Laboratorium idei obywatelskich: jak zwykli ludzie mogą współdecydować o rozwoju sztucznej inteligencji, zamiast biernie czekać na skutki

Dlaczego nie wystarczy zdać się na ekspertów w sprawie sztucznej inteligencji

AI jako nowa infrastruktura życia społecznego

Sztuczna inteligencja przestaje być gadżetem technologów. Staje się infrastrukturą, czymś na poziomie sieci energetycznej, dróg czy systemu edukacji. Wchodzi w każdy obszar: pracę, zdrowie, edukację, kulturę, relacje międzyludzkie, politykę. To nie jest już kwestia pojedynczej aplikacji w telefonie, ale całej warstwy decyzyjnej, która filtruje i porządkuje świat.

Algorytmy rekomendują treści, decydują o kolejce do lekarza, oceniają ryzyko kredytowe, wspierają policję w patrolowaniu miast, a coraz częściej także oceniają kandydatów do pracy lub uczniów w szkołach. Dla użytkownika wszystko wygląda niewinnie: „system tak zdecydował”, „program tak wyliczył”. Tymczasem za tymi decyzjami stoją konkretne założenia, priorytety i wartości, które ktoś wcześniej wybrał.

Jeśli sztuczna inteligencja to nowa infrastruktura społeczna, to pytanie nie brzmi już: „czy interesuję się technologią?”, ale: „czy chcę mieć wpływ na zasady działania rzeczywistości, w której żyję?”. To ten sam poziom, co decyzje o planie zagospodarowania miasta czy sposobie finansowania szpitali. Oddanie tego pola wyłącznie specjalistom oznacza zgodę na życie w świecie, którego reguł nikt z mieszkańców nie współtworzył.

Gdy decyzje zapadają wyłącznie w korporacjach i gabinetach

Kiedy decyzje o kierunku rozwoju AI zapadają głównie w dużych firmach technologicznych i zamkniętych gremiach rządowych, pojawia się kilka powtarzalnych zjawisk:

• Optymalizacja pod zysk lub władzę – algorytmy są projektowane tak, by maksymalizować przychody (np. czas spędzany w aplikacji, klikalność reklam) albo ułatwiać kontrolę (monitoring, scoring obywateli).
• Brak doświadczenia „zwykłego życia” – osoby projektujące systemy często nie widzą skutków na poziomie codziennych mikro-decyzji: pominiętego wniosku, niesprawiedliwej oceny, utrudnionego dostępu do świadczeń.
• Technokratyczny język – debata zamienia się w dyskusję ekspertów, której zwykły obywatel ma się „nie wtrącać”, bo „się nie zna”. Efekt: rosnąca przepaść między tym, jak o AI mówi się publicznie, a tym, jak ludzie jej realnie doświadczają.

Jeśli ten stan się utrzyma, sztuczna inteligencja w praktyce będzie narzędziem wzmacniania już istniejących struktur wpływu. Będzie skalować interesy tych, którzy i tak mają zasoby – danych, kapitału, władzy regulacyjnej. To nie jest teoria spiskowa, tylko naturalna logika systemów: optymalizują to, co się im każe optymalizować.

Konsekwencje braku obywatelskiego głosu: realne przykłady

O skutkach braku obywatelskiego wpływu na technologie najlepiej mówią konkretne doświadczenia z ostatnich lat:

Systemy scoringu społecznego i kredytowego – w różnych krajach pojawiły się próby algorytmicznego oceniania obywateli: na podstawie historii finansowej, zachowań online, nawet powiązań społecznych. W praktyce oznacza to, że profil predykcyjny mógł wpływać na to, czy ktoś dostanie mieszkanie, pracę, stypendium. W wielu przypadkach ludzie nawet nie wiedzieli, że są oceniani, ani jak się odwołać.

Automat do wydawania decyzji administracyjnych – w kilku państwach algorytmy analizowały setki tysięcy wniosków o świadczenia społeczne. Modele uczyły się na historycznych danych pełnych błędów i uprzedzeń. Skutek: tysiące osób otrzymało niesłuszne decyzje, a aparat państwa długo udawał, że „system ma rację”, bo „jest obiektywny”. Dopiero silny protest społeczny wymusił audyt i wyłączenie części rozwiązań.

Nadzór masowy oparty na AI – rozpoznawanie twarzy, analiza zachowań w przestrzeni publicznej, identyfikacja „podejrzanych” wzorców. Bez jasnych reguł i kontroli obywatelskiej te systemy łatwo przeradzają się w narzędzia zastraszania, szczególnie wobec grup mniejszościowych czy aktywistów.

W każdym z tych scenariuszy zabrakło wcześniejszego, świadomego udziału obywateli w ustalaniu: czy taki system w ogóle jest potrzebny, na jakich zasadach może działać, jakie zabezpieczenia muszą być wbudowane i kto będzie z nich rozliczany.

Konsultacje pod tezę kontra realne współdecydowanie

Instytucje często mówią: „konsultowaliśmy to z obywatelami”. W praktyce bywa to jedynie formalność. Pojawiają się ankiety po fakcie, spotkania informacyjne z gotowym projektem albo zbieranie uwag, których nikt realnie nie analizuje.

Konsultacje pod tezę mają kilka cech wspólnych:

• projekt jest już przesądzony,
• pytania są tak sformułowane, że nie ma przestrzeni na odrzucenie założenia („jaki kolor interfejsu wolicie?” zamiast „czy w ogóle potrzebujemy takiego systemu?”),
• brakuje czasu, materiałów edukacyjnych, neutralnych moderatorów dyskusji,
• nie ma obowiązku publicznego odniesienia się do zgłoszonych uwag.

Realne współdecydowanie wymaga czegoś innego:

• dopuszczenia obywateli na wczesnym etapie – kiedy ustala się cele, ryzyka i alternatywy,
• podania uczciwych scenariuszy „za” i „przeciw”, łącznie z kosztami każdego rozwiązania,
• zapewnienia czasu na edukację i deliberację (dyskusję, a nie tylko głosowanie),
• jasnej ścieżki: co się stanie z wypracowanymi rekomendacjami, kto i jak musi się do nich ustosunkować.

Bez tak rozumianej partycypacji nawet najlepsze rozwiązania techniczne będą budziły opór, a zaufanie do instytucji będzie spadać. Obywatele będą mieć poczucie, że technologia jest im robiona, a nie z nimi.

