Harvard Kennedy School、AIが公共リーダーシップを再構築すると警告
Harvard Kennedy SchoolはGoogle Newsで、民間システムが政府の意思決定を形作る前に、公的リーダーはAIを理解しなければならないという具体的な警告を発した。同校はこの主張を、短期セミナーや選択制の技術コースではなく、10年にわたる戦略の中に位置付けている。
元となる報道は、Harvard Gazetteが2026年7月28日に掲載したものだ。The Good Men Projectが記事を再掲載または取り上げ、Google Newsが見出しを配信したとみられる。元の報道はHarvard Kennedy School、そのカリキュラム、そして公的機関内で広がるスキル格差を扱っている。
中心にある対立は、教育の問題にとどまらない。民間企業がモデル、インフラ、インターフェースを構築する一方、公務員はそれらのシステムが権利、サービス、安全保障、国家的な力にどのような影響を与えるかを判断しなければならない。リーダーが製品の受動的な消費者にとどまるなら、政府はその市場を効果的に統治できない。
Harvardの対応は、技術的な実習、ケーススタディ、直接的な政策討論を通じて政策学生を育成することだ。このアプローチは、長く定着してきた分業に異議を唱える。従来、技術チームがシステムを構築し、政策の専門家はその社会的・法的な影響を後から評価してきた。
AIは、この順序をますます危険なものにしている。モデルの振る舞い、データの選択、調達条件、インターフェース設計は、立法府が規則を制定する前に公共的な結果を左右し得る。現在のリーダーシップには、変更可能な段階でそれらの選択を問い直せるだけの技術的素養が必要だ。
Harvard Kennedy Schoolが実際に変えたこと
Harvardは、AIに関する素養を技術者だけに限定された専門分野ではなく、公共リーダーシップの中核的能力として位置付けている。
Harvard Kennedy Schoolは、テクノロジーの機会とリスクへの注力を拡大する10年戦略を発表した。この計画には、公共政策修士課程の学生向けに新たなテクノロジー政策専攻を設けることが含まれる。
同校はAIと政策に焦点を当てる教授2人も採用した。その一人はMITから加わったStephen Casperで、方法論の授業とAIガバナンスの選択科目を担当する。Harvardは、独立したテクノロジー政策の学位課程も検討している。
この戦略の複数の要素は、すでに運用されている。春学期には、Jake SullivanがAIの国家安全保障上の影響について学期を通じた授業を担当した。SullivanはJoe Biden大統領の国家安全保障担当補佐官を務めた人物だ。
Dean Jeremy Weinsteinと応用数学者のSharad Goelは、生成AIを使って公共課題を解決する方法を扱う別の授業を担当した。学生は、法文だけを通じてガバナンスを学ぶのではなく、AIアシスタント、コーディング、分析、ケーススタディ、政策討論を活用した。
元の記事は、観察から参加への意図的な転換を描いている。Weinsteinは、学生は受動的な消費者になるのではなく、ツールを使って公共課題を解決すべきだと述べた。
この違いは重要だ。ベンダーのモデルカードを読む政策学生は、明示された制約を把握できる。モデル出力を実際に検証した学生であれば、失敗のパターン、不安定な応答、隠れた前提も調べられる。
同校は、緊急対応を題材にした特に具体的な演習を提示した。学生は、実世界のデータを用いて911への通報を再現する音声訓練シミュレーターを構築した。
目的は、モデルに警察官の出動を指示させることではなかった。学生たちは、通報担当者が警察以外の緊急事案を適切なサービスへ振り分ける練習ができる訓練環境を設計した。
行動医療に関する通報は、この区別が重要である理由を示している。不確実な状況すべてに武装した警察官を派遣すれば、危険が増す可能性がある。しかし、適切な対応を見極めるには、広範な訓練によって培われる判断力が必要だ。
Goelによれば、911の通報担当者を育成するには2年以上かかる場合がある。シミュレーターなら、実際の通報者を危険にさらすことなく、訓練上の不足を明らかにし、新人により多くの実践機会を与えられる。
この例は、Google Newsを通じて広まった見出しと実践的な内容を切り分ける。Harvardは、AIチャットボットが公共政策を運営すべきだと主張しているわけではない。将来の公務員に対し、自動化が役立つ領域、失敗する領域、人間が責任を持ち続けるべき領域を見定める方法を教えている。
