Le omissioni FOIA con AI del DHS promettono velocità, ma rischiano una segretezza più profonda
Il DHS prevede di utilizzare l'AI per raccomandare omissioni in un numero compreso tra 100.000 e 140.000 richieste annuali di documenti pubblici, nonostante le prove limitate della capacità delle macchine di formulare decisioni affidabili sulla divulgazione. L'iniziativa del DHS sulle omissioni FOIA con AI promette tempi di elaborazione più brevi. Rischia inoltre di rendere le ritenzioni eccessive più rapide, economiche e difficili da contestare per i richiedenti.
Il Dipartimento per la sicurezza interna afferma che i dipendenti esamineranno le raccomandazioni prima che i documenti lascino l'agenzia. Questa garanzia è importante perché il Freedom of Information Act, o FOIA, richiede una valutazione giuridica contestuale. Un modello può riconoscere nomi o numeri identificativi. Non può decidere autonomamente se la pubblicazione di una discussione sulle politiche causerebbe un danno giuridicamente riconoscibile.
Non si tratta di una sfida tra tecnologia e burocrazia cartacea. Il vero conflitto è tra efficienza di elaborazione e accesso pubblico significativo. Le agenzie federali affrontano volumi di richieste di documenti che i revisori umani faticano a gestire. Eppure il governo non ha dimostrato che le raccomandazioni automatizzate favoriranno con coerenza la divulgazione quando la legge lo consente.
Questa domanda ha un peso insolito al DHS. Il dipartimento ha elaborato quasi un milione di richieste nell'anno fiscale 2025, secondo dati federali citati nel piano federale sulle omissioni. Solo il 2,3% ha prodotto documenti senza omissioni. Se l'automazione influenzerà anche solo una frazione di questo carico di lavoro, le sue assunzioni plasmeranno ciò che giornalisti, ricercatori, avvocati e cittadini comuni potranno apprendere sulle attività federali.
Cosa faranno effettivamente le omissioni FOIA con AI del DHS
Il cambiamento immediato non è una censura autonoma, bensì raccomandazioni automatizzate che entrano in un processo di revisione legale su una scala enorme.
La U.S. Customs and Border Protection, un'agenzia all'interno del DHS, prevede di utilizzare strumenti di intelligenza artificiale e apprendimento automatico di Google durante l'elaborazione FOIA. Il sistema identificherà contenuti che potrebbero qualificarsi per la ritenzione e raccomanderà omissioni ai dipendenti pubblici.
Un'omissione rimuove una parte di un documento prima della sua pubblicazione, di solito coprendo testo, immagini, audio o video. Le agenzie applicano omissioni quando le informazioni rientrano in un'esenzione FOIA o un'altra legge ne vieta la divulgazione. Esempi comuni includono dati personali, materiale classificato, informazioni delle forze dell'ordine e alcune deliberazioni interne.
La descrizione del DHS afferma che l'automazione dovrebbe ridurre i tempi di elaborazione. Il dipartimento ha inoltre dichiarato che i membri del personale esamineranno ogni caso e garantiranno che i richiedenti ricevano informazioni accurate e complete. Queste dichiarazioni indicano che un essere umano rimane responsabile della decisione finale.
Tuttavia, la scala prevista cambia il significato pratico di tale revisione. Il DHS prevede di applicare l'AI a categorie di richieste che rappresentano oltre il 10% delle sue istanze. Il dipartimento stima questo intervallo in circa 100.000-140.000 richieste.
Esaminare un suggerimento della macchina non equivale necessariamente a prendere una decisione ex novo. Un dipendente molto impegnato può iniziare dai passaggi evidenziati dal modello e concentrarsi sulla loro conferma. Questo flusso di lavoro può creare un bias di automazione, ovvero la tendenza ad accettare l'output di un sistema perché appare sistematico o autorevole.
La distinzione diventa critica quando un modello va oltre le informazioni personali evidenti. Rilevare un numero di Social Security segue uno schema relativamente stabile. Applicare un'esenzione a un'email su una politica non ancora definita richiede la comprensione dell'autore, dello scopo, della tempistica, del pubblico e del rapporto del documento con una decisione finale.
