3 przeszkody spowalniające rozwój odpowiedzialnej sztucznej inteligencji

Wiele organizacji deklaruje przestrzeganie zasad etyki AI, lecz ma trudności z przełożeniem ich na praktykę. Oto, jak temu sprostać.

W październiku 2023 r. władze Nowego Jorku opublikowały plan działań w obszarze sztucznej inteligencji, publicznie zobowiązując się do korzystania z niej w sposób odpowiedzialny i przejrzysty. Plan obejmował zasady przewodnie – oraz utworzenie nowego stanowiska nadzorującego ich wdrażanie: urzędnika ds. zarządzania algorytmami i polityki publicznej (Algorithm Management and Policy Officer).

Na początku 2024 r. ambicje Nowego Jorku w obszarze AI poddano jednak surowej ocenie. Okazało się, że chatbot wdrożony w celu udzielania porad regulacyjnych właścicielom małych firm miał skłonność do przekazywania mylących informacji. Raporty wykazały, że system wprowadzał użytkowników w błąd w kwestiach prawa pracy i wymogów licencyjnych, a sporadycznie sugerował działania mogące prowadzić do naruszenia przepisów. Obserwatorzy kwestionowali nie tylko techniczną poprawność systemu, lecz także miejskie zasady ładu organizacyjnego, mechanizmy nadzoru i procesy wdrożeniowe. Incydent stał się przestrogą zarówno dla instytucji publicznych, jak i dla każdej organizacji wdrażającej narzędzia AI na dużą skalę.

Opisany przypadek stanowi jedynie ilustrację szerszego zjawiska. Firmy z różnych branż przyjęły język odpowiedzialnej sztucznej inteligencji (RAI, Responsible AI), podkreślając znaczenie sprawiedliwości, rozliczalności i przejrzystości. W praktyce jednak wdrożenia wyraźnie odstają od deklaracji. Systemy AI nadal generują stronnicze wyniki, nie spełniają wymogów związanych z ich interpretowaniem i wyjaśnianiem oraz wywołują sprzeciw użytkowników.

W odpowiedzi legislatorzy wprowadzili falę nowych regulacji, w tym unijny Akt o sztucznej inteligencji (AI Act), kanadyjską Ustawę o sztucznej inteligencji i danych (AIDA) oraz znowelizowane przepisy dotyczące AI w Korei Południowej. Wszystkie te akty prawne zwiększają presję na organizacje, aby systemowo zapewniały one przejrzystość, bezpieczeństwo i realny nadzór człowieka.

Mimo to nawet firmy świadome potencjalnych zagrożeń robią nierówne postępy. Ryzykują utrwalenie błędów lub uprzedzeń w swoich procesach, a także dopuszczenie do nieoczekiwanych, potencjalnie poważnych uchybień natury etycznej na dużą skalę.

Uwaga na luki w RAI

Na podstawie wywiadów z ponad 20 liderami AI, osobami odpowiedzialnymi za etykę oraz przedstawicielami najwyższej kadry zarządzającej z różnych branż, w tym technologicznej, finansowej, ochrony zdrowia i sektora publicznego, przeanalizowaliśmy wewnętrzną dynamikę kształtującą inicjatywy w obszarze RAI. Ustaliliśmy, że w części organizacji ramy RAI pełnią wyłącznie funkcję wizerunkową, a firmom brakuje realnego zaangażowania w przekładanie rekomendowanych praktyk na konkretne działania. Zidentyfikowaliśmy także przeszkody strukturalne i kulturowe, które utrudniają zakorzenienie zasad w praktyce operacyjnej. W szczególności wskazaliśmy trzy powtarzające się luki. Poniżej omawiamy je oraz proponujemy zestaw praktycznych strategii ich przezwyciężania.

1. LUKA W ROZLICZALNOŚCI

Spośród wszystkich wyzwań, przed którymi stają organizacje przy wdrażaniu RAI, jedno pozostaje najbardziej upor­czywe:  Nawet gdy firmy publikują zasady etycznego wykorzystania AI, rzadko wskazują, kto odpowiada za ich osadzenie w codziennej pracy, a jeszcze rzadziej określają, w jaki sposób egzekwować tę odpowiedzialność. W efekcie odpowiedzialność ulega rozproszeniu i rzadko bywa przypisana do konkretnych osób, a dobre intencje nie znajdują odzwierciedlenia w jasnych procesach.