このプログラムは、技術的な実践と制度的な文脈も結び付ける。Sullivanの授業では、米国、中国、輸出規制、国家安全保障、技術的権力の分配を検討する。
そのため学生は、AIをツールであると同時に政策対象として捉える。システムが何を行うのか、誰が管理するのか、どのデータが支えるのか、そしてどの公共利益が利用を制約するのかを問わなければならない。
この複合的なアプローチこそが本当の変化だ。公共政策教育では、テクノロジーを医療や交通と並ぶ一分野として扱うことが多かった。Harvardは、AIがほぼすべての政策分野にまたがる基盤層になると見込んでいる。
Google Newsの見出しが示す、より大きな転換
ニュースは単にHarvardがAIの授業を追加したことではない。より深い転換は、技術的判断が統治能力の一部になりつつあることだ。
公的リーダーが最先端モデルを訓練する必要はない。しかし、技術的な主張の中に政策上の選択が含まれている場合を見抜くための十分な知識は必要だ。
たとえば、公的給付の申請を順位付けするAIシステムを考えてみよう。その精度スコアだけでは、申請者に意味のある通知が届いたか、エラーが特定の集団に負担を偏らせたか、人々に異議申し立ての機会があったかは分からない。
これらは政策上の問いだが、その答えはシステム設計に左右される。公務員は、学習データ、閾値、代理変数、人間による審査が各判断にどう影響するかを理解する必要がある。
生成AIは、さらに別の層を加える。これらのシステムは、データ内のパターンから文章、コード、予測、推奨を生成する。基礎となる回答が誤っていたり裏付けが不十分だったりしても、その出力は自信に満ちて聞こえることがある。
その出力を従来型ソフトウェアの文書のように扱うリーダーは、あまりにも早く信頼してしまうかもしれない。すべてのモデルを信頼できないものとして退けるリーダーもまた、調査、サービス設計、職員研修における有用な活用を見逃す可能性がある。
Harvardのカリキュラムは、この中間領域を中心に設計されている。学生はシステムを検証できるだけの技術的詳細を学びつつ、その目的を問い直すために必要な制度的視点を維持する。
Sullivanは、AIには明確な歴史的類例がないと表現した。その論拠は、誰が開発を支配するかにある。核システムや初期インターネットの大部分を含む過去の戦略技術は、政府が主導するか、強く方向付けてきた。
今日の主要なAIモデルは、主に民間企業が開発している。これらの企業は、公開時期、アクセス条件、安全性プロセス、コンピューティング投資、多くのインターフェースの初期設定を選択する。
政府は、調達、規制、研究資金、インフラ政策、輸出規制を通じて、依然として大きな影響力を持つ。しかし、公務員はしばしば、企業が技術的・商業的な方向性をすでに確立した後でシステムを評価することになる。
この順序は公的機関に圧力をかける。調達部門は、職員がベンダーの主張を独自に検証できるようになる前に、モデルを評価しなければならない場合がある。規制当局は、新しい能力に直面した時点で、それを理解する専門家をまだ採用できていないかもしれない。
同じ問題は選挙で選ばれたリーダーにも影響する。彼らは、イノベーション、市民権、安全保障、競争、労働への影響、公共支出のバランスを取らなければならない。どの問題にも、通常の立法サイクルより速く変化する技術的事実が関わる。
OECDの政府におけるAIに関する展望は、導入が孤立した実験の段階を超えていることを示している。政府は現在、内部業務、公共サービス、政策立案、監督にAIを利用している。
ただし、導入にはばらつきがある。AIは、政策立案や説明責任の機能よりも、内部プロセスやサービス提供で一般的だ。この傾向は、実務上の機会と制度上の慎重さの両方を反映している。
内部ツールは文書を要約したり、行政ワークフローを支援したりできる。受給資格、執行、監督に関わるシステムは、その失敗が権利やアクセスに直接影響し得るため、より大きなリスクを伴う。
したがって、その圧力は国の技術機関だけに及ぶものではない。保健部門、学校制度、自治体、緊急サービス、裁判所、社会サービス部門はいずれも、十分な知識を備えたリーダーシップを必要としている。
Google Newsは、この動きをAIが仕事を変えるという一般的な話題の一つに見せるかもしれない。Harvardの計画は、より鋭い結論を提示している。政府の能力格差そのものが、政策リスクになりつつある。
