国会使用 AI 的速度正快于监管步伐

尽管议员们仍难以就其日益依赖的技术规则达成一致，国会对 AI 的使用已不再局限于试验阶段。

NBC News 对 12 名众议院和参议院议员的调查发现，AI 被用于支持政策研究、立法工作和个人事务，应用场景从起草法案到创作生日歌不等。

参议员 Tommy Tuberville 表示，他会在长途驾车穿越阿拉巴马州时与 ChatGPT 交谈。据报道，他的问题涉及 Medicare、Medicaid 及其他影响其政策观点的议题。

这些案例使这则报道不只是一些国会成员的另类使用习惯。议员们正成为同一套系统的客户、使用者和潜在监管者。

这种角色重叠带来了重要的问责问题。国会必须决定，何时 AI 可以作为可接受的助手，何时人工审查应成为强制要求，以及公众理应知晓哪些信息。

因此，正在浮现的冲突并非国会与 AI 的对立，而是制度效率与公众问责之间的冲突；政策制定和执行仍落后于日常采用速度。

国会实际上如何使用 AI

AI 是通过日常任务进入国会工作的，而非通过某项统一协调的现代化计划。

9 月 18 日发布的这项议员调查提供了一个颇具启示性的快照。议员们描述的应用在严肃程度、敏感性以及与正式决策的接近程度上各不相同。

一些议员将聊天机器人用作对话式研究助手。他们可以要求其总结内容、检验论点，或提出后续问题，而无需等待正式简报。

Tuberville 在驾车途中使用 AI 的案例说明了这些产品为何吸引繁忙的官员。对话式界面可将路途时间转化为非正式的政策讨论时间。

但这并不意味着聊天机器人提供的是中立或可靠的简报。它意味着该软件提供了速度、便利性，以及一个能够回应的专家形象。

国会的其他 AI 应用则更接近该机构的核心工作。生成式 AI 可以建议措辞、总结修正案、比对文件，以及探索一项立法构想是否符合程序要求。

众议院共和党人已借助 Byrd Bot 测试了这一边界。该系统帮助用户根据 Byrd Rule 评估构想，后者规定了哪些内容可被纳入预算协调法案。

据报道，该工具使用了数千份与早期 Byrd Rule 决定相关的文件进行训练。在参议院议事顾问审查相关提案之前，它可以建议对立法文本进行修改。

这比让通用聊天机器人从零起草一项法案更为聚焦。即便如此，它仍将一个概率性系统置于影响哪些条款能够在国会存续的决策附近。

众议院还使用了 Comparative Print Suite，这是一套于 2022 年推出、用于比较不同立法版本的系统。文件比对尤其适合机器辅助，因为源材料可被明确识别和核查。