Główna teza: dla kogo pracuje sztuczna inteligencja

Jeśli „zwykli ludzie” nie włączą się w rozmowę o tym, jak ma wyglądać sztuczna inteligencja, będzie ona optymalizować interesy innych aktorów – korporacji, służb bezpieczeństwa, partii politycznych, wysokokwalifikowanych elit. Nie dlatego, że ktoś koniecznie chce zaszkodzić, ale dlatego, że systemy AI zawsze realizują określony zestaw celów.

Bez wkładu obywateli te cele będą zdefiniowane z wąskiej perspektywy osób, które żyją w innych warunkach, mają inne problemy, inne zabezpieczenia. W efekcie AI może świetnie działać dla niewielkiej grupy, a jednocześnie szkodzić wielu innym – w sposób cichy, rozproszony, trudny do zauważenia na pierwszy rzut oka.

Obywatelskie laboratoria idei, panele, zgromadzenia czy lokalne eksperymenty pozwalają przesunąć pytanie z: „co eksperci mogą dla nas zrobić?” na: „w jakim świecie chcemy żyć i jak AI może temu służyć?”. To zmiana jakościowa, nie kosmetyczna.

Czym są laboratoria idei obywatelskich i dlaczego AI szczególnie ich potrzebuje

Definicja: laboratorium idei obywatelskich

Laboratorium idei obywatelskich to przestrzeń – fizyczna lub cyfrowa – w której mieszkańcy, aktywiści, urzędnicy, eksperci i osoby z różnych środowisk spotykają się, by testować pomysły i scenariusze przyszłości. Nie chodzi tylko o debatę, ale o:

• formułowanie problemów z perspektywy mieszkańców,
• budowanie alternatyw („co, jeśli zrobimy to inaczej?”),
• przeprowadzanie małych eksperymentów (pilotaże, prototypy, symulacje),
• ocenę skutków – nie tylko technicznych, ale społecznych, etycznych, psychologicznych.

Takie laboratorium jest bardziej podobne do warsztatu miejskiego niż do klasycznego panelu ekspertów. Pracuje na konkretnych przypadkach, lokalnych problemach i doświadczeniach życiowych, a nie tylko na abstrakcyjnych modelach.

Think tank ekspercki a laboratorium obywatelskie – kluczowe różnice

Tradycyjny think tank to zespół analityków, badaczy, prawników, który przygotowuje raporty i rekomendacje dla rządów, firm, mediów. Opiera się na wiedzy akademickiej, danych ilościowych, analizach polityk publicznych. Takie ośrodki są potrzebne, ale mają swoje ograniczenia: często brakuje w nich codziennego doświadczenia ludzi, których decyzje dotyczą.

Laboratorium idei obywatelskich działa odwrotnie: za punkt wyjścia bierze życie mieszkańców – to, jak korzystają z usług publicznych, jak pracują, jak chorują, czego się boją w związku z automatyzacją. Eksperci są ważni, ale pełnią funkcję wsparcia, a nie głównego decydenta. Dopiero po zebraniu perspektyw obywatelskich włącza się analityków, prawników, inżynierów, by wspólnie szukać rozwiązań.

Różnicę dobrze pokazuje proste porównanie:

Dlaczego temat sztucznej inteligencji szczególnie potrzebuje laboratoriów

Sztuczna inteligencja jest obszarem, w którym łączy się wysoka złożoność techniczna z ogromną niepewnością co do skutków społecznych. Trudno tu o gotowe odpowiedzi, dlatego klasyczny model: „eksperci wypracują rozwiązanie, politycy je wdrożą, obywatele się dostosują” szybko się wyczerpuje.

AI wymaga ciągłego eksperymentowania na małą skalę, sprawdzania, jak konkretne systemy działają w codziennym życiu, jak zmieniają zachowania, relacje w pracy, dostęp do usług. To idealne pole dla laboratoriów idei obywatelskich, które mogą:

• testować lokalne wersje rozwiązań AI (np. system kolejkowy w przychodni, asystent edukacyjny w szkołach),
• sprawdzać różne modele zarządzania danymi (kto ma dostęp, na jakich zasadach, z jaką kontrolą),
• projektować zabezpieczenia etyczne – np. mechanizmy odwoławcze, prawo do wyjaśnienia decyzji algorytmu, limity użycia wrażliwych danych.

Bez takich miejsc rozwój AI przypominałby budowę miasta bez planu: każdy stawia, co chce, gdzie chce, a mieszkańcy mają się tylko przyzwyczaić.

Przykłady inicjatyw obywatelskich wokół AI na świecie

Na świecie pojawia się coraz więcej projektów, które w praktyce działają jak laboratoria idei obywatelskich dla sztucznej inteligencji.

Panele obywatelskie ds. AI – w kilku krajach zorganizowano losowane zgromadzenia mieszkańców, którzy przez kilka weekendów pracowali nad rekomendacjami w sprawie regulacji AI w usługach publicznych. Uczestnicy otrzymywali wsparcie ekspertów, ale to oni formułowali końcowe wnioski. Rządy zobowiązywały się publicznie odnieść do każdej rekomendacji.

Miejskie eksperymenty z algorytmami – w niektórych miastach powołano rady mieszkańców przy projektach smart city. Zanim wdrożono systemy monitoringu czy analizy ruchu, mieszkańcy współtworzyli zasady: długość retencji danych, możliwość wyłączania kamer w określonych sytuacjach, zakres udostępniania danych prywatnym firmom.

Obywatelskie audyty algorytmów – grupy aktywistów, dziennikarzy i prawników tworzą zespoły, które analizują działanie popularnych algorytmów: od moderacji treści po scoring kredytowy. Publikują raporty, składają wnioski do organów nadzorczych, organizują kampanie nacisku. To także forma laboratorium – tyle że skoncentrowana na kontroli istniejących rozwiązań.

Demokracja technologiczna w perspektywie 10–50 lat

Laboratoria idei obywatelskich wpisują się w szerszą wizję demokracji technologicznej. Chodzi o taki model, w którym decyzje o kierunku rozwoju technologii – w tym AI – są traktowane jak dobro wspólne, a nie tylko sprawa rynku czy rządów.

Za 10–50 lat można wyobrazić sobie standard, w którym:

• większe miasta i regiony mają własne, stałe laboratoria obywatelskie ds. technologii,
• kluczowe projekty cyfrowe (np. systemy scoringu, predykcji, profilowania) przechodzą przez obowiązkowy etap konsultacji i testów z mieszkańcami,
• obywatele dysponują realnym prawem zawieszania lub modyfikacji wdrożeń AI, jeśli pilotaże pokazują poważne szkody społeczne.