民間のAI開発と公共の説明責任の接点
主な競争は政府対テクノロジーではなく、民間開発の速度対公共の説明責任である。
AI企業は、数週間のうちにモデル、製品管理、サービス条件を更新できる。政府機関は、予算、調達審査、パブリックコンサルテーション、法的異議申し立て、選挙を経て動く。
この遅いペースには正当な目的がある。公共の意思決定には、記録、審査、平等な扱い、異議申し立ての手段が必要だ。こうした保護を取り除くなら、速度は危険なものになる。
一方で、公務員に行動するための専門性がない場合、手続き上の慎重さにはコストも伴う。行政機関はベンダーの主張を受け入れたり、有用な導入を遅らせたり、実際の技術的リスクに見合わない広範な制限を設けたりする可能性がある。
技術的素養だけで、このトレードオフを解消することはできない。しかし、公的資金や権限を投入する前に、公務員が投げかける問いの質を高めることはできる。
有能な調達チームは、モデルが追加学習に行政機関のデータを使うかどうかを把握すべきだ。保存方針、アクセス制御、評価方法、エラー報告、出力に異議を申し立てる手続きも検討する必要がある。
チームはシステムの境界も特定すべきだ。内部文書の下書きに使う文章作成支援ツールは、給付の不支給を推奨したり、調査対象者を特定したりするモデルとは異なるリスクを持つ。
こうした区別は自明に聞こえるが、広いラベルはしばしばそれを隠してしまう。「AI搭載」は、検索ツール、統計的分類器、生成モデル、自動化された意思決定パイプラインのいずれも指し得る。
公共リーダーシップは、目的と結果に応じてそれらのシステムを区別しなければならない。そうでなければ、低リスクのツールが不必要な障壁に直面する一方で、重大な影響を持つシステムが実質的な監視を免れることになる。
National Institute of Standards and Technologyは、組織がこうしたリスクを特定、測定、管理、統治するのを支援するため、AIリスクフレームワークを策定した。このフレームワークは任意のもので、2023年1月に初めて公表された。
NISTはその後、生成AIに焦点を当てたプロファイルを公表した。また、より広範なフレームワークを改訂し、重要インフラにおける信頼できるAIのためのガイダンスを開発している。
フレームワークは公務員に共通の語彙を与えるが、意思決定を代行するものではない。リーダーは依然として、どのような害を重視するのか、どの証拠が十分なのか、導入後も誰が説明責任を負うのかを決めなければならない。
ここでHarvardの教育戦略が重要になる。コーディング演習は、小規模なプロトタイプにさえどれほど多くの判断が入り込むかを明らかにできる。その後の政策討論は、そうした選択を権限、公平性、公共的正当性へと結び付けられる。
911訓練シミュレーターは、有用な境界事例を示している。これは、実際の判断を行う自律的な配車システムではなく、練習のための制御された環境を提供するものだ。
その境界は後に変わる可能性がある。行政機関がシステムに対し、対応の提案、研修生の評価、リアルタイム通話の分析を求めるかもしれない。一歩進むごとに、新たな証拠要件と説明責任の問題が生じる。
公務員には、保護措置が不十分なときにその拡大を止める自信が必要だ。また、検証で明確な価値が示された限定的な利用を承認する能力も求められる。
代替案は、依存によるガバナンスだ。行政機関は判断をベンダーに委託するか、自ら評価できないシステムを避けるかのどちらかになる。どちらの対応も、国民に実質的な統制を与えない。
民間企業も、有能な公共調達者から恩恵を受ける。明確な要件は不確実性を減らし、限界を文書化し、監査を支援し、効果的な人によるレビューを設計するベンダーに報いる。
この関係が純粋に敵対的なものになる必要はない。しかし協力が機能するのは、双方が同等の条件で交渉できるだけの知識を持つ場合に限られる。
一方がモデルを理解し、もう一方が契約書しか理解していないなら、調達会議でその均衡を実現することはできない。Harvardは、卒業生がそうした場に入る前に、その隔たりを縮めようとしている。
技術教育だけでは解決できない制約――公衆の信頼
より良い訓練を受けたリーダーは軽率な導入を減らせるが、技術的な理解力は透明性、同意、または決定に異議を申し立てる権利の代わりにはならない。
