सामाजिक भल्यासाठीचे AI अजूनही संस्था, श्रम, आणि स्थानिक विश्वासावर अवलंबून आहे

“AI सगळं ठीक करेल” या कल्पनेवरील सर्वात मजबूत टीका तंत्रज्ञानविरोधी नाही

कृत्रिम बुद्धिमत्ता आता शिक्षण, शेती, रोजगार, आणि सार्वजनिक सेवा वितरणातील समस्यांवर उपाय म्हणून मोठ्या प्रमाणावर मांडली जात आहे. हे framing मोहक आहे, कारण ते अव्यवस्थित सामाजिक अपयशांना एका हाताळता येण्याजोग्या engineering challenge मध्ये संकुचित करते. संस्था मंद, अपुऱ्या निधीच्या, किंवा तुटपुंज्या असतील, तर एका responsive model चे आश्वासन जवळजवळ नाकारता न येण्यासारखे वाटते.

पण Rest of World मधील एका निबंधाचा युक्तिवाद असा आहे की हे framing सामाजिक प्रणालींच्या केंद्रस्थ सत्याकडे दुर्लक्ष करते: तांत्रिक क्षमता एकटी पुरेशी नसते. प्रगत AI tools ना देखील human support, institutional capacity, आणि local accountability लागते, जर त्यांना केवळ प्रभावी demo निर्माण करण्यापलीकडे काही करायचे असेल.

Cornell चे संशोधक Deepak Varuvel Dennison आणि Aditya Vashistha यांनी लिहिलेला हा लेख AI च्या खऱ्या क्षमतेला नाकारत नाही. तो productivity gains चे वाढते पुरावे आणि private तसेच public sectors मध्ये AI चे आकर्षण स्पष्टपणे मान्य करतो. त्याचा युक्तिवाद अधिक संकुचित पण अधिक महत्त्वाचा आहे: underserved communities मध्ये AI deploy करणे म्हणजे त्यांच्या समस्या सोडवणे नव्हे.

AI-for-good च्या केंद्रातील विरोधाभास

हा निबंध एक structural tension अधोरेखित करतो. AI ला अनेकदा inequality, exclusion, आणि service gaps दूर करण्याचे साधन म्हणून मांडले जाते. पण या प्रणाली स्वतः extractive supply chains, concentrated power, आणि विद्यमान असमानता यांच्यामुळे घडवल्या जातात. AI Snake Oil आणि Atlas of AI सारख्या पुस्तकांशी संबंधित themes चा आधार घेत, लेखक AI ला neutral software layer म्हणून न पाहता natural resources, human labor, आणि entrenched institutions यांवर उभ्या असलेल्या socio-technical system म्हणून मांडतात.

हे महत्त्वाचे आहे, कारण “AI for social good” प्रकल्प ज्यांना लक्ष्य करतात ते समुदायच बहुतांश वेळा खराब रचलेल्या interventions चा खर्चही सोसतात. दूरून कार्यक्षम दिसणारा model स्थानिक पातळीवर अपयशी ठरू शकतो, जर तो भाषा, विश्वास, access, governance, किंवा त्याच्या output वर कृती करण्यासाठी लागणाऱ्या human intermediaries कडे दुर्लक्ष करत असेल.

म्हणून मुख्य प्रश्न AI मदत करू शकते का हा नाही. प्रश्न असा आहे की टिकाऊ आणि जबाबदार पद्धतीने मदत करण्यासाठी कोणत्या अटी अस्तित्वात असायला हव्यात.

डेमोपेक्षा संस्था का महत्त्वाच्या

लेखकांनी विकासशील जगभर सामाजिक समस्या सोडवण्यासाठी वापरलेल्या आठ AI systems चा अभ्यास केला. येथे उपलब्ध source text नुसार, लेखाचा मुख्य निष्कर्ष असा आहे की AI फक्त human support आणि institutional capacity सोबतच कार्य करते. प्रत्यक्षात याचा अर्थ प्रशिक्षित staff, service delivery pipelines, community relationships, आणि तंत्रज्ञान जे उघड करते त्यावर प्रतिसाद देऊ शकतील अशा संस्था.

हा मुद्दा अत्यंत महत्त्वाचा आहे, कारण अनेक AI deployments चे मूल्यमापन model performance वर होते, downstream outcomes वर नाही. एखादी system summarise, classify, किंवा predict प्रभावीपणे करू शकते, तरीही जर कोणतीही agency त्या माहितीवर कृती करू शकत नसेल, तर ती कुणाचेच जीवन सुधारत नाही. सामाजिक संदर्भात, शेवटचा टप्पा बहुधा संपूर्ण कथाच असतो.

