تصور کنید قضاتی که سال‌ها با کوهی از پرونده‌های معوق دست‌وپنجه نرم کرده‌اند، ناگهان بتوانند هر سال ۱۸۴۸ پروندهٔ بیشتر در هر منطقه جمع‌بندی کنند. این عدد، نتیجهٔ واقعی به‌کارگیری JudgeGPT در سیستم قضایی پاکستان است. طبق گزارشی که در ۲۱ ژوئیه ۲۰۲۶ توسط the-decoder.com منتشر شد، این دستاورد نشان‌دهنده افزایش ۶.۳ درصدی در نرخ رسیدگی به پرونده‌ها و حل منازعات است.
اما نکتهٔ حیاتی اینجاست: دسترسی ساده به هوش مصنوعی، تغییری ایجاد نکرد. پژوهشگران ETH Zurich، New Economic School و Imperial College London کشف کردند که صرفاً دادن دسترسی به ابزارهای AI به قضات، تأثیر چندانی بر جابجایی عقربه بهره‌وری نداشت. تنها قضاتی که در ۶ جلسه آموزشی ۹۰ دقیقه‌ای شرکت کردند تا یاد بگیرند چگونه خروجی‌های AI را بازبینی (Vet) کرده و وظایف قابل‌اعتماد را شناسایی کنند، جهشی عظیم در میزان استفاده و نتایج داشتند.
این اتفاق دقیقاً همان شکافی را نشان می‌دهد که ما در پوشش پیشین خود درباره‌ی مدیریت عامل‌های خودگردان در پلتفرم‌هایی مثل Favur بررسی کردیم؛ جایی که فاصله بین «توانایی خام مدل» و «کاربرد واقعی در دنیای واقعی»، تنها با یک چارچوب نظارتی انسانی پر می‌شود. در سیستم قضایی پاکستان، این چارچوب نظارتی همان آموزش‌های هدفمند بود.
زمینه و مقیاس اجرا
این آزمایش تصادفی در مقیاس گسترده‌ای انجام شد و ۱۵۵۹ قاضی را در ۱۱۸ دادگاه پوشش داد. این تعداد تقریباً معادل نیمی از تمام قضات دادگاه‌های بدوی پاکستان است. برای اندازه‌گیری دقیق اثر آموزش، پژوهشگران شرکت‌کنندگان را به سه گروه distinct تقسیم کردند:
- گروه هدف: این گروه دسترسی به JudgeGPT داشتند و علاوه بر آن، ۶ جلسه آموزشی ۹۰ دقیقه‌ای را طی سه هفته گذراندند. این جلسات توسط پروفسور الیوت اش از ETH و پس از ساعات کاری دادگاه تدریس شد.
- گروه مقایسه‌ای: این افراد دسترسی به JudgeGPT داشتند اما فقط در یک سمینار عمومی درباره فناوری و قانون شرکت کردند.
- گروه کنترل: این گروه تنها در سمینار عمومی شرکت کردند و هیچ دسترسی به هوش مصنوعی نداشتند.
موتور فنی سیستم
JudgeGPT بر پایه GPT-4 شرکت OpenAI ساخته شده و از مکانیزم تولید بازیابی‌افزا (RAG) استفاده می‌کند. این سیستم — شبیه دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — در یک پایگاه‌داده منتخب و سازمان‌یافته شامل ۱۲۹٬۲۳۵ سند جست‌وجو می‌کند. این مجموعه داده شامل ۱۲۸٬۲۹۲ رأی دادگاه و ۹۴۳ قانون رسمی پاکستان است. زمانی که قاضی پرسشی را مطرح می‌کند، ابزار ۱۰ بخش مرتبط‌تر را انتخاب کرده و پاسخی همراه با ارجاع به منابع تولید می‌کند.
معیارهای عملکرد و نتایج
بر اساس مستندات این پژوهش، نتایج عملکردی خیره‌کننده است:
- بازگشت سرمایه‌گذاری (ROI): پژوهشگران تخمین می‌زنند که هر ۱ دلار سرمایه‌گذاری در این سیستم، ۳۸.۵۰ دلار سود (در مقایسه با هزینه استخدام قضات جدید) ایجاد کرده است. حتی در محافظه‌کارانه‌ترین تخمین‌ها، این بازگشت «حداقل» ۱۰ دلار به ازای هر ۱ دلار است. این بهینه‌سازی هزینه‌ها و زمان، مشابه رویکردی است که در کاهش زمان بررسی صلاحیت‌های مناقصه توسط BidTrust AI مشاهده شد.