Taki model nie powstanie sam. Trzeba go wypracować krok po kroku: od lokalnych eksperymentów i krótkich procesów partycypacyjnych, przez pierwsze regulacje wymuszające udział obywateli, aż po zmianę kultury instytucji publicznych i firm. Kluczowa będzie też infrastruktura: narzędzia do deliberacji online, proste metody wyjaśniania działania systemów AI osobom bez przygotowania technicznego, a także modele wynagradzania ludzi za udział w dłuższych procesach.

Jeśli ten kierunek się przyjmie, za jedno pokolenie „współdecydowanie o technologii” będzie tak oczywiste, jak dziś wybory samorządowe czy konsultacje planu zagospodarowania. Decyzja o wdrożeniu nowego systemu AI w szkole, szpitalu czy urzędzie nie przejdzie bez rozmowy z tymi, którzy mają z nim żyć – oraz bez miejsca, w którym można go bezpiecznie przetestować i poprawić.

Właśnie do tego prowadzi budowa laboratoriów idei obywatelskich: do sytuacji, w której sztuczna inteligencja nie jest czymś „narzuconym z góry”, ale wspólnym projektem. Nie usuwa to wszystkich ryzyk, ale zmienia podstawową logikę gry – z biernego dostosowywania się na aktywne kształtowanie zasad. Dzięki temu zwykli ludzie nie tylko reagują na skutki rozwoju AI, lecz realnie wpływają na to, jaka technologia w ogóle ma szansę powstać i się utrzymać.

Horyzonty 10, 50 i 100 lat: o jaką przyszłość AI toczy się gra

Horyzont 10 lat: codzienność naszpikowana algorytmami

Najbliższa dekada to czas, gdy sztuczna inteligencja wejdzie w większość powtarzalnych decyzji w usługach publicznych i biznesie. Nie będzie jej spektakularnie widać, ale zacznie decydować o tym, kto co dostaje, w jakiej kolejności i na jakich warunkach.

W perspektywie 10 lat można oczekiwać, że:

• większość kontaktów z administracją (wnioski, zgłoszenia, reklamacje) przejdzie przez systemy wspierane przez AI,
• szkoły i uczelnie będą testować adaptacyjne systemy nauczania, które proponują ścieżki edukacyjne na podstawie danych o uczniach,
• rynek pracy stanie się silnie filtrowany przez algorytmy – od preselekcji CV po automatyczne oceny „dopasowania kulturowego”,
• ubezpieczyciele, banki i firmy medyczne będą coraz częściej stosować modele predykcyjne do oceny ryzyka i personalizacji ofert.

Na tym etapie stawką jest przejrzystość i korekta. Obywatele muszą mieć narzędzia, by:

• dowiedzieć się, kiedy decyzje dotyczące ich życia wspiera algorytm,
• zrozumieć, na jakich danych i kryteriach działa system,
• odwołać się lub zakwestionować wynik automatycznej oceny.

Laboratoria idei obywatelskich mogą w tym okresie pełnić funkcję „poligonu doświadczalnego” dla takich mechanizmów kontroli: testować różne formaty wyjaśnień, ścieżki odwołań, formy oznaczania decyzji wspieranych przez AI.

Horyzont 50 lat: infrastruktura społeczna sterowana inteligencją maszynową

W perspektywie pół wieku sztuczna inteligencja stanie się prawdopodobnie warstwą sterującą kluczową infrastrukturą społeczną. Mniej będzie pojedynczych wdrożeń, więcej zintegrowanych systemów, które łączą dane z różnych obszarów życia.

Możliwe scenariusze obejmują:

• miasta, w których zarządzanie energią, transportem i bezpieczeństwem opiera się na zintegrowanych modelach predykcyjnych,
• systemy ochrony zdrowia, które profilują całe populacje, sugerując interwencje prewencyjne na długo przed pojawieniem się objawów,
• „osobiste infrastruktury cyfrowe” – prywatne asystenty łączące dane z pracy, zdrowia, finansów i edukacji w jeden ekosystem,
• finanse publiczne zarządzane z pomocą algorytmów, które optymalizują podatki, wydatki i inwestycje długoterminowe.

Na tym etapie stawką jest rozłożenie władzy. Pytania, które trzeba będzie rozstrzygnąć, to m.in.:

• kto definiuje cele, które mają optymalizować systemy (np. czy priorytetem jest PKB, zdrowie publiczne, redukcja nierówności),
• jakie mechanizmy demokratyczne potrafią realnie korygować działanie złożonych systemów w czasie rzeczywistym,
• jak bronić się przed „miękką przymusowością” – sytuacją, w której formalnie wszystko jest dobrowolne, ale odstępstwo od algorytmicznych rekomendacji wiąże się z dużymi kosztami.

Laboratoria obywatelskie mogą stać się wówczas stałym elementem zarządzania miastem czy regionem, działając przy dużych systemach AI podobnie jak dziś rady nadzorcze przy spółkach – z prawem wglądu, zadawania pytań i zgłaszania sprzeciwu.

Horyzont 100 lat: spór o kierunek cywilizacyjny

Przy planowaniu na stulecie wchodzi się w obszar scenariuszy. Nie chodzi o dokładne przewidywanie, ale o wybór ram, w których rozwój AI ma się odbywać.

Można wyobrazić sobie co najmniej trzy skrajne kierunki:

• Technokratyczny paternalizm – większość decyzji kluczowych dla przetrwania i dobrostanu ludzkości przekazana systemom AI i wąskiej elicie kontrolującej infrastrukturę cyfrową.
• Rozproszony chaos – brak globalnych zasad, konkurujące ze sobą bloki algorytmiczne, ogromne różnice w dostępie do technologii i w poziomie ochrony praw jednostki.
• Demokratyczna współregulacja – wielopoziomowy system, w którym część decyzji oddaje się maszynom, ale kluczowe kierunki i granice pozostają w gestii wspólnot politycznych.

Rozmowa o tych scenariuszach nie powinna być domeną wyłącznie futurologów i korporacyjnych strategów. Laboratoria idei obywatelskich mogą włączać mieszkańców w projektowanie zasad gry na pokolenia: kto ma prawo wyłączać system, w jakich warunkach „ratunkowych” można zawiesić procedury demokratyczne, jak tworzyć globalne instytucje nadzoru nad super‑potężnymi modelami.