Il DHS non ha stabilito pubblicamente con quale frequenza il suo sistema gestirà il semplice confronto di schemi anziché quelle decisioni contestuali. Non ha divulgato risultati completi sulle prestazioni, tassi di errore, registri di test, esempi di addestramento o tassi di annullamento delle raccomandazioni.
Anche altri dipartimenti stanno sperimentando. Secondo quanto riferito, il Dipartimento dell'interno utilizza tecnologia Microsoft per individuare materiale che potrebbe rientrare nelle tutele del segreto professionale tra avvocato e cliente. Il Dipartimento della salute e dei servizi umani ha descritto un sistema proof-of-concept per esaminare e omettere informazioni da grandi raccolte documentali. Il Dipartimento di giustizia afferma che diverse componenti utilizzano già funzioni automatizzate di ricerca e revisione.
Il movimento è quindi più ampio di una singola implementazione del DHS. Le agenzie federali stanno costruendo uno strato di assistenza automatica tra i documenti governativi e le persone che li richiedono. Resta da stabilire se questo strato aiuterà i revisori a trovare informazioni divulgabili oppure li incoraggerà a rimuoverne di più.
Questa incertezza trasforma un aggiornamento operativo in una prova della trasparenza governativa.
Perché le agenzie federali stanno automatizzando il FOIA ora
L'AI entra nel FOIA perché i volumi di richieste e le raccolte documentali hanno superato le capacità dei sistemi di revisione esistenti di molte agenzie.
Il FOIA attribuisce al pubblico il diritto di richiedere documenti alle agenzie del ramo esecutivo. Non copre il Congresso, i tribunali federali o la maggior parte degli uffici che consigliano direttamente il presidente. Ogni agenzia soggetta alla normativa deve individuare i documenti pertinenti, esaminarli, applicare eventuali esenzioni legittime e pubblicare tutto il materiale non esente ragionevolmente separabile.
Il processo rallenta quando una richiesta riguarda migliaia di email, allegati, messaggi, video, fogli di calcolo e documenti scansionati. I revisori devono trovare duplicati, identificare materiale pertinente, consultare altri uffici, proteggere segreti legittimi e preservare tutto ciò che può essere legalmente divulgato.
In tutto il governo federale, le agenzie hanno elaborato il numero record di 1,6 milioni di richieste nell'anno fiscale 2025. Ciò ha rappresentato un aumento del 9% rispetto all'anno precedente, secondo i dati annuali FOIA del Dipartimento di giustizia.
La tecnologia può intervenire su diverse parti meccaniche di questo carico di lavoro. Il riconoscimento ottico dei caratteri trasforma le pagine scansionate in testo ricercabile. La deduplicazione rimuove le catene di email ripetute. Il riconoscimento delle entità individua nomi, numeri di telefono, indirizzi e altri schemi ricorrenti. I sistemi di classificazione possono dare priorità ai documenti che appaiono pertinenti a una richiesta.
Questi utilizzi non comportano lo stesso livello di rischio. Cercare documenti pertinenti in una raccolta può ampliare l'accesso se l'alternativa è una ricerca manuale incompleta. L'occultamento automatico del linguaggio incide invece sul contenuto della pubblicazione al pubblico.
I funzionari federali esplorano questa distinzione da anni. Nel maggio 2026, il Chief FOIA Officers Council, l'Office of Government Information Services dei National Archives e il Dipartimento di giustizia hanno organizzato il terzo NexGen FOIA Tech Showcase.
La vetrina tecnologica del governo ha cercato strumenti per l'e-discovery, l'elaborazione dei casi, pubblicazioni accessibili, sale di lettura pubbliche e omissioni automatizzate. I sistemi proposti riguardavano archivi cartacei, contenuti digitali, video, audio e dati strutturati.
L'evento ha seguito iniziative simili nel 2022 e nel 2024. Ha inoltre rispecchiato una raccomandazione del comitato consultivo federale sul FOIA, che ha incoraggiato le agenzie a raccogliere informazioni dal settore sulle elaborazioni assistite dall'AI.