कल्पना करा, एखादे AI tool गरज ओळखते, पण प्रतिसाद देण्यासाठी staffing, funding, किंवा legal authority नसते. system तरीही dashboards तयार करू शकते, पण परिणामी समस्या सोडवणे नव्हे, तर administrative theater होते. तांत्रिक आश्वासन आणि अंमलबजावणी क्षमता यांमधील हे अंतर अनेक AI-for-good उपक्रमांना शांतपणे मोडून टाकते, असा या निबंधाचा युक्तिवाद आहे.

समुदाय deployment environment नाहीत

या निबंधाचा आणखी एक अर्थ असा की underserved communities ना generalized tools साठी test beds म्हणून पाहू नये. सामाजिक समस्या स्थानिक इतिहास, norms, आणि power structures मध्ये खोलवर रुजलेल्या असतात. त्या वास्तवांकडे दुर्लक्ष करणाऱ्या प्रणाली neutrality चा दावा करत exclusion पुन्हा निर्माण करू शकतात.

हे विशेषतः agriculture, education, आणि public service access अशा क्षेत्रांत लागू होते, जिथे informal intermediaries आणि प्रत्यक्ष जमिनीवरील संबंध लोकांना system प्रत्यक्षात वापरता येईल की नाही हे ठरवतात. AI त्या प्रणालींना मदत करू शकते, पण त्यांची जागा क्वचितच घेते. translation, explanation, verification, आणि trust-building चे श्रम अजूनही ठामपणे मानवीच राहतात.

अधिक सक्षम model आपोआप implementation gaps भरून काढेल या सामान्य कल्पनेलाही हा लेख धक्का देतो. चांगले reasoning किंवा अधिक मजबूत language fluency workflow मधील काही भाग सुधारू शकते, पण जिथे संस्था नाहीत तिथे संस्था निर्माण करत नाही. broken procurement, fragile local governance, किंवा under-resourced public agencies सुधारत नाहीत.

अधिक गंभीर AI-for-good agenda काय मागेल

हा निबंध बरोबर असेल, तर सामाजिक क्षेत्रांतील अर्थपूर्ण AI deployment ही त्या design constraints पासून सुरू झाली पाहिजे, ज्यांना अनेक product teams बाह्य परिणाम म्हणून दुर्लक्षित करू इच्छितात. systems ना स्पष्ट accountability structures लागतात. हस्तक्षेप करू शकणारे, समजावून सांगू शकणारे, आणि outputs ला आव्हान देऊ शकणारे human operators लागतात. recommendations प्रत्यक्ष कृतीत बदलू शकतील अशा संस्था लागतात. आणि एखादी सामाजिक समस्या नीट न समजून घेताच तिच्यावर technical answer लादू नये इतके local grounding लागते.

यामुळे AI अप्रासंगिक ठरत नाही. उलट, AI कुठे सर्वाधिक उपयोगी ठरू शकते ते सूचित होते: public systems च्या पर्याय म्हणून नाही, तर त्यांच्यातील एक component म्हणून. अशा प्रकारे वापरल्यास, AI clerical burden कमी करू शकते, माहितीपर्यंतची access वाढवू शकते, triage ला मदत करू शकते, आणि frontline workers ना मर्यादित संसाधने चांगल्या प्रकारे वापरायला मदत करू शकते.

पण ही दृष्टी त्या pitch पेक्षा धीमी आणि कमी झगमगीत आहे, ज्यात AI संस्थात्मक अपयशाला सहज वळसा घालू शकते असे सांगितले जाते. यासाठी software इतकेच people मध्ये, आणि models इतकेच governance मध्ये गुंतवणूक करावी लागते.

Rest of World निबंधाची किंमत ही आहे की तो चर्चेला पुन्हा मूलभूत तत्त्वांकडे आणतो. सामाजिक समस्या टिकून राहतात कारण कोणी पुरेसे हुशार interface तयार केले नाही म्हणून नव्हे, तर टिकाऊ उपाय विश्वास, क्षमता, आणि सत्ता यांवर अवलंबून असतात म्हणून. AI त्या परिस्थितीत मदत करू शकते. ती ती नाहीशी करू शकत नाही.

सरकारे, NGOs, आणि कंपन्या public-facing systems मध्ये AI स्वीकारत राहतील तसा हा फरक अधिक महत्त्वाचा होत जाईल. AI-for-good चा पुढचा टप्पा models काय निर्माण करू शकतात यावर नाही, तर संस्था ते निर्माण झालेले output जबाबदारीने वापरू शकतात का यावर ठरवला जाईल. हा कठीण निकष आहे, पण खरोखर महत्त्वाचा तोच आहे.

हा लेख Rest of World च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.