Mapowanie wpływu: gdzie obywatele mogą współdecydować w łańcuchu rozwoju AI

Od danych po nadzór: pełny łańcuch wartości

Żeby zobaczyć, gdzie faktycznie jest miejsce na głos obywateli, trzeba rozłożyć rozwój AI na etapy. W uproszczeniu łańcuch wygląda tak:

1. pozyskiwanie i oznaczanie danych,
2. projektowanie i trenowanie modeli,
3. wdrażanie systemów w konkretnych instytucjach,
4. używanie systemu w codziennej praktyce,
5. monitorowanie skutków i korekty.

Na każdym z tych etapów istnieje inny rodzaj decyzji, w który można włączyć mieszkańców. Laboratorium idei obywatelskich nie musi „ogarniać” całego łańcucha – może specjalizować się w jednym z odcinków, ale dobrze, jeśli widzi całość.

Etap danych: co zbieramy, od kogo i na jakich zasadach

Bez danych nie ma modeli. To obszar, w którym obywatele mają zaskakująco duży, choć często niewykorzystany wpływ.

Laboratorium może tu:

• prowadzić konsultacje zasad pozyskiwania danych w mieście lub instytucji (np. szpital, szkoły, transport publiczny),
• współtworzyć kodeksy dobrych praktyk dotyczące anonimizacji, retencji i udostępniania danych pod projekty AI,
• testować modele zbiorowego zarządzania danymi – np. spółdzielnie danych mieszkańców, które decydują, komu i na jakich warunkach udostępniają swoje informacje.

Przykład z praktyki: miasto planuje system predykcyjny do planowania remontów dróg. Żeby model działał, potrzebuje danych geolokalizacyjnych z telefonów. Laboratorium organizuje warsztaty, na których mieszkańcy analizują różne warianty: dane tylko zagregowane vs. dane indywidualne, różne okresy przechowywania, zasady udostępniania policji. Efektem jest zestaw publicznie przyjętych zasad, które trafiają do umowy z dostawcą systemu.

Etap projektowania modeli: jakie cele i kryteria są wbudowane

Tu wchodzimy na teren, który często uchodzi za „czysto techniczny”. A jednak to właśnie na tym etapie ustala się, co algorytm uzna za sukces, a co za błąd.

Laboratorium może:

• organizować warsztaty definiowania celów – np. wspólnie z mieszkańcami doprecyzować, co znaczy „uczciwy przydział mieszkań komunalnych” czy „sprawiedliwe kolejkowanie do specjalistów”,
• wspierać tworzenie list kryteriów, których system nie powinien brać pod uwagę (np. status małżeński, adres zamieszkania jako proxy biedy),
• wymagać od dostawców opisu kompromisów, na które zgadza się instytucja (np. mniejsza dokładność dla zyskania większej przejrzystości).

To moment, w którym pytania obywateli potrafią mocno wpłynąć na kształt systemu. Jedno z najprostszych brzmi: „co się stanie z ludźmi, którzy są poza wzorcem, do którego trenuje się model?”.

Etap wdrożenia: gdzie stawiamy granice i bezpieczniki

Nawet najlepiej zaprojektowany model może wyrządzić szkody, jeśli zostanie wprowadzony bez sensownych ram.

Na tym etapie laboratorium może współtworzyć:

• polityki użycia – dokumenty opisujące, do czego system wolno używać, a do czego nie (np. zakaz automatycznego odrzucania wniosków bez udziału człowieka),
• mechanizmy zgłaszania problemów – prostą drogę dla mieszkańców i pracowników instytucji, by sygnalizować błędy i nadużycia,
• procedury „wyłącznika bezpieczeństwa” – jasne zasady, kiedy trzeba zawiesić działanie systemu (np. po wykryciu powtarzającej się dyskryminacji konkretnej grupy).

Tu bardzo przydają się małe pilotaże. Zamiast od razu obejmować systemem całe miasto, można przetestować go na fragmencie usługi, zaprosić mieszkańców do świadomego udziału w teście i wspólnie ocenić efekty.

Etap użytkowania: jak AI zmienia relacje w pracy i w usługach publicznych

Po wdrożeniu zaczyna się codzienność. To właśnie wtedy ujawniają się „miękkie” skutki AI: zmiany ról zawodowych, relacji z urzędnikiem lub lekarzem, poczucie sprawczości lub jego brak.

Laboratorium może tu:

• prowadzić regularne pętle informacji zwrotnej – krótkie ankiety, wywiady, grupy fokusowe z użytkownikami systemu (mieszkańcami i pracownikami),
• organizować sesje „mapowania skutków” – wspólne rysowanie, co się zmieniło przed i po wprowadzeniu systemu, kto zyskał, kto stracił,
• inicjować drobne korekty – zmiany w interfejsie, formie komunikatów, sposobie informowania o roli algorytmu w procesie decyzyjnym.

Jeśli mieszkańcy mają miejsce, gdzie mogą „oddać doświadczenie” z korzystania z systemu, łatwiej wychwycić problemy zanim przerodzą się w kryzys zaufania.

Etap monitoringu: czy system gra fair w dłuższej perspektywie

Raz wdrożony system ma tendencję do „zastygania”. Działa, dopóki nie wydarzy się coś spektakularnego. Tymczasem dane się zmieniają, społeczeństwo też, a modele zaczynają działać gorzej albo reprodukować stare uprzedzenia.

Laboratorium może pomóc zbudować stały nadzór obywatelski nad systemami AI:

• uzgadniając z instytucją harmonogram przeglądów (np. co rok raport z niezależnego audytu algorytmu),
• angażując mieszkańców w współocenę wyników – np. w otwartych spotkaniach poświęconych raportowi z audytu,
• tworząc lokalne rejestry systemów AI – katalog tego, jakie systemy działają w danym mieście/regionie, jaką rolę pełnią, kto za nie odpowiada.

Taki monitoring to sposób, by z decyzji „jednorazowych” (czy wdrażamy AI) zrobić decyzje cykliczne (czy utrzymujemy, modyfikujemy, czy wycofujemy konkretne rozwiązanie).

Modele obywatelskiego współdecydowania o AI: od paneli po cyfrowe zgromadzenia

Panele obywatelskie ds. AI – głęboka deliberacja dla wybranych tematów

Panel obywatelski to losowo wybrana grupa mieszkańców, która przez kilka tygodni lub miesięcy pracuje nad konkretnym problemem. W kontekście AI dobrze sprawdza się przy zagadnieniach trudnych i przekrojowych, np. „czy i jak stosować systemy rozpoznawania twarzy w naszym mieście”.