创意和个人用途则位于风险光谱的另一端。只要生日歌仍属私人内容且不包含敏感信息，其带来的制度风险很低。

然而，这种广泛的应用范围很重要，因为它展示了 AI 的采用通常如何扩散。一项无害任务会建立熟悉感，熟悉感会鼓励试验，而试验最终会进入风险更高的工作。

因此，不能只通过询问议员是否“使用 AI”来衡量国会对 AI 的使用。关键问题在于任务、数据、模型、审查流程，以及错误输出所造成的后果。

一首歌曲、一份政策摘要和拟议的法定文本可能来自相似的界面，但它们不应获得相同的保障措施。

这种差异构成了国会面临的核心挑战。它需要制定能够识别不同风险等级的规则，同时不能假定每一次与聊天机器人的互动不是无害，就是不可接受。

为什么国会使用 AI 正在加速

国会采用 AI，是因为其工作负荷奖励速度，而其分散的结构使数百个办公室能够各自作出选择。

每位议员的办公室都像一个小型组织，处理立法、沟通、日程安排、监督和选民服务。各委员会还承担调查、听证、文件审查和专业政策工作。

工作人员必须消化冗长报告、追踪新闻、回复来信，并为议员投票做准备。生成式 AI 承诺提供更简短的初稿，并更快地检索这些信息。

即便底层输出仍不完美，这些收益也可能令人感到切实可见。一名国会新闻秘书告诉 The Washington Post，AI 每周为其节省了三到四个工作小时。

同一报道发现，众议院采购了 6,000 个 Microsoft Copilot 许可证。据报道，文章发布时约有一半正在使用，众议院官员还延长了这一安排。

这些数字表明，采用已达到机构规模，而非零散的试验。然而，具体实施方式仍因办公室而异，在同一个议院内部形成不同做法。

国会的结构放大了这种不一致性。众议院和参议院办公室拥有不同的领导层、工作人员、技术预算、政治激励和对试验的容忍度。

中央管理者可以批准产品并发布限制措施，但无法观察数百个日常工作流程中出现的每一条提示词、每一份复制的文件或每一份生成的草稿。

办公室之间的竞争进一步增加了压力。如果一个传播团队借助 AI 产出更多演讲稿、帖文和评论文章，邻近的谨慎办公室可能会感到处于劣势。

同样的动态也适用于立法研究。能够更快总结文件的工作人员，可能为其办公室腾出更多时间用于谈判、联络或监督。

压力也来自立法部门之外。政府机构、承包商、倡议团体和科技公司都在利用 AI 分析政策，并向国会陈述论点。

若不了解所涉工具，议员就无法有效监督使用 AI 辅助的机构。国会官员认为，立法部门必须跟上行政部门的采用步伐，才能开展有意义的监督。

这种推理具有可信性，但并未解决治理问题。熟悉聊天机器人并不会自动带来对模型局限、数据处理或自动化决策系统的专业知识。

这项技术也通过国会已经使用的产品进入工作场景。Microsoft 将 Copilot 整合进常用办公软件，降低了采用的实际门槛。

这种嵌入式分发比新奇性更重要。员工无需寻找专门实验室，因为助手已出现在电子邮件、文档、电子表格或云存储之中。

其结果与其他知识型工作场所中的 AI 采用情况相似。人们先从摘要和草稿开始，随后才将这些系统纳入常规信息处理流程。

结构化的知识工作流可以让来源和人工推理保持可见。通用聊天机器人的对话则可能掩盖某项断言的来源。

对国会而言，这种差异具有公共后果。立法决策需要可追溯的证据、可明确识别的责任，以及能够经受政治和法律审查的记录。

因此，采用压力是即时的，而审慎治理的好处则不那么显眼。这种失衡解释了为何实际使用可能快于书面政策。

效率与问责正在碰撞

AI 可以减少例行工作，但国会不能将法律、监督或公开声明的责任委托给模型。

生成式 AI 根据训练数据和所提供上下文中的模式，预测可能出现的文本序列。除非工作流另行检索并核查来源，否则它不会验证真实性。

当输出影响法定文本时，这一局限就会变得严重。模型可能生成流畅的条款，但其内容可能与现行法律冲突、遗漏定义，或引发意料之外的解释。

立法起草所要求的不只是易读的文字。律师必须考量管辖权、交叉引用、拨款、执法、先例，以及法院可能如何解释每一个措辞。

立法顾问办公室的职责，是将政策目标转化为法律上可行的文本。AI 生成的草案可以辅助讨论，但无法为结果承担制度性责任。

Byrd Bot 提供了一个有益的例证。与要求聊天机器人起草整部协调法案相比，其范围受限的用途更具可辩护性。

用户可以将其建议与规则、既往决定以及参议院议事顾问的意见进行比较。至少在原则上，这使核查成为可能。

不过，接受这篇Byrd Bot 分析采访的专家警告说，人仍是更可靠的权威。他们还指出，大型语言模型可能产生幻觉并生成低质量文本。

一个基于早期材料训练的系统可以识别模式，却未必能够忠实再现制度判断。程序性决定还取决于历史文件可能无法完整呈现的背景。

当 AI 影响公开沟通时，责任缺口会更加明显。选民有理由认为，议员的演讲、信函或声明代表这名民选官员的判断。

众议员 Jake Auchincloss 在 2023 年于众议院宣读了一篇由 ChatGPT 生成的演讲稿，展现了这种张力。他的工作人员认为，这是国会中首次发表此类演讲。