- عمق استفاده: قضات آموزش‌دیده ۴ برابر بیشتر از گروه سمینار از ابزار استفاده کردند. در بازه ۴۰ هفته، میانگین ورود قضات آموزش‌دیده نزدیک به ۶۰ بار و تعداد پرامپت‌های آن‌ها بیش از ۲۰۰ مورد بود، در حالی که گروه مقایسه‌ای میانگین ۲۰ ورود و کمتر از ۵۰ پرامپت داشتند.
- کنترل کیفیت: در ۵۹٪ از مقایسه‌های دوتایی، احکام قضات آموزش‌دیده کیفیت بالاتری داشتند (در مقابل ۴۲٪ در گروه کنترل). این بررسی که بر پایه مدل‌های زبانی بزرگ (LLM) بود، توسط دو وکیل پاکستانی اعتبارسنجی شد.
- ظرفیت عملیاتی: حتی در مناطقی که در چارک پایین (کم‌بهره‌ترین‌ها) قرار داشتند، سالانه حدود ۶۱۶ پرونده بیشتر بسته شد.
تغییرات رفتاری در اجرای قانون
آموزش‌ها به‌طور بنیادی نحوه اجرای قانون را تغییر داد. پژوهشگران تاریخچه‌های چت (Chat Logs) ناشناس حدود ۱۵۰۰ قاضی را بررسی کردند. مشخص شد حدود ۶۰٪ پرس‌وجوها در جست‌وجوی اطلاعات مربوط به قوانین، رویه‌های اداری یا مفاهیم حقوقی بود.
قضات آموزش‌دیده از پرسیدن سوالات کلی حقوقی — که ریسک بالای توهم (Hallucination) دارند (حالتی که مدل با اطمینان چیزی می‌سازد که وجود ندارد) — فاصله گرفتند و در عوض بر ویرایش متن و خلاصه‌سازی تمرکز کردند. تنها حدود ۲۰٪ از درخواست‌ها شامل «واگذاری ماهوی به AI» بود، یعنی جایی که هوش مصنوعی استدلال واقعی برای یک تصمیم را پیش‌نویس می‌کرد.
تحلیل‌ها نشان می‌دهد هوش مصنوعی در بخش‌های عمومی، متخصص را جایگزین نمی‌کند، بلکه اصطکاک‌های اداری را حذف می‌کند. با استفاده از مدل برای «وظایف حمایتی» قابل‌اعتماد و حفظ قدرت تصمیم‌گیری نهایی، این قضات توانستند تعادل بین کار و زندگی خود را حفظ کرده و از ورود سوگیری‌های جنسیتی یا مذهبی به زبان احکام جلوگیری کنند. این تحول در بهره‌وری نیروی کار، با استراتژی Itelnet برای حذف کارهای تکراری در پاکستان همسو است که بر ارتقای خدمات دیجیتال از طریق AI تاکید دارد. بررسی ۴٬۰۰۰ حکم نشان داد در حالی که متون علامت‌گذاری شده توسط AI افزایش یافت، اما خوانایی، طول متن و تعداد استدلال‌های حقوقی ثابت ماند. نکته قابل توجه این است که نرخ تجدیدنظر در هر ۱٬۰۰۰ پرونده حل‌شده، در واقع اندکی کاهش یافت.
برای رهبران کسب‌وکار و سیاست‌گذاران، پیام روشن است: کفِ بهره‌وریِ هوش مصنوعی، نمره بنچمارک مدل نیست، بلکه سطح آموزش کاربر است. بدون یک نقشه راه برای چگونگی استفاده از ابزار، سرمایه‌گذاری عملاً تبخیر می‌شود.
با ظهور مدل‌های استدلالی (Reasoning Models) که می‌توانند منطق‌های پیچیده‌تری را با توهمات کمتر مدیریت کنند، پتانسیل بهره‌وری قضایی رشد می‌کند. از آنجایی که JudgeGPT از مدل GPT-4 پیش از دوران مدل‌های استدلالی استفاده می‌کرد، این نتایج احتمالاً یک خط پایه (Baseline) هستند. باید رصد کرد که آیا سایر سیستم‌های حقوقی جهان نیز پروتکل‌های آموزشی «انسان در حلقه» (Human-in-the-loop) را برای جلوگیری از تله واگذاری کورکورانه اجرا می‌کنند یا خیر.
گفتگو