Kluczowe elementy dobrze zaprojektowanego panelu:

• losowanie z warstwami – tak, by w grupie byli przedstawiciele różnych dzielnic, wieku, wykształcenia,
• moduł edukacyjny – uczestnicy dostają czas i wsparcie, by zrozumieć podstawy działania AI i konkretnego systemu,
• kontakt z wieloma perspektywami – nie tylko z dostawcą systemu, ale też z krytycznymi ekspertami, organizacjami społecznymi, pracownikami instytucji,
• jasne zobowiązanie decydentów – na starcie określa się, jaką moc mają rekomendacje (np. „co przyjmujemy automatycznie, czego nie możemy, co wymaga dodatkowej analizy”).

Panel to narzędzie punktowe – nie rozwiąże wszystkiego, ale potrafi ustawić kierunek w sprawach, które będą potem wdrażane w wielu mniejszych projektach AI.

Rady obywatelskie przy projektach technologicznych

Drugi model to stałe rady obywatelskie, działające przy konkretnych instytucjach lub programach (np. rada mieszkańców przy systemie cyfrowego zdrowia w regionie).

Taka rada może:

• opiniować plany nowych wdrożeń AI,
• zgłaszać tematy do audytu i przeglądu istniejących systemów,
• uczestniczyć w definiowaniu kryteriów sukcesu projektów,
• współtworzyć standardy komunikacji z mieszkańcami – jak jasno informować, gdzie w danej usłudze działa AI i jaki ma wpływ na decyzję.

Rada działa najlepiej, gdy ma stały rytm pracy (np. kwartalne posiedzenia), dostęp do dokumentów projektowych oraz możliwość zapraszania ekspertów z zewnątrz. Laboratorium idei może pełnić dla niej funkcję sekretariatu: przygotowywać materiały, moderować dyskusje, tłumaczyć techniczne kwestie na język zrozumiały dla osób spoza branży.

Przykład z praktyki: regionalny szpital uruchamia system wspomagania diagnostyki obrazowej. Rada mieszkańców analizuje z dyrekcją trzy warianty procedury informowania pacjentów o roli AI w procesie. Po serii spotkań wybierają najprostszą, ale najbardziej uczciwą formułę: krótką ulotkę plus jasny komunikat lekarza, kiedy system miał realny wpływ na decyzję.

Cyfrowe zgromadzenia i konsultacje hybrydowe

Nie każdy ma czas, by wchodzić w kilkumiesięczny proces. Do szybszych, ale nadal sensownych konsultacji nadają się cyfrowe zgromadzenia – platformy, na których mieszkańcy mogą komentować propozycje, zgłaszać poprawki, głosować nad wariantami rozwiązań.

Kluczowe jest połączenie online z offline. Zdalne narzędzie pozwala dotrzeć do osób, które nie przyjdą na spotkanie w urzędzie, a krótkie warsztaty na żywo pomagają pogłębić tematy, które w sieci wywołały najwięcej sporów. Laboratorium może moderować obie warstwy: pilnować kultury dyskusji w internecie i prowadzić moderowane rozmowy w małych grupach.

Sprawdza się prosty schemat: najpierw krótka prezentacja problemu i wariantów na platformie, potem tydzień na komentarze, następnie jedno lub dwa spotkania na żywo z reprezentatywną grupą osób, na końcu – publikacja zmodyfikowanej propozycji z jasnym opisem, co zmieniono pod wpływem głosów mieszkańców. Taki cykl można powtarzać przy kolejnych projektach AI, zamiast za każdym razem wymyślać procedurę od zera.

Budżety partycypacyjne na projekty cyfrowe i AI

Gdy miasto i instytucje zaczynają inwestować w AI, pojawia się podstawowe pytanie: na co konkretnie i w jakiej kolejności idą pieniądze. Tu przydają się budżety partycypacyjne ukierunkowane na projekty cyfrowe.

Mechanizm jest prosty: część środków na transformację cyfrową wydziela się na pulę, o której przeznaczeniu współdecydują mieszkańcy. Mogą zgłaszać własne pomysły (np. otwarty system informacji o rozkładach jazdy zamiast kolejnego chatbota w urzędzie) albo wskazywać priorytety spośród wstępnie przygotowanej listy projektów AI. Laboratorium wspiera tu dwie rzeczy: tłumaczenie technicznych opisów na język zwykłych użytkowników oraz pomoc w dopracowaniu oddolnych propozycji tak, by faktycznie dało się je zrealizować.

Taki budżet nie zastąpi całego planowania inwestycji, ale przesuwa akcent: zamiast wyłącznie „AI tam, gdzie łatwo wdrożyć”, pojawia się „AI tam, gdzie ludzie widzą realny sens”. To zmienia rozmowę o sztucznej inteligencji z abstrakcyjnej debaty o „innowacjach” w konkretne pytanie: jakie narzędzia naprawdę poprawią nasze codzienne życie.

Sztuczna inteligencja nie jest przyrodniczym żywiołem, który można tylko obserwować z brzegu. Każdy z opisanych modeli – od małego warsztatu po panel obywatelski czy radę mieszkańców – to sposób, by zwykli ludzie współdecydowali, jak te systemy wyglądają i komu służą. Tam, gdzie takie praktyki wchodzą w rutynę, AI przestaje być czymś „robionym ludziom” i staje się kolejnym obszarem wspólnego zarządzania – jak transport, edukacja czy planowanie przestrzenne.

Jak zacząć budować lokalne laboratorium idei obywatelskich ds. AI

Bez względu na skalę – gmina, dzielnica, organizacja społeczna – pierwsze kroki są podobne. Chodzi o to, by stworzyć miejsce, proces i minimalny zespół, który pociągnie temat dłużej niż jedno spotkanie „o AI”.

Mały start: zespół inicjatywny i jasny mandat

Na początku wystarczy kilka osób z różnych środowisk: urzędnik, nauczycielka, ktoś z organizacji społecznej, może pracownik lokalnej firmy technologicznej. Potrzebują prostego mandatu do działania, choćby w formie krótkiej uchwały rady miasta lub porozumienia między instytucjami.

Praktyczna mikro-checklista na start:

• 3–7 osób w zespole inicjatywnym – z minimum jednym „człowiekiem od procesów” (facylitacja, partycypacja),
• krótki dokument mandatowy – 1–2 strony: cel laboratorium, czas działania pilotażu (np. 12 miesięcy), zakres tematyczny,
• koordynator z czasem w grafiku – nawet 0,1 etatu, ale realny, wpisany w obowiązki,
• miejsce spotkań – siedziba domu kultury, biblioteki, coworku, przestrzeń online lub hybrydowa.