Ten rozdźwięk często wynika już ze sposobu wprowadzania zasad etycznych. Jak zauważył jeden z doradców ds. RAI: „Firmy definiują zasady na podstawie tego, co już robią. To legitymizuje obecne praktyki i nie wymaga istotnych zmian”. W takich przypadkach zasady tworzą iluzję postępu, choć organizacja nie posiada systemów i struktur, które pozwoliłyby realnie je wdrożyć.

Nawet gdy intencje są szczere, a konkretne środki – dostępne, na drodze do wdrożenia staje brak jasno zdefiniowanych procesów rozliczalności. Kto zatwierdza przeglądy pod kątem sprawiedliwości algorytmicznej? Kto weryfikuje deklaracje dotyczące możliwości wyjaśnienia otrzymanych wyników? Co dzieje się po zgłoszeniu wątpliwości? W większości przypadków procesy te mają charakter doraźny. „Nie prowadzimy ustrukturyzowanych szkoleń ani audytów. Mamy jedynie listę kontrolną, którą przeglądają inżynierowie i zespoły ds. zgodności (). Brakuje niezależnej weryfikacji” – powiedział jeden z oficerów ds. zgodności.

Takie fragmentaryczne podejście sprawia, że kluczowe obowiązki nie są realizowane. Czasami ocenę sprawiedliwości przeprowadzają te same zespoły, które budują modele. Uprzedzenia zakorzenione w danych historycznych pozostają nierozwiązane. „Nie mamy jeszcze ustrukturyzowanego sposobu ich eliminowania i nikt nie ponosi za to odpowiedzialności” – przyznał menedżer z sektora finansowego.

Sytuację dodatkowo komplikuje Jeden z ekspertów tak opisał audyt systemu złożonego z wewnętrznych narzędzi i komponentów zewnętrznych: „To była prowizorka. Nikt nie rozumiał, co się dzieje. Gdy zapytaliśmy klienta, odpowiedział: »Dla nas to czarna magia«”. Nawet organizacje z dojrzałą kulturą audytu mają trudności z nadzorem nad AI. „Potrafimy audytować sprawozdania finansowe – powiedział jeden z dyrektorów – ale w przypadku systemów algorytmicznych nie istnieją standardy GAAP, czyli powszechnie przyjętych zasad rachunkowości, dla sprawiedliwości algorytmicznej”.

Realna rozliczalność wymaga również wsparcia systemów motywacyjnych, które jednak rzadko uwzględniają ocenę praktyk RAI. Specjalistów AI ocenia się przeważnie pod kątem szybkości, dokładności i terminowości dostarczenia produktu, a nie zdolności do budowania modeli sprawiedliwych, możliwych do wyjaśnienia i społecznie odpowiedzialnych. „Nie mamy motywacji, by zwolnić i zastanowić się nad etycznymi kompromisami. Nagradza się nas za jak najszybsze wdrożenie modelu” – zauważył jeden z praktyków.

Bez jasnego przypisania właściciela, odpowiedzialności za realizację oraz określenia powtarzalnego, kompleksowego procesu nadzoru działania w obszarze RAI dryfują w stronę symbolicznej zgodności. Organizacje publikują polityki, deklarują wartości i przypominają zespołom, by działały etycznie, lecz bez dedykowanych struktur ładu korporacyjnego szwankuje realizacja tych haseł.

2. LUKA STRATEGICZNA

Mimo powszechnych deklaracji etyka AI często pozostaje oderwana od sposobu kreowania wartości czy mierzenia sukcesu. Ten rozdźwięk definiuje to, co określamy mianem luki strategicznej: Nasze badania pokazują, że zasady RAI rzadko wpływają na kluczowe decyzje dotyczące rozwoju produktów, strategii rynkowej i alokacji zasobów.

Zbyt często działania w obszarze RAI lokuje się w działach zgodności (), prywatności lub zarządzania ryzykiem, czyli w funkcjach, które zazwyczaj operują poniżej decyzji produktowych i biznesowych. „Nadal postrzega się to jako obszar poboczny. Konsultują się z nami dopiero po zbudowaniu produktu, a nie w trakcie jego projektowania” – zauważył jeden z liderów RAI.