L'adozione resta limitata ma è in aumento. L'ultima valutazione FOIA dei National Archives ha rilevato che il 20,6% delle agenzie federali rispondenti ha utilizzato AI o apprendimento automatico per aiutare a cercare o organizzare documenti nel 2025. Era in aumento rispetto al 18,6% della valutazione precedente.
Lo stesso rapporto ha rilevato che l'80% utilizzava strumenti di e-discovery per le ricerche FOIA, rispetto al 72% del 2020. Queste cifre mostrano che le agenzie stavano già automatizzando il lavoro sui documenti prima che l'AI generativa diventasse la storia tecnologica dominante.
Il problema dell'arretrato è reale. Un accesso ritardato può rendere inutili informazioni accurate. Un documento pubblicato dopo un'elezione, una controversia giudiziaria, un dibattito politico o un'emergenza pubblica può arrivare troppo tardi per contribuire alla responsabilità pubblica.
L'automazione può quindi favorire l'apertura quando aiuta il personale a individuare documenti, rimuovere duplicati o identificare dati personali chiaramente protetti. Un'elaborazione più rapida non è un vantaggio trascurabile.
Il pericolo emerge quando le agenzie considerano la velocità la misura primaria del successo. Una richiesta chiusa non è necessariamente una richiesta soddisfatta. Una risposta rapida piena di riquadri neri non necessari può offrire meno valore pubblico di una divulgazione più lenta e attentamente esaminata.
Per questo la questione centrale sulle prestazioni non può essere quante pagine il sistema elabori all'ora. Deve essere quante informazioni legalmente divulgabili raggiungano il pubblico, con quanti errori e dopo quale livello di controllo umano.
La promessa di efficienza incontra un problema di divulgazione
Lo stesso sistema che può accelerare omissioni valide può anche ampliare la tendenza già esistente del governo a trattenere troppe informazioni.
Il DHS ha elaborato 994.992 richieste FOIA nell'anno fiscale 2025. Ha pubblicato documenti senza omissioni solo nel 2,3% dei casi completati. Circa il 40% si è concluso con pubblicazioni parzialmente omesse.
Le richieste rimanenti si sono concluse per diverse ragioni. Alcune hanno ricevuto dinieghi completi ai sensi delle esenzioni previste dalla legge. In molti casi, il dipartimento ha dichiarato di non aver trovato documenti pertinenti. Altre richieste sono state ritirate, rinviate altrove o chiuse per ragioni procedurali.
Queste categorie non dimostrano comportamenti illeciti. Il DHS si occupa di immigrazione, applicazione delle norme di frontiera, cybersicurezza, gestione delle emergenze, sicurezza dei trasporti e operazioni di protezione. I suoi documenti contengono regolarmente dati personali e informazioni collegate alle forze dell'ordine o alla sicurezza nazionale.
Tuttavia, il punto di partenza conta. Il DHS non sta introducendo raccomandazioni automatizzate in un sistema noto per una divulgazione ampia e non omessa. Le sta introducendo in un sistema in cui le pubblicazioni complete sono già rare.
L'AI può spingere quel sistema in entrambe le direzioni. Un modello ben progettato potrebbe aiutare i dipendenti a isolare un nome protetto pubblicando il resto di un paragrafo. Ciò sosterrebbe l'obbligo di legge di separare le informazioni esenti dal materiale che il pubblico può ricevere.
Un modello mal calibrato potrebbe segnalare un intero paragrafo perché una frase assomiglia a un linguaggio protetto. Se i dipendenti accettano la raccomandazione, il sistema nasconderebbe il contesto non esente insieme al testo potenzialmente sensibile.
I modelli commettono anche due tipi diversi di errore. Un falso negativo non rileva informazioni che dovrebbero essere protette, esponendo potenzialmente materiale privato o classificato. Un falso positivo contrassegna per la rimozione informazioni che possono essere divulgate legalmente.
Gli incentivi governativi non trattano questi errori allo stesso modo. Una divulgazione accidentale può creare un immediato incidente di sicurezza, un reclamo sulla privacy o un problema disciplinare. Un'omissione non necessaria grava di solito sul richiedente, che deve presentare ricorso o intentare causa per contestarla.