Bez mandatu laboratorium szybko staje się „fajnym projektem pobocznym”, który ginie przy pierwszym kryzysie. Z prostym upoważnieniem łatwiej zapraszać instytucje i ekspertów do stołu.

Zakres działania: lepiej wąsko i konkretnie niż „wszystko o AI”

Na wejściu kusi, by zajmować się całą sztuczną inteligencją naraz. W praktyce lepiej zawęzić zakres do 1–2 obszarów, które i tak już się zmieniają przez cyfryzację.

Proste kierunki startowe:

• usługi publiczne – kontakt z urzędem, zdrowie, transport, edukacja,
• rynek pracy lokalnej – konkretne branże w mieście, np. logistyka, sektor usług,
• młodzież i szkoły – korzystanie z narzędzi AI w nauce, wsparcie nauczycieli.

Przykład: średnie miasto, w którym i tak planuje się cyfrową rejestrację do przedszkoli i poradni zdrowia. Laboratorium skupia się na tych dwóch usługach, zamiast opisywać całą „strategię AI” na papierze. Później, po pierwszym roku, może rozszerzyć zakres.

Minimium procesowe: trzy tory pracy

Żeby laboratorium nie było jedynie serią paneli, przydaje się prosty podział na trzy równoległe tory:

• słuchanie – zbieranie doświadczeń mieszkańców i pracowników,
• testowanie – małe pilotaże lub symulacje rozwiązań AI,
• wpływ instytucjonalny – realny kontakt z decydentami i projektami.

Każdy kwartał można planować tak, by w każdym torze działo się przynajmniej jedno działanie. Np. warsztat z rodzicami (słuchanie), mały test chatbota w bibliotece (testowanie), spotkanie z działem IT urzędu (wpływ).

Kompetencje, których potrzebuje obywatelskie laboratorium AI

Nie trzeba zespołu profesorów uczenia maszynowego. Przydaje się raczej kilka uzupełniających się ról: ktoś rozumiejący ludzi, ktoś procesy, ktoś systemy techniczne i ktoś politykę instytucjonalną.

Role w zespole: od tłumacza technologii po strażnika etyki

Typowy zestaw ról w działającym laboratorium:

• facylitator/facylitatorka – projektuje spotkania, dba o równowagę głosów, moderuje spory,
• tłumacz technologii – niekoniecznie programista; ktoś, kto potrafi przełożyć działanie systemu na proste przykłady i metafory,
• analityczka – zbiera i porządkuje dane z konsultacji, ankiet, raportów technicznych,
• strażnik etyki i praw – śledzi wątki ochrony danych, dyskryminacji, dostępu do usług,
• łącznik z instytucjami – wie, jak podejmuje się decyzje w urzędzie, szpitalu, szkole; potrafi „wrzucić” rekomendacje w realne procedury.

Na starcie te role często łączą się w jednej osobie. Z czasem, gdy laboratorium rośnie, można je rozdzielać, np. zapraszając nauczycieli informatyki, aktywistów, studentów kierunków technicznych czy prawniczych.

Podstawowy alfabet AI dla obywateli

Bez wspólnego minimum pojęć rozchodzą się dyskusje. Jedni mówią o chatbotach, inni o robotach przemysłowych, jeszcze inni o „sztucznej świadomości”. Dlatego laboratorium powinno wypracować i powtarzać prosty „alfabet AI”.

Przydaje się krótki zestaw kart lub slajdów, który pokazuje:

• czym różni się system rekomendacyjny od modelu generatywnego,
• co to jest dane treningowe i dlaczego uprzedzenia w danych przenoszą się na decyzje,
• gdzie kończy się wspomaganie decyzji, a zaczyna automatyczna decyzja,
• jakie są typowe miejsca ryzyka: prywatność, transparentność, możliwość odwołania.

Te same materiały można używać na panelach obywatelskich, w szkołach i podczas konsultacji online. Z czasem laboratorium może rozwijać ten alfabet, ale na początku wystarczy naprawdę kilkanaście pojęć podanych na przykładach z życia.

Umiejętność stawiania pytań „w poprzek technologii”

Jedna z ważniejszych kompetencji to zdolność zadawania prostych, ale celnych pytań, niezależnie od tego, jak skomplikowany jest model. Przykładowy zestaw, który laboratorium może wieszać na ścianie przy każdym spotkaniu:

• Kto zyskuje, kto traci, jeśli ten system będzie działał dokładnie tak, jak zakładacie?
• Co się stanie, gdy model pomyli się w 1 na 100 przypadków? A w 1 na 10?
• Jak człowiek może zakwestionować lub poprawić decyzję systemu?
• Kto jest właścicielem danych i kto odpowiada za szkody?
• Jak wyjaśnicie działanie systemu osobie, która ma 5 minut i jest zdenerwowana?

Takie pytania nie wymagają biegłości w Pythonie, ale zmuszają zespoły techniczne do przełożenia projektu na język odpowiedzialności i ryzyka społecznego.

Jak włączać różne grupy mieszkańców w rozmowę o AI

Najczęstszy błąd to rozmowa „ekspertów z ekspertami”. Zwykle brakuje osób starszych, ludzi o niższych dochodach, osób z niepełnosprawnościami, uczniów szkół zawodowych. Tymczasem to oni często najbardziej odczuwają skutki automatyzacji usług i pracy.

Docieranie do „cichej większości” zamiast wyłącznie aktywistów

Zwykły formularz online i post w mediach społecznościowych przyciąga wąską grupę: osoby już zainteresowane technologią i polityką lokalną. Żeby wyjść szerzej, laboratorium może:

• korzystać z pośredników zaufania – rady seniorów, szkoły, parafie, kluby sportowe, spółdzielnie mieszkaniowe,
• organizować mini-spotkania „tam, gdzie ludzie już są” – przerwa w zajęciach w szkole, dyżur w bibliotece, stolik przy wydarzeniu kulturalnym,
• stosować proste formaty – jedna kartka z trzema pytaniami, krótkie rozmowy zamiast długich debat.

Przykład: zamiast zapraszać rodziców na osobne wydarzenie „o AI w edukacji”, zespół laboratorium rozstawia stolik przy wywiadówce. Pięć minut rozmowy, dwie kartki z przykładami narzędzi AI w szkole, na końcu prośba o krótką opinię.