W organizacjach, które nagradzają szybkie tempo innowacji, Pewna doradczyni prawna przywołała kilka projektów pilotażowych, które utknęły w martwym punkcie nie z przyczyn technicznych, lecz dlatego, że rodziły trudne pytania dotyczące potencjalnych nadużyć. „Zespoły entuzjastycznie podchodziły do technologii, ale nie zdawały sobie sprawy, że produkt może nie być spójny z wartościami firmy. Nikt nie przeprowadził tej rozmowy na wstępie” – wyjaśniła. Sytuacja ta pokazuje, jak istotne jest uwzględnianie kwestii etycznych przy podejmowaniu decyzji strategicznych, a nie dopiero po fakcie.

Organizacje, które za swój priorytet strategiczny uznają wzrost wydajności, mogą dostrzec, że ten cel stoi w sprzeczności z inicjatywami RAI, nastawionymi na optymalizację rozwiązań pod kątem sprawiedliwości. W konsekwencji RAI często jawi się jako hamulec innowacyjności, nie zaś jako katalizator w procesie budowania zaufania klienta, podnoszenia jakości, wzmacniania długoterminowej odporności czy realizacji innych celów strategicznych. Gdy zasady etyczne nie są strukturalnie powiązane ze strategią, decyzje produktowe pozostają pozbawione barier ochronnych, a programy nadzoru tracą wpływ na kierunek działania organizacji.

3. LUKA ZASOBOWA

Nawet tam, gdzie organizacje wykazywały autentyczne zaangażowanie w etyczne praktyki związane z AI, dostrzegliśmy „To wciąż w dużej mierze inicjatywa ludzi, którym po prostu zależy. Nie stoi za tym jeszcze żadna siła organizacyjna” – zauważył jeden z doradców.

W praktyce zapewnienie zasobów dla RAI pozostaje dla wielu firm kwestią drugoplanową. „Nie prowadzimy ustrukturyzowanych szkoleń ani nie mamy jasno opisanych procedur. Dysponujemy listą kontrolną działań, które powinniśmy podejmować, ale chodzi raczej o formalną zgodność niż o rzeczywistą zmianę” – przyznał jeden z liderów ds. danych.

Przeglądy pod kątem sprawiedliwości stanowią dobry przykład. Choć ich przeprowadzenie jest technicznie możliwe, organizacje rzadko przeznaczają na ten cel odpowiednie zasoby. Rozmówcy wskazywali, że ich zespołom AI często brakuje dostępu do pracowników przeszkolonych w zakresie ograniczania uprzedzeń (), a nawet gdy takie zasoby są dostępne, zespoły nie dysponują ani możliwościami, ani siłą przebicia, by spowolnić lub wstrzymać projekt z powodu wątpliwości etycznych. Inni opisywali rady nadzorcze działające w dobrej wierze, lecz niedofinansowane, które traciły na znaczeniu pod wpływem konkurencyjnych priorytetów. „Temat pozostaje jedynie szumem w tle, dopóki ktoś nie zajmie się nim w pełnym wymiarze godzin” – wyjaśnił lider ds. polityki AI.

Również technologia okazuje się mieczem obosiecznym.  z instytucji finansowej opisał dostęp do narzędzi  służących do oceny sprawiedliwości, które nie były zintegrowane z ich przepływem pracy ani nie wskazywały, kiedy i w jaki sposób go używać. „W efekcie z nich nie korzystamy” – przyznał.

Ostatecznie organizacje nie inwestują wystarczająco w ludzi, procesy i infrastrukturę niezbędną do operacjonalizacji RAI. Bez dedykowanych ról, kompleksowych szkoleń, właściwych narzędzi ewaluacyjnych oraz systemów motywacyjnych wspierających etyczną staranność RAI pozostaje tym, co jeden z liderów określił mianem „dobrze brzmiącej aspiracji” widocznej w deklaracjach, lecz nieobecnej w codziennej praktyce.

Model SHARP. Jak przejść od zasad RAI do praktyki

Choć przepaść między aspiracjami w obszarze odpowiedzialnej sztucznej inteligencji a praktyką pozostaje znacząca, organizacje mogą ją zawęzić. W wielu branżach część firm włącza etykę do operacyjnego rdzenia procesów tworzenia i wdrażania sztucznej inteligencji. Podmioty te stosują pięć strategii, które wspólnie tworzą akronim SHARP:

• S (structure ownership): przypisanie odpowiedzialności na poziomie projektu,

• H (hardwire ethics): trwałe wpisanie zasad etycznych w codzienne procedury,

• A (align risk): powiązanie ryzyka etycznego z ryzykiem biznesowym,

• R (reward behavior): nagradzanie odpowiedzialnych zachowań,

• P (practice judgment): osądzanie pod kątem etycznym, a nie wyłącznie z punktu widzenia .