Harvardの戦略には魅力的な約束がある。将来の公務員にAIの直接的な経験を与えれば、より良い政策を策定できるようになるというものだ。前半はもっともらしいが、後半は自動的に実現するわけではない。
プロトタイプの構築方法を知ることは、健全な懐疑心を育む可能性がある。一方で、とりわけ授業の演習に実運用サービスに伴う複雑なデータや制度上の圧力が欠けている場合、過剰な自信につながることもある。
授業中に良好な性能を示すモデルが、アクセント、言語、障害、またはまれな状況によって異なる振る舞いをする可能性がある。公共分野への導入は、小規模な開発チームが一度も検証していないパターンを明らかにすることがある。
911のシナリオはこのリスクを示している。シミュレーターは実際の判断に触れずに通報対応者の訓練を支援できるかもしれない。しかし、それでも訓練生が遭遇する地域社会や緊急事態を、その事例が適切に表しているかどうかに依存する。
性能指標も政策上の失敗を覆い隠すことがある。システムが平均的な振り分け精度を改善する一方で、まれだが重大な誤りを引き起こす可能性がある。また、経験豊富な指令員なら異議を唱えるような前提に基づいて、研修生を評価することもあり得る。
したがって技術教育には、影響評価、文書化、監視、救済を含めなければならない。学生は、単に出力を改善する方法だけでなく、システムに独立した評価が必要となる場面を学ぶべきだ。
OECDの公衆の信頼に関する調査結果は、公平性、監督、透明性、データ保護への懸念と並んで、慎重な楽観論があることを示している。
同報告書は、レビュー対象となった政府のAI活用事例のほぼ半数で、公衆の反発が潜在的な課題として現れたことにも触れている。その反発を、技術に対する恐怖として退けるべきではない。
人々はしばしば、不平等な条件の下で政府と接する。誤ったレストランの推薦は煩わしい。しかし、給付、警察活動、移民、医療に関する誤った判断は、人の収入、自由、安全を脅かしかねない。
したがって政府のAIには、消費者向け製品にはない正当性の負担が伴う。行政機関は自らの権限を説明し、システムをどのように統制しているかを示し、重大な誤りを訂正する道筋を提供しなければならない。
透明性への取り組みはいまだ不十分だ。OECDの2026年見通しによると、調査対象となった36の加盟国のうち21か国が、2025年にアルゴリズムの透明性を重要だと認識していた。
認識が実装を保証するわけではない。同じ分析では、透明性を実務として機能させる仕組みは依然として限られているとされている。
公衆との関与にも別の隔たりがある。36か国中31か国は政府AIについて公共部門の組織と協議し、26か国は公務員と、23か国はより広範な外部グループと協議した。
サービス利用者と関与したのは16か国にとどまる。市民からの苦情処理の仕組み、またはこれらのシステムに関するフィードバックを収集する別の構造化されたチャネルを報告した国は、わずか8か国だった。
これらの数字は、リーダーシップ中心の対応に伴うリスクを浮き彫りにする。将来の意思決定者を訓練することは重要だが、影響を受ける地域社会にも情報と影響力が必要である。
公務員はモデルを完全に理解していても、不公正な目標を選ぶことがある。自動化がその場に適しているかを問う代わりに、欠陥のあるプロセスを最適化してしまうこともある。
これが技術的な理解力の本質的な限界である。理解力は組織の能力を高めるが、その組織が誰の利益に奉仕するかを決めるものではない。
具体的な保護措置は依然として必要だ。Canadaは、対象となる自動化された政府判断に対してAlgorithmic Impact Assessmentを義務付けており、その評価結果をオープンガバメント制度を通じて公表している。
United Kingdomは公共組織向けにAlgorithmic Transparency Recording Standardを採用している。Franceは、個人に関する決定に用いられる特定のアルゴリズム処理について、その主要なルールの開示を求めている。
これらの措置には違いがあり、開示だけで被害を防げるわけではない。それでも、OECDの透明性に関する指針は、政府が一般原則を国民が確認できる記録へと変換する方法を示している。
Harvardの計画で最も信頼できる形は、能力と抑制の両方を教えるものだ。学生はシステムを構築し、検証し、文書化し、根拠を欠く導入を拒否する訓練をすべきである。
また、人によるレビューが自動的な保護措置ではないことも学ぶべきだ。職員に時間、権限、情報、またはシステムを実際に覆す能力がなければ、レビューは機能しない。