Questo squilibrio incoraggia impostazioni conservative. Un sistema ottimizzato per evitare pubblicazioni accidentali probabilmente segnalerà più materiale. I revisori umani che lavorano sotto pressione temporale potrebbero quindi approvare quei suggerimenti perché trattenere le informazioni appare istituzionalmente più sicuro.
Il risultato può essere un meccanismo a cricchetto verso la segretezza. Ogni raccomandazione del modello appare prudente considerata singolarmente. Su centinaia di migliaia di richieste, l'effetto cumulativo potrebbe rimuovere grandi quantità di informazioni che una revisione più ponderata pubblicherebbe.
L'automazione rende possibile anche la coerenza, ma coerenza non significa automaticamente equità. Un modello può applicare un'interpretazione restrittiva della legge all'intera agenzia. Può anche riprodurre decisioni incoerenti a partire dai documenti utilizzati per configurarlo o addestrarlo.
Le decisioni FOIA dipendono spesso dalla storia istituzionale. Se i revisori del passato hanno regolarmente oscurato un certo tipo di discussione, un sistema che apprende dal loro lavoro può presentare quella pratica come la risposta normale. Il modello non sa se le decisioni precedenti riflettessero un'attenta analisi legale, linee guida obsolete o un'abitudine a oscurare in modo eccessivo.
Questo crea un circuito di retroazione. Le precedenti omissioni influenzano le raccomandazioni automatizzate. I revisori accettano tali raccomandazioni. L'output approvato diventa quindi prova a sostegno di future decisioni automatizzate.
Il governo può interrompere questo circuito solo attraverso una valutazione deliberata. Le agenzie hanno bisogno di raccolte di test contenenti sia materiale esente sia materiale divulgabile. Revisori indipendenti dovrebbero misurare i falsi positivi, i falsi negativi e la quantità di testo non esente persa attorno a oscuramenti validi.
Anche i dati sulle deroghe sono importanti. Se i dipendenti rifiutano quasi mai i suggerimenti del modello, la supervisione potrebbe essere solo nominale. Se i revisori aggiungono o rimuovono spesso oscuramenti, il sistema potrebbe non far risparmiare tanto lavoro quanto promesso.
DHS ha affermato che gli esseri umani continueranno a essere coinvolti. Non ha ancora mostrato se tale coinvolgimento sarà indipendente, adeguatamente dotato di personale, documentato e soggetto a controlli di qualità. Finché questi dettagli non diventeranno pubblici, l'affermazione sull'efficienza resta incompleta.
L'IA non può decidere il danno prevedibile basandosi solo sui modelli linguistici
Un modello può rilevare schemi linguistici, ma il FOIA richiede alle agenzie di collegare ogni decisione di omissione a un danno specifico e ragionevolmente prevedibile.
Il Congresso ha rafforzato questo requisito con il FOIA Improvement Act del 2016. In generale, un'agenzia può trattenere informazioni esenti solo quando prevede ragionevolmente che la divulgazione danneggerebbe un interesse protetto dall'esenzione. Può inoltre trattenere informazioni quando un'altra legge ne vieta la pubblicazione.
Lo standard del danno prevedibile impedisce alle agenzie di trattare ogni esenzione tecnicamente disponibile come un ordine automatico. Un documento può rientrare nei confini di un'esenzione pur non offrendo alcuna ragione sostanziale per la segretezza.
Le linee guida sulla divulgazione del Dipartimento di Giustizia invitano le agenzie a considerare il contesto. I fattori rilevanti possono includere l'età di un documento, precedenti divulgazioni ufficiali, la sua sensibilità e la sua finalità. Le agenzie dovrebbero consultare personale competente quando il possibile danno non è chiaro.
Questo lavoro è fondamentalmente diverso dal rilevamento di entità. Un modello può trovare il nome di una persona. Non può stabilire dal solo nome se la divulgazione violerebbe la privacy, identificherebbe una fonte confidenziale, rivelerebbe condotte ufficiali o ripeterebbe informazioni già rese pubbliche.
La stessa sfida si applica al privilegio del processo deliberativo. Questa tutela può coprire determinate comunicazioni precedenti a una decisione che riflettono le consultazioni dell'agenzia. Non consente a un'agenzia di nascondere ogni bozza, raccomandazione o email interna.