Model SHARP identyfikuje samo sedno strukturalnych i kulturowych przeszkód na drodze RAI. Tworzące go strategie nie stanowią liniowej sekwencji kroków ani uniwersalnego schematu postępowania. Odzwierciedlają raczej różne sposoby, w jakie organizacje mogą rekonfigurować swoje struktury, systemy motywacyjne i rutyny, aby wspierać RAI w praktyce. Poniżej omawiamy każdą z tych strategii. 

Ustrukturyzowanie odpowiedzialności na poziomie projektu. Jasno określony punkt rozliczalności w poszczególnych projektach sprawia, że nadzór etyczny staje się spójny i systematyczny, a nie doraźny. Badania nad systemami wspieranymi przez AI pokazują, że użytkownicy często rezygnują z własnej sprawczości w obliczu wyników generowanych przez algorytmy. Tym bardziej organizacje powinny ustanowić formalne struktury rozliczalności na etapie tworzenia i wdrażania takich systemów.

Część firm odpowiedziało na to wyzwanie, wyznaczając lidera ds. RAI dla każdej inicjatywy o dużym znaczeniu. Zamiast umieszczać nadzór wyłącznie w działach prawnych lub , osadzają tę funkcję bezpośrednio w zespołach deweloperskich. Zadaniem takiej osoby jest wczesne ujawnianie ryzyk etycznych, tworzenie dokumentacji oraz odgrywanie roli łącznika między decyzjami produktowymi a wartościami organizacji.

Przykładem jest globalna firma produkcyjna, której zespół ds. etyki cyfrowej działa w całej organizacji, wspiera wszystkie inicjatywy cyfrowe i wpływa na proces decyzyjny wykraczający poza symboliczne gesty. Jeden z liderów opisał swoją rolę następująco: „Kontaktuję się z ludźmi w całym przedsiębiorstwie, aby być głosem etyki biznesowej i dbać o to, by nasze wartości rzeczywiście kształtowały decyzje dotyczące inicjatyw cyfrowych”. Stała dostępność lidera ds. etyki pokazuje, że firma traktuje swoje wartości poważnie i tworzy przestrzeń do refleksji i dialogu na każdym szczeblu. Liderzy RAI nie pozostają na marginesie procesu, lecz go współtworzą. Dzięki integracji z zespołami i dostępowi do informacji mogą interweniować na wczesnym etapie, zadawać trudne pytania i wpływać na rezultaty.

Podobne efekty przyniosło wprowadzenie liderów ds. etyki na poziomie projektów w firmie z sektora usług finansowych. „Jeśli coś jest zadaniem wszystkich, jest zadaniem niczyim” – zauważył lider ds. ładu AI. Wyznaczenie konkretnej osoby zapewniło zespołom jasny punkt kontaktu i odpowiedzialności, czyli kogoś, czyim zadaniem jest wczesna identyfikacja ryzyk etycznych i zgłaszanie ich w razie potrzeby. Pozwoliło to uniknąć rozproszenia odpowiedzialności, czyli sytuacji, w której każdy zakłada, że ktoś inny monitoruje potencjalne szkody. Takie rozwiązanie włączyło liderów RAI w procesy łączące zespoły techniczne z funkcjami zgodności, prawnymi i obszarem ładu korporacyjnego. W rezultacie kwestie etyczne zaczęto podnosić wcześniej i włączać do formalnych procesów decyzyjnych, zamiast sygnalizować je z opóźnieniem lub pomijać.

Dysponowanie uprawnieniami do wprowadzania takich wymogów pozwala liderom RAI egzekwować praktyki odpowiedzialnej sztucznej inteligencji. Strategia ta odzwierciedla szerszą zmianę organizacyjną: odejście od symbolicznych deklaracji na najwyższym szczeblu na rzecz ról osadzonych w strukturze, które mają odpowiednią pozycję i zdolność do działania.

Trwałe wpisanie etyki w codzienne procesy. Część organizacji zaczęła formalizować praktyki etyczne w cyklach życia produktu, jednak działania te nie mogą ograniczać się do list kontrolnych. Narzędzia takie jak macierz etyczna () czy ramy możliwej do wyjaśnienia sprawiedliwości () stanowią wartościowy punkt wyjścia, lecz – jak podkreślają eksperci ds. RAI – audyt etyczny powinien obejmować ocenę społeczności, na które system wpływa, oraz ocenę potencjalnych szkód w konkretnym kontekście. Wymaga to mechanizmów nadzoru ludzkiego, które wykraczają poza listy kontrolne zgodności i angażują interesariuszy w merytoryczny przegląd.

