Καθώς τα συστήματα τεχνητής νοημοσύνης (AI) διεισδύουν όλο και περισσότερο στις βασικές υποδομές της οικονομίας, της κοινωνίας και του κράτους, η συζήτηση για τη ρύθμισή τους παραμένει προσανατολισμένη στην «καρδιά» του προβλήματος: στους αλγορίθμους, στους κώδικες, στις τεχνικές λεπτομέρειες των μοντέλων. Είναι μια κατανοητή –αλλά εντέλει παραπλανητική– προσέγγιση. Όπως δεν επιβάλλουμε ασφάλεια στους σιδηροδρόμους ελέγχοντας κάθε τροχό ξεχωριστά, έτσι και με την AI, πρέπει να μετατοπίσουμε την προσοχή μας εκεί όπου τα συστήματα αγγίζουν την πραγματική ζωή: στα σημεία επαφής με τον άνθρωπο και την κοινωνία.
Αυτή η «διασυνδεσιακή» (interface-centric) προσέγγιση, την οποία προωθεί πρόσφατα και ο Martin Chavez της Alphabet, προσφέρει ένα πιο ρεαλιστικό πλαίσιο για την εποπτεία ενός συστήματος που αναπτύσσεται ταχύτερα από τις δυνατότητες ρυθμιστικού ελέγχου. Η αναλογία με τις χρηματοπιστωτικές αγορές είναι διαφωτιστική: η Εποπτική Αρχή των ΗΠΑ δεν ελέγχει την εσωτερική λογική κάθε αλγορίθμου, αλλά απαιτεί από τις εταιρείες να ελέγχουν τα σημεία εισόδου και εξόδου — πού, πώς και υπό ποιες συνθήκες συνδέονται τα συστήματα με το ευρύτερο οικονομικό περιβάλλον. Το ίδιο οφείλουμε να πράξουμε και με την AI.
Η Ευρωπαϊκή Πράξη για την Τεχνητή Νοημοσύνη (AI Act) επιχειρεί μια τέτοια ολιστική ρύθμιση. Όμως, ενώ εισάγει χρήσιμα εργαλεία για κατηγοριοποίηση κινδύνου, παραμένει εγκλωβισμένη σε γενικές διακρίσεις — όπως το δίπολο «υψηλού» έναντι «χαμηλού» ρίσκου — που χάνουν το νόημά τους όταν η ίδια μηχανή μπορεί να αξιοποιηθεί είτε για δημιουργία περιεχομένου είτε για κυβερνοεπιθέσεις. Δεν είναι το ίδιο το μοντέλο που πρέπει να ρυθμίζεται, αλλά το περιβάλλον χρήσης και οι τρόποι με τους οποίους αλληλεπιδρά με κρίσιμες λειτουργίες της κοινωνίας.
Η διασυνδεσιακή ρύθμιση δεν αποκλείει τον έλεγχο των μοντέλων ή την ηθική σχεδίασή τους· απλώς αναγνωρίζει τα όριά τους. Καμία μεθοδολογία δεν μπορεί να εγγυηθεί πως ένας αλγόριθμος θα παραμείνει ασφαλής σε όλα τα ενδεχόμενα σενάρια. Αντιθέτως, τα σημεία επαφής —όπου η AI εκτελεί εντολές, δίνει συστάσεις ή επηρεάζει αποφάσεις— είναι πιο προσβάσιμα στην παρατήρηση, στην πιστοποίηση, στην προσομοίωση και εν τέλει στη ρύθμιση. Όπως τα χρηματοπιστωτικά ιδρύματα υποβάλλονται σε stress tests, έτσι και τα συστήματα AI μπορούν να δοκιμάζονται πριν συνδεθούν με κρίσιμες υποδομές — από το δίκτυο ηλεκτρισμού μέχρι τις πλατφόρμες κρατικών υπηρεσιών.
Η Ελλάδα έχει τη δυνατότητα να ηγηθεί σε αυτόν τον τομέα. Με ώριμο ακαδημαϊκό δυναμικό, πρόσβαση σε ευρωπαϊκή τεχνογνωσία και χρηματοδοτικά εργαλεία, μπορεί να αναπτύξει πρότυπα εργαστήρια ρυθμιστικής καινοτομίας (regulatory sandboxes) ειδικά για τις ανάγκες του δημόσιου τομέα — στην υγεία, στη δικαιοσύνη, στην κοινωνική πρόνοια. Αντί να περιμένουμε την ωρίμανση ενός ευρωπαϊκού «συντάγματος για την AI», μπορούμε να ξεκινήσουμε άμεσα από το πρακτικό: να επιβάλουμε απλές, μετρήσιμες απαιτήσεις στα συστήματα που αλληλεπιδρούν με τους πολίτες. Ποιος τα ανέπτυξε, για ποιο σκοπό, με ποιο δικαίωμα, και υπό ποιους όρους μπορούν να διακοπούν ή να αναθεωρηθούν οι αποφάσεις τους;
Η ουσία είναι ότι δεν χρειαζόμαστε περισσότερη ρύθμιση, αλλά εξυπνότερη. Όχι γενικά πλαίσια, αλλά στοχευμένους ελέγχους όπου πραγματικά έχουν νόημα. Η τεχνητή νοημοσύνη εξελίσσεται με ρυθμούς που το κράτος δεν μπορεί να προβλέψει ούτε να προλάβει. Μπορεί όμως να θέσει κανόνες εκεί που η τεχνολογία αγγίζει τον πολίτη. Και αυτός είναι ο μόνος τρόπος για να διασφαλίσουμε πως η καινοτομία δεν θα έρθει εις βάρος της δημοκρατίας, της διαφάνειας και της ανθρώπινης αξιοπρέπειας.