گرفتن عکس از یک نامه، در یک مرحله به پاسخی با کیفیت بالا دست یابند.

اثرات منابع و مخاطرات

این تغییر مشابه روندی است که در برنامه‌های «پاداش باگ» (Bug-bounty) دیده شد؛ جایی که شرکت‌ها با سیل گزارش‌های امنیتی بی‌کیفیت و تولیدشده توسط AI اشباع شدند. آن گزارش‌ها به‌ندرت حاوی مشکلات امنیتی مهم بودند، اما شرکت‌ها همچنان موظف به بررسی آن‌ها بودند و این امر باعث تخلیه شدید منابع آن‌ها شد.

اما اشمیتز استدلال می‌کند که سیل خدمات عمومی اساساً متفاوت است. برخلاف گزارش‌های «بی‌ارزش» در امنیت سایبری، اکثریت قریب به اتفاق این پرونده‌های دولتی جدید از سوی افراد واقعی با ادعاهای مشروع ارسال شده‌اند که پیش از این از پیچیدگی فرآیند می‌ترسیدند. او در گفتگو با تک‌کرانچ گفت: «اکثریت قریب به اتفاق مواردی که یافتیم، افرادی هستند که حق درخواست برای چیزی را دارند و اکنون برای آن درخواست می‌دهند.»

این موضوع یک پارادوکس منابع ایجاد کرده است: سازمان‌های دولتی اکنون باید حجم کاری ۵ برابر را با همان بودجه‌هایی مدیریت کنند که پیش از عصر هوش مصنوعی داشتند. نتیجه مستقیم آن، فشار شدید بر بازبین‌های انسانی است که باید هر درخواست کمک‌گرفته از AI را برای اطمینان از اعتبار بررسی کنند. این فشار عملیاتی با چالش‌های زیرساختی گسترده‌تری در سطح کلان همراه است؛ برای مثال، بحران مصرف ۱ تریلیون لیتر آب توسط مراکز داده تا ۲۰۲۸ نشان می‌دهد که رشد مدل‌های AI هزینه‌های محیطی و منابعی سنگینی را تحمیل می‌کند.

برای شهروندان، این یعنی شانس بیشتر برای دریافت حقوق و مزایای قانونی، اما احتمالاً زمان انتظار طولانی‌تر برای پردازش. «نسخه خوب» این آینده شامل دولت‌هایی است که کل فرآیند پذیرش خود را به‌جای جذب شوکِ حجم بالای AI، به‌صورت «AI-native» (بومی هوش مصنوعی) بازطراحی کنند.

اشمیتز معتقد است این فرصتی نادر برای بازسازی خدمات اجتماعی است. او پیشنهاد می‌کند همان‌طور که مردم از AI برای اظهارنامه‌های مالیاتی استفاده می‌کنند، دولت‌ها نیز می‌توانند کل فرآیند را بازاندیشی کنند. اگر سازمان‌ها با این درخواست‌ها مانند اسپم برخورد کنند، در واقع ریسک سلب حقوق قانونی جمعیتی را می‌پذیرند که اکنون توانمند شده‌اند.

برای جزئیات بیشتر، منتظر ارائه‌های آتی در کنفرانس «اخلاق و جامعه در AI» باشید، جایی که اشمیتز مجموعه داده‌های کامل این ۸۴ مورد را تشریح کرده و چارچوب‌هایی برای مدیریت دولتی سازگار با هوش مصنوعی (AI-friendly) پیشنهاد خواهد داد.

گام بعدی شما

• اگر از ابزارهای AI برای مکاتبات اداری استفاده می‌کنید، دقت کنید که مدل‌های چندوجهی برای استخراج داده از مدارک فیزیکی بسیار دقیق‌تر از مدل‌های متنی هستند.
• دنبال‌کننده نتایج کنفرانس «اخلاق و جامعه در AI» باشید تا چارچوب‌های پیشنهادی اشمیتز برای مدیریت اداری AI-friendly را بررسی کنید.
• بررسی کنید آیا سازمان‌های مربوطه در حوزه کاری شما، درگاه‌های پذیرش خود را برای فرمت‌های تولیدشده توسط AI بهینه کرده‌اند یا خیر.

اما داستان سخت‌افزاری این تحول و فشار بر سرورهای دولتی حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.