Государства выпускают декларации об этичном использовании ИИ, но на практике при внедрении возникают проблемы. Многие из них касаются этической и моральной точки зрения. Поэтому на панельной сессии в рамках ICT WEEK 2026 международные эксперты обсудили, с какими барьерами сталкиваются страны и как сбалансировать инновации с защитой граждан. А редакция ER10 Media, являясь медиапартнерами события, посетила сессию и собрала для вас ключевые тезисы.
Как проверить соблюдение правил?
Марк-Антуан Дильяк, профессор Монреальского университета и эксперт ЮНЕСКО по этике ИИ, подчеркивает: «за последние годы мир продвинулся дальше пустых разговоров, однако ключевой пробел все еще не закрыт. На сегодняшний день 193 страны согласовали рекомендательные принципы ЮНЕСКО». В рамках этой концепции выделены два обязательных инструмента:
Оценка экосистемы государства (готовность институтов и инфраструктуры).
Оценка этического воздействия, позволяющая классифицировать ИИ-системы, определить их цели и оценить риски:
«Не всякая технология является ИИ. Главное недостающее звено сейчас — это четкая методология, способная доказательно подтвердить, что конкретная ИИ-система действительно соответствует заявленным правилам и этическим нормам», — отмечает Марк-Антуан Дильяк.
Эксперт предлагает опираться на доказательные кейсы (наподобие структуры аргументации Тулмина): формулировать заявление, приводить факты и оценивать влияние на конкретные группы населения. Кроме того, оценка не должна быть разовой: государству нужен механизм регулярного обновления правил как до запуска технологии, так и в процессе ее эксплуатации.
Как регулировать закон?
Принятие законов о технологиях не гарантирует их успешной реализации. Пабло Фуэнтес Неттель, главный консультант Oxford Insights, отметил, что ключевой фактор дифференциации стран — это их государственные возможности.
Он выделяет три критических элемента для эффективной реализации политики в сфере ИИ:
- Институциональная координация: способность различных ведомств работать слаженно при внедрении ИИ в публичные услуги.
- Инвестиции в человеческий капитал: государству необходимы кадры, глубоко понимающие не только алгоритмы, но и юридические аспекты, право на приватность и работу с исследованиями.
- Гибкое госуправление (Agile): умение синтезировать данные, быстро адаптировать политику и понимание контрольных точек развития технологий.
Марк-Антуан Дильяк добавил, что государству не обязательно содержать весь пул экспертов внутри госаппарата — даже США не обладают такими ресурсами. Выходом становится аккредитация внешних институтов (например, исследовательских университетов), которые могут оценивать системы высокого риска до их попадания к гражданам.
Зачем нужны локальные LLM-модели?
Теперь, как считает генеральный директор института ISSAI в Nazarbayev University, возможность обладать локальной LLM-моделью является этическим вопросом.
Хусейн Атакан Варол заметил, что возникает неравенство между теми странами, кто обладает своими LLM, и тем, которые их не имеют.
- Дисбаланс данных: Почти половина (46%) обучающих данных глобальных моделей приходится на английский язык.
- Экономический барьер: Чтобы получить от глобальной модели качественный ответ на «непопулярном» языке (например, казахском или узбекском), требуется в 4 раза больше времени и вычислительных затрат.
- Безопасность и суверенитет: Запросы к внешним облачным сервисам приемлемы для повседневных задач, но недопустимы, когда речь идет о государственном управлении, медицине или гостайне.
Для решения этой проблемы разрабатываются локальные проекты, такие как KazLLM, учитывающие языковой и культурный контекст региона. По мнению эксперта, нужно использовать двухэтапный подход: сначала каждая страна формирует собственные локальные датасеты и базовые модели, а затем на их основе создается единая, более мощная региональная модель.
Мягкая сила
Особенности нормотворчества в региональном контексте раскрыла Мария Большакова, заместитель генерального директора Регионального содружества в сфере связи (РСС). Она напомнила, что технологии опережают любую регуляторную норму. Поэтому акцент надо делать нас гибких практиках:
«Мы видим большой потенциал в объединении усилий. У каждой страны есть суверенное право развивать собственные системы, но выработка общего регионального взгляда позволяет защищать интересы наших стран на международных площадках», — отметила Мария.
Цена ошибки
Переход от лабораторных тестов к реальным государственным услугам кардинально меняет уровень ответственности. Исмаил Маликов, аналитик Ассоциации ИИ Азербайджана, отметил:
На этапе «пилота» ошибка алгоритма на выборке в 100 человек может затронуть единицы. Но когда сервис запускается на национальном уровне, число пострадавших от сбоя алгоритма возрастает кратно. Реальный мир не стерилен, и государственные данные содержат множество шумов.
Кто должен отвечать за ошибки ИИ?
Ответственность должна распределяться по всей цепочке создания стоимости.
В целом все эксперты согласились, что регуляторная и экспертная инфраструктура должна быть создана ДО того, как ИИ-сервисы начнут массово оказывать услуги гражданам. А еще заметили, что государствам надо не заблокировать инновации жесткими законами, и при этом понятные механизмы оценки рисков. Также важно инвестировать в собственные кадры и создавать суверенные датасеты, не изолируясь от международного сотрудничества.
Читайте по теме. «ИИ отберет у вас работу?»: какие риски в ИИ видят эксперты по образованию