Przykładem jest pewna firma z obszaru analityki medycznej, w której zespoły wspólnie opracowały listę kontrolną zagadnień etycznych do wypełnienia, zanim jakikolwiek model AI trafi do produkcji. Obejmuje ona wymogi dotyczące walidacji na danych treningowych, konsultacji z interesariuszami oraz dokumentowania przewidywalnych szkód. Co istotne, lista ta została zintegrowana z procesami DevOps, podobnie jak testy automatyczne czy protokoły wdrożeniowe. „Nie chcieliśmy, aby stała się barierą. To musi być coś, co robimy naturalnie, a nie coś, co ktoś nam narzuca” – powiedział lider zespołu inżynieryjnego.

Wbudowanie działań RAI w przepływy pracy jednoznacznie określa także odpowiedzialność za ich realizację. Ustandaryzowane procesy ułatwiają ponadto śledzenie podjętych decyzji oraz ich uzasadnianie.

Powiązanie ryzyka etycznego z ryzykiem biznesowym. W wielu firmach RAI funkcjonuje w oderwaniu od kluczowych wskaźników biznesowych. Aby działania w tym obszarze zyskały na znaczeniu, ryzyka etyczne należy przedstawiać w kategoriach istotnych dla najwyższego kierownictwa, takich jak reputacja, ekspozycja regulacyjna czy zakłócenia operacyjne.

Pewne europejskie towarzystwo ubezpieczeniowe dokonało tej zmiany, modelując potencjalne skutki finansowe i wizerunkowe ujawnienia w mediach przypadków stronniczości algorytmicznej. Odwołując się do rzeczywistych przykładów, zespół ds. ryzyka pokazał, jak awaria związana z AI może wywołać kaskadę kosztów – od odpływu klientów po trwały uszczerbek na wizerunku marki. „Gdy tylko pokazaliśmy ryzyka wynikowe, ton rozmowy się zmienił” powiedział dyrektor firmy.

Inna organizacja włączyła wskaźniki RAI do korporacyjnych pulpitów zarządzania ryzykiem korporacyjnym, obok cyberbezpieczeństwa i ciągłości operacyjnej. Przesunęła też etykę AI z obszaru kwestii światopoglądowych do sfery zarządzania ryzykiem. W efekcie wzrosło zainteresowanie tematem i zaczęto go na wczesnym etapie włączać w procesy decyzyjne. Zespoły produktowe zaczęły uwzględniać ryzyka etyczne w ramach własnej odpowiedzialności, zamiast pozostawiać je do późniejszej oceny.

Nagradzanie odpowiedzialnych zachowań. Jeśli menedżerowie rzeczywiście oczekują, że twórcy systemów AI będą uwzględniać kwestie etyczne w swojej pracy, powinni premiować takie postawy. Ma to szczególne znaczenie, ponieważ wysiłki te często konkurują z innymi oczekiwaniami, takimi jak tempo pracy czy dotrzymywanie terminów wdrożeń.

Nordycka firma energetyczna rozwiązała ten problem, dodając wymiar „świadomości wpływu” () do ocen pracowniczych zespołów zajmujących się sztuczną inteligencją i danymi. Specjaliści ds. danych byli nagradzani za udział w audytach sprawiedliwości, zwiększanie przejrzystości modeli oraz sygnalizowanie etycznych kompromisów podczas budowy i wdrażania rozwiązań. „Nie chodzi o to, by kogoś karać. Chcemy jasno komunikować, jakie postawy uznajemy za wartościowe” – powiedział wiceprezes ds. danych.

Podobnie europejska firma telekomunikacyjna ustanowiła wewnętrzną nagrodę za odpowiedzialne innowacje, aby wyróżnić zespoły, które podejmowały trudne decyzje etyczne, na przykład rezygnowały z obiecującego modelu z powodu obaw o jego stronniczość albo przedkładały przejrzystość nad wydajność.

Zmiany te mogą wydawać się niewielkie, ale wysyłają jednoznaczny sygnał: odpowiedzialne zachowanie jest zauważane, cenione i powiązane z sukcesem zawodowym.