適切に設計されたカリキュラムは、卒業生が公職でこれらの緊張関係に直面する前に、それを可視化できる。ただし、政治指導者が自らの知識に基づいて行動することを保証するものではない。
この不確実性は、Google Newsの報道を分析する際にも中心に置くべきだ。教育は、技術的に十分な情報を持つ公務員の供給を改善できる。だが制度は依然として、そうした公務員に資源、独立性、そして執行可能な説明責任を与えなければならない。
AIは、リーダーが問うべき質問を変えることでリーダーシップを変える
AIにおけるリーダーシップは、より速い導入ではなく、根拠、権限、失敗についてより良い質問をすることから始まる。
従来の技術監督は、多くの場合、購入判断から始まる。製品は要件を満たし、予算に収まり、既存システムと統合できるのか。
AIでは、システムの振る舞いがデータ、モデル更新、プロンプト、外部ツール、利用者の文脈に依存し得るため、より広い検討が必要になる。同じインターフェースでも、時期や集団によって異なる結果を生む可能性がある。
リーダーはまず、そのシステムがどの判断に影響を与えるかを問う必要がある。これには、人間のレビュアーの注意を方向づけるケース要約の下書きのような間接的な影響も含まれる。
次に、説明責任を負う人物を特定しなければならない。ベンダー、行政機関の長、現場職員、モデルはいずれも結果に影響を与え得るが、公的な責任を負えるのは人と組織だけである。
次に来るのは根拠だ。ベンダーはベンチマークのスコアを報告するかもしれないが、行政機関には、自らの対象集団、言語上のニーズ、運用上の制約、被害の許容限度を反映した性能データが必要である。
ベンチマークは、モデルがテスト問題に答えられるかを示すことはできる。しかし、そのシステムが給付窓口、緊急通報センター、教室に適しているかどうかを確立することはできない。
リーダーは、モデルが変化した場合に何が起こるかも問わなければならない。クラウドベースのAIサービスでは、従来型のソフトウェア置き換えプロジェクトを経ずに、振る舞いを変える更新が行われることがある。
契約と監視計画では、その可能性に対処すべきだ。行政機関は、いつ再評価が行われるのか、重大な変更後に利用を停止できるのかを把握する必要がある。
データに関する問いも同様に重要である。公務員は、どの個人情報または機密情報がシステムに入るのか、それがどこを通るのか、どれほど長く残るのか、誰がアクセスできるのかを知るべきだ。
公共機関は、人々が単純に撤回できない記録を保有している。市民はサービスを受けたり法令に従ったりするために、しばしば情報を共有せざるを得ない。そのため、同意は不完全な保護にとどまる。
不服申立てにも、精度と同じ注意を払わなければならない。人は、自動化が判断に重大な影響を与えたとき、それを知り、有意義な人によるレビューを受ける方法を得られるべきだ。
有意義なレビューには、単なるボタン以上のものが必要だ。レビュアーには、システムに異議を唱えるための根拠、訓練、時間、権限が必要である。
Harvardの実践的なアプローチは、これらの要件を具体的なものにできる。ワークフローを構築する学生は、ログがどこで失われるか、前提がどこでプロンプトに入り込むか、便利なデフォルト設定が後の選択肢をどのように狭めるかを理解できる。
この教訓は政府の外にも及ぶ。AIが証拠を要約したり行動を推奨したりする際には、企業の購買担当者、開発者、ナレッジワーカーも同様の問いに直面する。
個人向けのリサーチシステムは、モデルが回答を生成する前に、情報源の文脈を保持する助けとなる。knowledge blendingのような実践が重要なのは、有用な統合がその基礎となる資料と結び付いたままであるべきだからだ。
政府ではより高い利害が伴うが、核となる規律はなじみ深い。証拠を保管し、来歴を保持し、判断を文書化し、不確かな主張を見えるようにする。
したがって、リーダーシップの変化は象徴的なものではなく実務的なものだ。上級公務員は、別の場所で政策を定めた後に、AIに関するすべての問いを情報技術部門へ委任することはできない。
技術チームはアーキテクチャとセキュリティを理解している。事業担当職員は影響を受けるサービスを理解している。法務チームは法定権限を理解し、地域社会の人々は生活上の結果を理解している。
優れたガバナンスには、導入前にこうした視点が必要である。NISTも同様に、AIリスクに関する意思決定には、多様な専門分野、経験、背景を持つチームの知見を取り入れることを推奨している。