I ricercatori hanno testato il machine learning su questo problema. Jason R. Baron, Mahmoud F. Sayed e Douglas W. Oard hanno raccolto materiale dagli archivi presidenziali di Clinton e addestrato classificatori per identificare passaggi potenzialmente deliberativi.
Il loro studio sul machine learning ha rilevato che i sistemi ottenevano i risultati migliori quando addestramento e valutazione seguivano interpretazioni coerenti dei revisori. Le prestazioni peggioravano quando cambiavano i revisori, i custodi dei documenti o la materia trattata.
In una successiva discussione pubblica, Baron ha descritto i metodi come accurati per circa il 70 per cento nel distinguere materiale associato al privilegio del processo deliberativo. I risultati pubblicati in condizioni coerenti riportavano misure F1 tra il 70 e l'83 per cento. Un punteggio F1 combina il numero di passaggi rilevanti che un modello individua con la frequenza con cui le sue classificazioni positive sono corrette.
Questi risultati sono utili per il triage. Non sono abbastanza solidi da sostenere decisioni legali non supervisionate. Con prestazioni del 70 per cento, una quota rilevante di passaggi sarà classificata in modo errato.
La ricerca mette anche in luce un problema più profondo. I revisori umani non sempre concordano sul fatto che il medesimo linguaggio giustifichi un'omissione. Un sistema addestrato sull'interpretazione di un revisore può avere difficoltà quando un altro applica la legge diversamente.
Questo disaccordo non è semplice rumore tecnico. Riflette la natura contestuale del FOIA. Le valutazioni legali dipendono da ciò che il documento rappresenta, da quanto il governo ha già divulgato e dal danno concreto che deriverebbe dalla pubblicazione.
DHS ha quindi bisogno di più di un essere umano collocato alla fine di una pipeline automatizzata. Una revisione significativa richiede tempo, autorità e informazioni sufficienti per respingere la raccomandazione del modello. Il dipendente deve inoltre valutare se un oscuramento più circoscritto proteggerebbe l'interesse legittimo.
Le agenzie dovrebbero conservare una pista di audit per ogni suggerimento automatizzato. Tale documento dovrebbe identificare quali passaggi il sistema ha segnalato, a quale esenzione li ha associati, cosa ha modificato il dipendente e perché la decisione finale soddisfaceva il criterio del danno prevedibile.
I richiedenti non hanno bisogno di accedere a dati di addestramento sensibili o a dettagli sulla sicurezza del sistema. Hanno però bisogno di informazioni comprensibili su come gli strumenti automatizzati abbiano influenzato i loro documenti. Senza questa visibilità, un ricorso diventa più difficile perché il richiedente non può distinguere il giudizio di un legale da un'impostazione predefinita assistita da un modello.
Una raccomandazione a scatola nera non dovrebbe mai trasformarsi in una scatola nera sulla pagina solo perché un essere umano ha fatto clic su approva.
La revisione umana è una salvaguardia solo quando modifica gli esiti
L'espressione “human in the loop” offre scarsa protezione, a meno che le agenzie non misurino se le persone mettano davvero in discussione le raccomandazioni automatizzate.
DHS afferma che i dipendenti esamineranno i casi assistiti dall'IA. Anche l'ufficio federale del mediatore FOIA avverte che IA e machine learning non possono sostituire il giudizio professionale sulle esenzioni e sul danno prevedibile.
Questa è la corretta posizione formale. La sua efficacia dipenderà dalla progettazione del flusso di lavoro.
Se un revisore vede il documento completo prima che compaiano le marcature proposte, può formarsi un'opinione indipendente. Se il sistema presenta una pagina già coperta di oscuramenti suggeriti, tali marcature stabiliscono un'ancora. Il revisore deve quindi giustificare la rimozione di una protezione invece di decidere se aggiungerne una.
La differenza può sembrare procedurale, ma cambia la direzione del dubbio. Nel primo flusso di lavoro, l'incertezza può favorire la divulgazione. Nel secondo, l'incertezza favorisce il mantenimento della scatola nera del modello.