Uczniowie i studenci jako współprojektanci, nie tylko „adresaci”

Młodzi ludzie używają AI na co dzień – w nauce, grach, mediach społecznościowych – ale rzadko ktoś pyta ich, jak chcieliby, aby te narzędzia działały w instytucjach publicznych. Laboratorium może włączyć ich w rolę współprojektantów:

• wspólne hackathony obywatelskie – nie tylko kodowanie, ale też projektowanie zasad użycia narzędzi,
• programy „młodzieżowy doradca ds. AI” – kilka osób z różnych szkół, które spotykają się z zespołem laboratorium i wnoszą swoje perspektywy,
• projekty zaliczeniowe we współpracy ze szkołami i uczelniami – np. analiza jednego z miejskich systemów AI pod kątem dostępności.

Dla młodych to szansa na realny wpływ i doświadczenie projektowe. Dla instytucji – lepsze zrozumienie, jak ich systemy są faktycznie używane, a nie tylko jak je zaprojektowano.

Włączanie osób wrażliwych na skutki automatyzacji

Systemy AI najmocniej dotykają grupy, które mają najmniej czasu i zasobów, by bronić swoich interesów. Chodzi m.in. o osoby bez stabilnej pracy, migrantów, osoby z niepełnosprawnościami, osoby korzystające z pomocy społecznej.

Żeby ich głos realnie wybrzmiał, laboratorium może:

• współpracować z organizacjami, które już z nimi pracują – asystenci rodzinni, ośrodki pomocy, fundacje,
• organizować zamknięte, kameralne spotkania z dodatkowymi udogodnieniami (tłumaczenie na PJM, zwrot kosztów dojazdu, opieka nad dziećmi),
• testować prototypy systemów AI bezpośrednio z tymi osobami – np. jak wygląda wniosek online z czytnikiem ekranu, jak chatbot obsługuje sytuacje kryzysowe.

Nie chodzi o jednorazowy „panel empatii”, ale o stałą praktykę – każda większa zmiana w systemie powinna przejść przez kontakt z użytkownikami, którzy mają najsłabszą pozycję negocjacyjną.

Jak przekładać wyniki pracy laboratorium na decyzje instytucji

Bez realnego wpływu na procedury i budżety laboratorium zamienia się w klub dyskusyjny. Potrzebne są konkretne mechanizmy, które wiążą jego pracę z działaniem urzędów, szkół czy szpitali.

„Ścieżka rekomendacji”: od warsztatu do uchwały

Dobrze, gdy laboratorium ma ustaloną z instytucjami prostą ścieżkę, którą przechodzą rekomendacje. W praktyce może to wyglądać tak:

1. Wypracowanie rekomendacji – na panelu, w radzie obywatelskiej, w konsultacjach online.
2. Ustrukturyzowanie – zespół laboratorium porządkuje je w krótki dokument: lista propozycji, dla każdej uzasadnienie i potencjalne skutki.
3. Spotkanie robocze z decydentami – przejście przez rekomendacje jedna po drugiej, wstępna kategoryzacja: „akceptujemy”, „do dalszej analizy”, „nie możemy wdrożyć (z uzasadnieniem)”.
4. Formalizacja – te, które wymagają uchwał, zmian regulaminów, zapisów w budżecie, trafiają na agendę właściwych organów.
5. Informacja zwrotna dla obywateli – publiczna tabela: co przyjęto, z czym jest problem, co wymaga dodatkowych danych.

Sam fakt, że każda rekomendacja musi „przejść” przez taki proces, zmienia dynamikę. Uczestnicy widzą, że ich praca nie kończy się w folderze na dysku, a instytucje uczą się jasno tłumaczyć, dlaczego niektórych rzeczy robić nie mogą lub nie chcą.

„Klauzula obywatelskiej konsultacji” w projektach AI

Jednym z prostszych narzędzi jest wpisanie do regulaminów i procedur, że projekty wykorzystujące AI wymagają określonego poziomu konsultacji z mieszkańcami. Nie chodzi o paraliż, tylko o stały, minimalny standard.

Prosty zapis może brzmieć np.: „Każdy projekt wykorzystujący systemy podejmujące lub wspomagające decyzje wobec mieszkańców wymaga co najmniej jednego etapu konsultacji z udziałem laboratorium idei obywatelskich oraz przedstawienia publicznego raportu z tych konsultacji”.

Laboratorium może opracować katalog poziomów konsultacji, uzależnionych od wagi projektu:

• niski wpływ (np. chatbot informacyjny) – krótkie badanie użytkowników, otwarta możliwość zgłaszania uwag,
• średni wpływ (np. system kolejkowania) – warsztaty + konsultacje online + publiczny opis modelu działania,
• wysoki wpływ (np. scoring wsparcia socjalnego) – panel obywatelski, niezależny audyt, regularny monitoring.

Taki katalog ułatwia pracownikom instytucji planowanie czasu i zasobów. Zamiast za każdym razem zaczynać od zera, wybierają poziom i wiedzą, jakich kroków wymaga współpraca z laboratorium.

Przy większych projektach „klauzula konsultacji” może być połączona z prostym harmonogramem: minimalny czas na zasięgnięcie opinii, termin na odpowiedź instytucji, moment wstrzymania wdrożenia, jeśli pojawią się istotne zastrzeżenia. Chodzi o to, żeby konsultacje nie były ruchomym celem, który łatwo ominąć pod presją czasu lub budżetu.

Dobrą praktyką jest też wprowadzenie krótkiego, obowiązkowego arkusza oceny wpływu. Zespół, który planuje system AI, wypełnia kilka stron pytań: jakie decyzje będzie wspierał, kogo dotkną błędy, jakie dane zbierze, jak długo je zachowa. Ten arkusz trafia równolegle do działu prawnego i do laboratorium, które na tej podstawie proponuje adekwatny poziom rozmowy z mieszkańcami.

Jeżeli instytucja współpracuje z firmami technologicznymi, elementy konsultacji obywatelskich można wprost wpisać do SIWZ i umów. Na przykład: obowiązek udziału wykonawcy w warsztatach z mieszkańcami, dostosowanie interfejsu do zaleceń wypracowanych z osobami z niepełnosprawnościami, udostępnienie uproszczonej dokumentacji modelu do publicznego wglądu. Dzięki temu udział obywateli nie jest „miłym dodatkiem”, tylko warunkiem realizacji kontraktu.