Ocenianie pod względem etycznym, a nie tylko dążenie do zgodności. Niewiele procesów może w pełni zastąpić ludzki osąd, zwłaszcza w sytuacjach, gdy napięcia etyczne są subtelne lub ewoluują. Dlatego, aby wesprzeć swoje inicjatywy szkoleniowe, część organizacji stworzyła fora umożliwiające rozwijanie kompetencji etycznych poprzez praktykę i refleksję.

Jedna z agencji publicznych uruchomiła cykliczne „laboratoria etyki AI”, czyli moderowane sesje dla zespołów interdyscyplinarnych, podczas których analizowano rzeczywiste przypadki użycia i wspólnie omawiano dylematy etyczne. Spotkania miały celowo nieformalny charakter. Ich celem nie było podejmowanie decyzji, lecz – wypracowanie wspólnego słownictwa, sposobu rozumowania i zwiększenie gotowości do zgłaszania wątpliwości. W firmie logistycznej retrospektywy sprintów zostały dostosowane tak, aby obejmowały rotacyjne pytania dotyczące wykorzystania danych, zgody użytkowników czy niezamierzonych konsekwencji. Krótkie dyskusje pozwoliły znormalizować refleksję etyczną w ramy zwinnych procesów pracy.

W obu organizacjach procesy decyzyjne w znacznym stopniu bazowały na systemach wspieranych przez AI, więc dążyły do tego, by użytkownicy stali się biernymi odbiorcami sugestii systemowych, a jednocześnie pozostali aktywnymi podmiotami moralnymi. Badacze RAI ostrzegają, że nadmierne poleganie na systemach opartych na AI może wypierać nawyk etycznej refleksji. Bez świadomego wzmacniania tej kompetencji poprzez praktykę nawet dobrze zaprojektowane systemy mogą z czasem obniżać indywidualne kompetencje.

W obu przypadkach celem była nie zgodność z procedurami (), lecz rozwijanie zdolności pracowników do dokonywania osądów etycznych. Jakość decyzji rośnie wtedy, gdy zespoły nie tylko korzystają z list kontrolnych, ale także wspólnie analizują złożone problemy.

Co jest potrzebne, aby zniwelować lukę w odpowiedzialnej sztucznej inteligencji

Same starannie sformułowane zasady nie zapewnią powszechnego wdrożenia RAI. Nasze badania wskazują, że główną barierą jest nie brak zaangażowania czy świadomości, lecz trudność w przełożeniu abstrakcyjnych zasad na konkretne działania w złożonych środowiskach o ograniczonych zasobach. W tym ujęciu RAI nie stanowi wyłącznie wyzwania technicznego czy etycznego, lecz staje się wyzwaniem organizacyjnym. Wymaga od organizacji budowy infrastruktury operacyjnej obejmującej ludzi, procesy, systemy motywacyjne i praktyki, które pozwolą realizować etyczne intencje w długim horyzoncie czasowym.

Organizacje osiągające realny postęp to nie te, które formułują najbardziej ambitne deklaracje wartości. O sukcesie decyduje nie tyle doskonałość rozwiązań, ile zdolność do budowania lepszych mechanizmów domyślnych, czyli nawyków, struktur i pętli informacji zwrotnej, które kierują zespoły ku bardziej odpowiedzialnym decyzjom. Liderami stają się te firmy, które inwestują w ustrukturyzowaną rozliczalność, powiązanie systemów motywacyjnych z wpływem etycznym oraz tworzą przestrzeń, w której interdyscyplinarne zespoły mogą wspólnie analizować złożone dylematy. To one włączają myślenie etyczne w codzienną praktykę operacyjną.

Kadra zarządzająca najwyższego szczebla odgrywa w tym procesie główną rolę – nie jako jedyny właściciel RAI, lecz jako podmiot umożliwiający zaistnienie warunków kulturowych i strukturalnych, które umożliwiają trwałe zakorzenienie zasad. Odpowiedzialna sztuczna inteligencja nie jest listą kontrolną do odhaczenia. To długofalowa kompetencja, która weryfikuje spójność organizacji, jej zdolność do adaptacji i gotowość do przewodzenia w warunkach niepewności.

Najpilniejsze pytanie nie brzmi już: „Jakie mamy przekonania na temat AI?”, lecz – „Co robimy systematycznie i konsekwentnie, aby działać zgodnie z tymi przekonaniami?”.