这项实验已被披露，意在引发讨论。根据这篇议场演讲报道，Auchincloss 在使用结果前数次修改了提示词。

这种人工参与并未使文本脱离 AI。它表明，当一个人对生成内容进行引导、选择、编辑并最终发表时，作者身份会变得多层化。

披露标准仍未明确。国会不会为每一段受到工作人员、律师、研究人员或外部专家影响的文字加上标签。

AI 的不同之处在于，它的错误可能显得权威，却没有任何人类来源为其背书。生成的文字被复制到另一份文件后，其贡献也可能变得不可见。

生日歌的例子或许看似与这些担忧相去甚远，但它展现了用户多么容易将同一个界面同时视为娱乐工具和政策助手。

这种熟悉感可能削弱谨慎态度。一个能很好完成低风险创意请求的模型，仍可能虚构法案、错误陈述某项计划，或遗漏法律例外。

国会必须守住一条简单界线：AI 可以参与流程，但必须由可明确识别的人为最终成果承担责任。

这一原则说起来容易，执行起来却很难。它需要与每项任务敏感程度相匹配的记录、培训、审查程序和后果机制。

众议院有规则，但执行是薄弱环节

国会已从非正式试验转向书面护栏，但如果工作人员不了解规则，规则就无法可靠地约束行为。

众议院于2024年9月19日宣布了一项覆盖全院的 AI 政策。该政策描述了一个在管理网络安全及相关风险的同时使用 AI 的框架。

该政策还建立了一套流程，工作人员可以通过该流程提交工具或使用场景供审查。领导层将其描述为会随技术发展而演变的基础。

众议院 AI 政策直接承认了这一基本权衡。AI 可以提高效率，但敏感信息和机构职责需要得到保护。

据报道，当前众议院指导方针禁止将包括选民信息在内的敏感数据输入未经授权的聊天机器人。它还限制深度伪造、人员决策以及立法文本的最终定稿。

围绕立法的这一界限很重要。机器可以协助起草，但不能充当最终权威。

一些办公室已采取额外控制措施。据报道，参议员 Elissa Slotkin 的办公室要求接受培训，禁止使用个人选民信息，并禁止将 AI 生成内容作为公开讲话等最终成品。