Laboratorium może też pełnić rolę „sygnalisty systemowego”. Jeśli w kilku różnych procesach konsultacyjnych powtarzają się te same obawy – np. brak możliwości odwołania od decyzji algorytmu czy niezrozumiały język komunikatów – zespół przygotowuje jedną, przekrojową rekomendację. Zamiast łatać pojedyncze projekty, instytucja zmienia wtedy zasady projektowania wszystkich narzędzi AI, na przykład wprowadza obowiązek jasnej ścieżki odwołania i limituje automatyczne odrzucanie wniosków.

Tak rozumiane laboratorium idei obywatelskich nie jest dodatkiem do „prawdziwej” polityki AI, ale jej częścią. Łączy wiedzę techniczną z doświadczeniem mieszkańców, pilnuje przejrzystości i uczy instytucje, że sztuczna inteligencja to nie tylko modele i serwery, lecz przede wszystkim konkretne decyzje o tym, jak traktujemy się nawzajem w społeczeństwie.

Najczęściej zadawane pytania (FAQ)

Dlaczego zwykli ludzie powinni mieć wpływ na rozwój sztucznej inteligencji?

Sztuczna inteligencja staje się infrastrukturą społeczną – wpływa na dostęp do pracy, świadczeń, kredytów, ochrony zdrowia czy informacji. To nie jest już techniczna ciekawostka, ale warstwa decyzyjna, która po cichu ustala zasady gry w wielu dziedzinach życia.

Jeśli decyzje o kierunku rozwoju AI zapadają wyłącznie w korporacjach i gabinetach rządowych, systemy będą optymalizować głównie zysk, kontrolę i interesy wąskich grup. Bez udziału obywateli rośnie ryzyko błędnych, niesprawiedliwych decyzji i poczucia, że „system robi z ludźmi, co chce”.

Co to jest laboratorium idei obywatelskich w kontekście sztucznej inteligencji?

Laboratorium idei obywatelskich to przestrzeń – fizyczna lub online – w której mieszkańcy, aktywiści, urzędnicy i eksperci wspólnie testują scenariusze wykorzystania AI. Chodzi o miejsce, gdzie można nazwać problemy z codziennego życia, zaproponować alternatywne rozwiązania i sprawdzić ich skutki.

Praca w takim laboratorium obejmuje m.in. formułowanie problemów z perspektywy użytkowników, projektowanie małych pilotaży (np. jak miałby działać algorytm w urzędzie miasta) oraz ocenę skutków nie tylko technicznych, ale też społecznych i etycznych. To bardziej warsztat niż konferencja ekspercka.

Czym różni się laboratorium obywatelskie od klasycznego think tanku?

Think tank ekspercki opiera się głównie na pracy analityków, badaczy i prawników. Produkuje raporty i rekomendacje „dla” decydentów, bazując na danych, badaniach i modelach. Relacja jest jednostronna: eksperci → politycy/instytucje.

Laboratorium obywatelskie zaprasza do stołu także osoby, które na co dzień odczuwają skutki działania systemów AI. Zamiast pisać raport „o użytkownikach”, tworzy rozwiązania razem z nimi. Decyzje i scenariusze są dyskutowane w szerszej grupie, a eksperci pełnią rolę tłumaczy i doradców, nie wyłącznych autorów koncepcji.

Jakie są konsekwencje, gdy AI projektuje się bez udziału obywateli?

Najczęstsze skutki to: systemy kredytowe i scoringowe, które odcinają ludzi od mieszkań czy pracy bez jasnego uzasadnienia, algorytmy w administracji, które masowo produkują błędne decyzje, oraz rozwiązania do nadzoru masowego, które uderzają przede wszystkim w osoby najsłabsze lub „niewygodne”.

Wspólny mianownik: brak przejrzystości, realnej ścieżki odwołania i poczucie bezsilności. Gdy obywatele nie uczestniczą w ustalaniu reguł gry, technologia wzmacnia istniejące układy sił, zamiast rozwiązywać ich problemy.

Na czym polega różnica między „konsultacjami społecznymi” a realnym współdecydowaniem o AI?

Konsultacje pod tezę to sytuacja, gdy projekt jest już gotowy, a mieszkańców pyta się tylko o detale lub prosi o uwagi, których nikt później nie analizuje. Często brakuje czasu na zrozumienie tematu, nie ma neutralnych moderatorów ani obowiązku odniesienia się do zgłoszonych opinii.

Realne współdecydowanie zaczyna się na etapie ustalania, czy dany system w ogóle powinien powstać. Obejmuje: dostęp do rzetelnych informacji „za” i „przeciw”, czas na dyskusję, możliwość zgłaszania alternatyw oraz jasną ścieżkę, jak instytucje muszą odnieść się do rekomendacji mieszkańców.

Jak zwykły obywatel może w praktyce włączyć się w decydowanie o sztucznej inteligencji?

Podstawowe ścieżki są proste, choć wymagają kilku konkretnych kroków:

• śledzenie lokalnych projektów cyfrowych (e-usługi, monitoring, systemy kolejkowe) i zadawanie pytań: jaki algorytm, jakie dane, jakie odwołania;
• udział w panelach obywatelskich, budżetach obywatelskich, konsultacjach dotyczących nowych systemów IT w mieście lub kraju;
• łączenie się w grupy: stowarzyszenia lokatorskie, organizacje rodziców, związki zawodowe – łatwiej wymusić audyt czy zmianę, działając zespołowo;
• współpraca z lokalnymi instytucjami (biblioteki, domy kultury, NGO), by organizować warsztaty i małe „laboratoria idei” wokół konkretnych problemów.

Dobry punkt startu to proste pytanie zadane urzędowi, szkole lub przychodni: „Czy w tym systemie decyzję podejmuje człowiek, czy algorytm, i jak mogę się odwołać?”. To szybko pokazuje, gdzie potrzeba głębszej rozmowy.

Dla kogo tak naprawdę „pracuje” sztuczna inteligencja?

AI zawsze realizuje cele, które ktoś definiuje na początku: zwiększenie zysku, oszczędność czasu urzędników, poprawa bezpieczeństwa czy wygoda użytkownika. Jeśli te cele ustalają wyłącznie korporacje, służby bezpieczeństwa i wąskie elity, system będzie przede wszystkim służył im.

Gdy w proces włącza się głos obywateli, można przesunąć akcenty: z maksymalizacji zysku na równość dostępu, z masowego nadzoru na ochronę praw, z wygody „średniego użytkownika” na wsparcie tych, którzy zwykle są pomijani. Laboratoria idei obywatelskich są narzędziem, które taki zwrot interesów umożliwia w praktyce.