Il personale crea un altro vincolo. Un'agenzia può adottare l'automazione proprio perché non dispone di abbastanza persone per gestire il proprio carico di lavoro. Se la stessa carenza lascia ai revisori solo pochi minuti per esaminare ciascun risultato, l'approvazione umana formale diventa un punto di controllo della produttività.
Gli obiettivi di prestazione possono amplificare questa pressione. I dirigenti possono misurare le richieste chiuse, le pagine elaborate o la riduzione dell'arretrato. Questi numeri sono facili da contare. La quantità di informazioni non esenti preservate grazie a un'attenta revisione è più difficile da osservare.
Un programma di supervisione efficace utilizzerebbe diverse misure. Le agenzie dovrebbero confrontare le decisioni assistite dalla macchina con campioni sottoposti a revisione indipendente. Dovrebbero monitorare con quale frequenza i dipendenti rimuovono gli oscuramenti proposti, li restringono o aggiungono protezioni che il sistema ha mancato.
Dovrebbero inoltre testare gli esiti tra diversi tipi di documenti. Uno strumento che rileva con affidabilità i numeri di passaporto nei moduli standardizzati può avere prestazioni scarse su email relative a politiche, appunti manoscritti, fogli di calcolo, interviste registrate o documenti storici.
I test devono includere le conseguenze di entrambi i tipi di errore. I falsi negativi possono esporre informazioni protette. I falsi positivi possono negare l'accesso pubblico. Trattare gli errori di privacy e sicurezza come gli unici fallimenti significativi incorporerebbe l'oscuramento eccessivo nel processo di valutazione.
Le agenzie dovrebbero pubblicare risultati aggregati. Informazioni utili includerebbero il numero di richieste elaborate con l'IA, le esenzioni coinvolte, i tassi di errore campionati, i tassi di deroga dei revisori e le variazioni nei tempi di elaborazione.
La rendicontazione pubblica non rivelerebbe il contenuto sensibile delle singole richieste. Stabilirebbe se lo strumento si comporta come assistente o come decisore non riconosciuto.
I ricorsi offrono un'altra fonte di prova. Se i casi assistiti dall'IA producono più ricorsi amministrativi accolti, questa tendenza suggerirebbe che il sistema o il suo processo di revisione trattiene informazioni in modo troppo ampio. Le agenzie dovrebbero confrontare tali esiti con i casi esaminati convenzionalmente.
I tribunali finiranno per svolgere un ruolo. Il contenzioso FOIA richiede spesso alle agenzie di spiegare la base degli oscuramenti attraverso dichiarazioni o un indice Vaughn, un documento che collega il materiale trattenuto alle esenzioni invocate. Gli strumenti automatizzati non riducono questo onere legale.
Se un'agenzia non può spiegare perché la divulgazione causerebbe un danno senza fare genericamente riferimento a un modello, la sua giustificazione dovrebbe fallire. Il governo resta responsabile della decisione finale, indipendentemente dal fornitore che ha fornito il software.
La supervisione dei fornitori è quindi parte della responsabilità pubblica. I contratti dovrebbero consentire test governativi, conservare i log, documentare le modifiche al modello e impedire che documenti sensibili vengano riutilizzati per addestramenti non correlati. Le agenzie devono inoltre capire se gli aggiornamenti modificano il comportamento dopo che un sistema entra in produzione.
La versione più solida dell'oscuramento governativo mediante IA aiuterebbe i dipendenti a individuare possibili informazioni sensibili, preservandone al contempo il giudizio legale indipendente. La versione più debole trasformerebbe l'oscuramento eccessivo in un flusso di lavoro ripetibile con una firma umana alla fine.
DHS ha descritto la prima versione. Le prove necessarie per distinguerla dalla seconda non sono ancora state rese pubbliche.
Tre segnali mostreranno se il sistema favorisce la trasparenza
Il prossimo test non è se DHS implementerà l'IA, ma se il dipartimento dimostrerà che la tecnologia divulga più informazioni lecite senza esporre materiale protetto.
Il primo segnale è la trasparenza operativa. DHS dovrebbe pubblicare una descrizione chiara delle categorie di richieste che utilizzano raccomandazioni automatizzate, dei modelli che svolgono il lavoro e delle esenzioni che supportano.