この協働モデルは、当初はプロジェクトを遅らせる可能性がある。しかし、高額な失敗、法的紛争、公衆の反発、そして現場からの信頼を決して得られないシステムを防ぐこともできる。
最も優れたリーダーは、最も多くのAIパイロットを生み出す人ではない。有用な実験と、説明責任を欠く権限移転とを見分けられる人である。
このGoogle Newsの動きの後に注目すべきこと
Harvardの戦略が意味を持つのは、技術教育が教室を超えて制度上の実務を変える場合に限られる。
最初の兆候は、カリキュラムの実行である。Harvardは、テクノロジー政策の専攻、新たな教員人事、そして専門学位の新設に向けた取り組みの可能性を発表している。
重要なのは、AIリテラシーが狭い専門トラック以外の学生にも届くかどうかだ。Weinsteinの前提はあらゆる公共政策・社会政策分野に関わるため、幅広い参加は彼の主張を強めることになる。
コース設計は、履修者数と同じくらい重要だ。プログラムは、コーディングとモデル検証に、調達、公民権、セキュリティ、影響評価、行政法を組み合わせるべきである。
実践的な作業が説明責任から切り離されれば、学生はプロトタイプの作り方を学んでも、導入が不適切な場面を学べない可能性がある。ガバナンスが技術的な作業から切り離されたままなら、従来のスキルギャップは残る。
第二の兆候は、公共機関が採用と調達を変えるかどうかだ。行政機関は技術政策教育を称賛しつつ、AIの専門知識を任意の助言機能として扱い続けることができる。
職務記述、リーダー人事、評価予算、調達基準は、政府がHarvardの教えるハイブリッドな技能を重視しているかどうかを明らかにする。
より強い兆候は、部門横断的な権限だ。技術政策の専門家には、契約や運用モデルが固定される前に、上級レベルの意思決定へアクセスする機会が必要である。
調達文書では、具体的な公共用途に結び付いた証拠の提出を求めるべきだ。各機関はさらに、インシデント報告、更新通知、監査へのアクセス、信頼できる撤退計画も要求する必要がある。
3つ目のシグナルは、透明性が影響を受ける人々にまで届いているかどうかだ。OECDのデータは、政府関係者や組織化されたステークホルダーとの関与が相当程度ある一方、サービス利用者の参加ははるかに弱いことを示している。
公共登録簿、影響評価、苦情受付窓口、明確な不服申し立ての権利は、Harvardの主張を支えるだろう。より有能なリーダーシップが、より説明責任を果たす制度を生み出すことを示すはずだ。
逆の結果になれば、その主張は弱まる。政府が技術に通じた人材を採用しても、市民が自動化された判断を特定したり異議を唱えたりできないままになる可能性がある。
NISTの進化するフレームワークも、別の試金石となる。その改訂と重要インフラ向けガイダンスは、自主的なリスク管理が新しいシステムや変化する連邦政府の優先事項にどう適応するかを示すだろう。
フレームワークの変更だけで政策が決まるわけではない。各機関、請負業者、監督機関が採用するかどうかが、このガイダンスが実際の判断を形作るかを左右する。
読者は、訓練用ツールと運用システムの境界にも注目すべきだ。Harvardの911シミュレーターが擁護できる理由の一つは、実際の通報指令を制御せずに訓練を支援する点にある。
同様のツールがリアルタイムの推奨に移行すれば、求められる証拠の水準は上がる。各機関は検証結果を公開し、人間の権限を定義し、地域社会をまたいで障害を監視すべきだ。
この移行は政府全体で繰り返されるだろう。文書作成支援ツールは推奨システムになり得る。リーダーが早期に境界を定めなければ、推奨システムはデフォルトの意思決定経路になり得る。
したがってGoogle Newsの見出しは、主役ではなく指標である。それは、公的機関が民間のAIシステムによる選択の再形成より速く知識を構築できるかをめぐる競争を示している。
その競争を、カリキュラム、政府の採用、調達記録、公開情報、不服申し立ての仕組みを通じて追ってほしい。新たな導入のたびに、責任を隠さずにサービスを改善しているかを問うべきだ。
ナレッジワーカーとAI利用者にとっても、当面の行動は似ている。情報源を保存し、出力を検証し、重要な判断を記録し、その根拠を説明できないシステムに疑問を投げかけることだ。
公的リーダーも、より大きな規模で同じ課題に直面している。技術を活用できるだけ理解し、それを制約するための政策も十分に理解し、そしてどちらだけでも不十分な時を見極めるために制度の現実を十分に理解しなければならない。