她的办公室还会进行突击抽查。这种做法将 AI 治理视为一项持续的运营实践，而非员工只需确认一次的文件。

然而，报道揭示了显著差异。工作人员描述称，他们不确定国会规则允许什么，也不清楚个人账户是否属于获准工作流程。

一名前众议院高级工作人员将其办公室的 AI 使用形容为毫无约束。其他人表示，同事们正试验利用过往言论模仿议员声音的系统。

国会规则调查发现，受访者无法指出任何执法案例。相关众议院办公室拒绝讨论潜在案例。

没有公开案例并不能证明未发生内部干预。但这表明，国会缺乏一份可见的执法记录，无法据此明确各方预期。

发现违规是另一项障碍。政策违规可能只有在工作人员举报同事、输出包含明显错误，或敏感材料出现在预定系统之外时才会浮现。

消费级账户会带来额外风险，因为管理员可能无法控制数据保留、训练设置、访问日志以及与其他应用程序的连接。

即使是获批准的企业产品，也需要谨慎配置。一个知名品牌名称并不保证每个版本都提供同等程度的隐私、安全或政治内容控制。

Microsoft Copilot 是一个值得注意的例子。众议院最初禁止使用其商业版本，随后又在不同安排下转向大规模机构部署。

这一过程反映了负责任的审查，但也说明产品层面的标签并不足够。部署模式和合同可能与模型名称同样重要。

因此，规则应聚焦于数据和后果。一个强有力的框架会追问：哪些信息进入系统、谁能检索这些信息，以及输出将如何影响人们。

它还应明确哪些记录必须保留。当 AI 对立法、监督调查结果或选民服务产生实质影响时，公共机构需要留下审计轨迹。

培训必须涵盖实际场景，而不是抽象警告。工作人员需要识别敏感数据、虚构引文、提示注入尝试，以及对流畅回答的虚假信心。

最重要的是，国会需要可执行的责任机制。各办公室应当知道由谁审查事件、如何报告违规，以及之后会采取哪些补救措施。

缺少这些要素，书面政策主要只能保护机构形象。它对保护选民、立法完整性或公众信任的作用则有限。

国会自身的 AI 使用习惯使监管更加复杂

当同样的系统已支持议员自身的研究、写作和运营时，立法者无法可信地将 AI 监管为一种遥远威胁。

这并不意味着国会没有资格采取行动。立法者经常监管政府办公室同样在使用的产品和行业。

内部经验可以通过揭示实际益处、局限性和意外行为来改进政策。使用聊天机器人的议员或许能就核验或数据泄露提出更知情的问题。

当个人熟悉程度取代证据时，冲突就会出现。一次令人满意的 ChatGPT 对话，并不能证明某个模型适用于医疗保健、就业、教育或国家安全。

国会必须将消费者印象与系统性评估区分开来。监管需要技术测试、有记录的危害、经济分析以及受影响社区的意见。

立法者还面临普通用户没有的激励因素。AI 可以放大他们的公开信息，加速党派研究，并增加与选民沟通的数量。

这使透明度尤为重要。公众应当了解自动化何时对官方沟通或政策制定产生实质影响。

披露不必涵盖拼写检查或每一句建议文本。它应适用于生成内容成为立法、证词或面向公众产品的重要基础时。

国会还需要针对外部提交材料制定规则。倡议团体可以生成大量由模型撰写的法案语言、评论、信件和简报材料。

数量可能制造公众兴趣的虚假信号。它也可能将审查成本转移给必须识别重复或有缺陷材料的国会律师和工作人员。

AI 生成的倡议本身并不天然缺乏正当性。问题在于，自动化掩盖了发起方身份、模拟独立参与，或压垮有限的机构处理能力。

监管辩论已经催生了广泛行动，但尚未形成综合性的联邦框架。Brennan Center 统计，第118届国会期间提出了150多项与 AI 相关的法案。

与此同时，各州已制定涉及政治深度伪造、自动化决策、隐私及其他具体危害的规则。联邦提案仍使立法者在创新、安全和州权问题上存在分歧。

国会使用 AI 为这场辩论增加了另一个问题：立法机关是否应在要求私营组织遵守标准之前，先对自身施加这些标准？

一个可信的答案不需要全面禁止。它要求国会展示其希望他人遵循的治理实践。

这些实践包括风险分类、获批准的工具、人工问责、事件报告、采购审查，以及对敏感数据的明确限制。

国会还应公布有意义的采用信息。汇总使用情况、获批准系统、已报告事件和合规审计，可以在不暴露受保护工作的前提下为公共讨论提供依据。

这样一来，该机构自身的使用就可成为可行规则的测试环境。它可以显示哪些保障措施带来了合理的阻力，哪些措施会在真实工作负荷下失效。

这种做法将加强监管，因为立法者会亲身面对其要求带来的运营成本。他们也会看到哪些保护措施即使存在这些成本仍不可或缺。

另一种结果是不断扩大的可信度鸿沟。国会会警告公众 AI 不可靠，却在自身工作流程中悄然接受不可靠的输出。

三个信号将显示监督是否跟上步伐

下一阶段将由可审计性、办公室层面的合规和公开披露来定义，而不是由聊天机器人的轶事数量来定义。

第一个信号是众议院和参议院是否公布更清晰的执法程序。政策已识别被禁止的行为，但工作人员需要一条处理问题和事件的可见路径。

可信的体系会指定负责办公室、定义审查标准并说明后果。它还会在不暴露受保护立法工作的前提下报告汇总执法信息。

如果国会建立这一流程，其 AI 政策将开始发挥机构治理作用。持续沉默将加剧人们对合规主要依赖个人判断的担忧。

第二个信号是 AI 辅助立法工作是否获得持久的审计轨迹。Byrd Bot 等工具应保留源材料、模型版本、生成建议和人工批准记录。

当错误延续至提案时，这份记录至关重要。审查人员需要确定问题是源于证据缺失、有缺陷的指令、模型行为，还是人为接受。

可审计性并不意味着公开每一份机密草案。它意味着确保获授权官员能在争议或事件发生后重建具有实质影响的使用过程。

如果国会要求对 AI 辅助法案进行可追溯审查，效率和问责目标便可以共存。如果生成文本通过复制粘贴工作流程流转，有意义的监督仍不太可能实现。

第三个信号是国会是否针对 AI 的实质贡献采取一致的披露规则。通过反复提示生成的议场演讲，理应与自动语法修正得到不同对待。

同样的区分应适用于法案摘要、选民通信、委员会材料和合成媒体。明确的门槛可以保护日常生产力，同时维护公众信任。

仅靠披露无法保证准确性。它将明确人工责任从何处开始，并防止 AI 协助在实质塑造官方工作时仍然不可见。

这些信号还将影响更广泛的监管辩论。在内部采取可衡量保障措施的立法者，将有更充分的理由在其他地方要求采取这些措施。

国会使用 AI 不太可能回退。这些工具适用于太多重复性任务，而每一次新的办公室部署都会降低下一次试验的门槛。

实际问题在于，该机构是否会在本可避免的失败迫使其行动之前建立治理体系。虚构引文、泄露的选民记录或有缺陷的条款，都会将抽象的政策缺口变成公共事件。

读者应关注国会行政管理人员，而不只是个别立法者。采购条款、审计报告、培训要求和执法披露，透露的信息将多于又一个巧妙的提示词。

他们还应追问，拟议的 AI 法律是否与国会自身的行为一致。一项要求企业透明的规则，值得与立法机关内部的透明度进行比较。

AI 可以帮助官员搜索、总结、比较和起草。它无法承担附着于这些任务之上的民主责任。

下次有立法者提到使用聊天机器人时，不妨越过新奇感继续追问：哪些数据进入了系统，谁核查了结果，以及是否有人能够重建整个过程。

这些问题为检验国会如何使用 AI 提供了最清晰的标准。它们也显示，监管这项技术的机构是否已准备好治理自身对它的依赖。