Questa descrizione dovrebbe distinguere il semplice riconoscimento di schemi dalla classificazione giuridica contestuale. Individuare un numero identificativo comporta un rischio diverso dalla valutazione di discussioni interne sulle politiche. Riunirli sotto un'unica etichetta di “IA” impedirebbe un controllo significativo.
Il dipartimento dovrebbe inoltre divulgare misure aggregate delle prestazioni. I tassi di falsi positivi mostreranno con quale frequenza il sistema raccomanda di nascondere materiale divulgabile. I tassi di falsi negativi indicheranno con quale frequenza trascura informazioni protette.
I tassi di deroga dei revisori riveleranno se gli esseri umani esercitano un giudizio indipendente. Un tasso vicino allo zero potrebbe significare che lo strumento è eccezionalmente accurato. Più probabilmente, solleverebbe interrogativi sul bias di automazione, sul tempo limitato per la revisione o su incentivi che scoraggiano i dipendenti dal modificare i suggerimenti.
Il secondo segnale è la qualità dei documenti divulgati. I tempi di elaborazione dovrebbero diminuire, ma la divulgazione non dovrebbe ridursi. I ricercatori possono confrontare la proporzione di divulgazioni complete, divulgazioni parziali e dinieghi completi prima e dopo l'implementazione.
Queste categorie sono imperfette. Una parola eliminata e dieci pagine di scatole nere possono entrambe essere conteggiate come una divulgazione parziale. DHS dovrebbe quindi esaminare la quota di testo pertinente divulgata in campioni rappresentativi di documenti.
I ricorsi amministrativi offriranno un'altra misura. Un aumento delle contestazioni accolte riguardanti oscuramenti assistiti dalla macchina indebolirebbe la posizione del dipartimento. Esiti di divulgazione stabili o migliori, abbinati a ritardi più brevi, sosterrebbero l'argomentazione sull'efficienza.
Il terzo segnale è una responsabilità effettivamente applicabile. I richiedenti devono sapere quando l'automazione ha influenzato in modo sostanziale una risposta. Il personale addetto ai ricorsi dell'agenzia e i tribunali devono disporre di registri che mostrino come ciascuna raccomandazione sia confluita nella decisione finale.
Il Congresso, gli ispettori generali e i National Archives dovrebbero verificare se il DHS applichi in modo indipendente lo standard del danno prevedibile dopo che il modello ha segnalato un passaggio. Dovrebbero inoltre valutare i controlli dei fornitori, la sicurezza dei dati, gli aggiornamenti del modello e le protezioni contro i cicli di feedback.
Nessuna di queste salvaguardie richiede di respingere l'automazione. Gli uffici FOIA hanno bisogno di strumenti migliori per la ricerca, la deduplicazione, la conversione dei documenti e la revisione. L'accesso pubblico non migliora quando i documenti pertinenti restano inutilizzati in un arretrato per anni.
Tuttavia, una redazione più rapida non equivale a una divulgazione più rapida. La prima rimuove informazioni. La seconda offre al pubblico un accesso tempestivo a tutto ciò che la legge consente.
Questa distinzione dovrebbe orientare ogni valutazione delle redazioni FOIA effettuate con l'AI dal DHS. Il dipartimento può convalidare il proprio approccio pubblicando metodi di audit, misure degli errori, dati sulle deroghe e risultati sulla divulgazione prima e dopo l'intervento.
Giornalisti, ricercatori, avvocati e altri richiedenti dovrebbero monitorare questi indicatori anziché accettare tempi di elaborazione più brevi come prova di successo. Dovrebbero inoltre ricorrere agli appelli amministrativi quando un'agenzia fornisce spiegazioni generiche o sembra trattenere più informazioni del necessario.
L'AI può aiutare a individuare il confine tra informazioni pubbliche e protette. Non dovrebbe spostare silenziosamente quel confine verso la segretezza. La domanda decisiva è semplice: dopo che il DHS avrà accelerato il processo, gli americani riceveranno più informazioni utilizzabili o semplicemente le loro pagine oscurate prima?
