Rządy demokratyczne przez deliberację i głosowanie oparte na DAO dla inkluzywnego podejmowania decyzji w modelach AI

Dlaczego to ma znaczenie dla zwykłych użytkowników technologii

Kiedy prosimy AI o narysowanie obrazu lub odpowiedź na pytanie, rzadko widzimy, kto zdecydował, jak system powinien się zachowywać. Niniejszy artykuł bada nowy sposób umożliwienia zwykłym ludziom — zwłaszcza tym, którzy zwykle są pomijani — realnego wpływu na projektowanie i aktualizacje modeli AI. Zamiast pozwalać firmom technologicznym ustalać wszystkie zasady za zamkniętymi drzwiami, autorzy testują demokratyczny, oparty na blockchainie system, który pozwala różnorodnym społecznościom debatować, głosować i bezpośrednio kształtować sposób, w jaki AI traktuje wrażliwe kwestie, takie jak stereotypy na obrazach.

Problemy ukrytych decyzji w AI

Nowoczesne systemy AI powstają na bazie ogromnych zbiorów danych i złożonego kodu, a decyzje dotyczące ich działania często bywają niejawne. Brak przejrzystości prowadzi do dyskryminacji, błędnego przedstawiania i nawet naruszeń prywatności czy własności intelektualnej. Szkody nie rozkładają się równomiernie: osoby z niepełnosprawnościami i społeczności Globalnego Południa często należą do wczesnych użytkowników AI i są jednocześnie najbardziej dotknięte, gdy coś idzie nie tak. Tradycyjne narzędzia słuchania opinii publicznej — takie jak ankiety i grupy fokusowe — mają trudności z nadążeniem za szybko zmieniającym się AI i nie wspierają łatwo głębokiej dyskusji, budowania konsensusu ani stałego udziału.

Nowy rodzaj cyfrowego ratusza

Autorzy proponują wykorzystanie Zdecentralizowanych Organizacji Autonomicznych (DAO) jako swego rodzaju cyfrowego ratusza dla zarządzania AI. DAO to systemy oparte na blockchainie, które pozwalają ludziom podejmować zbiorowe decyzje przy użyciu przejrzystych zasad i smart kontraktów zamiast centralnej władzy. W tym badaniu struktura DAO wspiera wieloetapowy proces: najpierw ludzie omawiają kwestie związane z wartościami w języku naturalnym, potem widzą konkretne opcje dotyczące zachowania modelu AI, a na końcu głosują, które rozwiązania wolą. Studium przypadku koncentruje się na znanym problemie — uprzedzeniach płciowych w modelach tekst-na-obraz, na przykład gdy neutralne polecenie skutkuje narysowaniem pielęgniarki jako kobiety, a dyrektora generalnego jako mężczyzny.

Jak badanie przeprowadzono z grupami niedoreprezentowanymi

Aby sprawdzić, czy ramy demokratyczne mogą działać w praktyce, badacze przeprowadzili eksperyment online z 177 uczestnikami pochodzącymi z dwóch grup zaniedbanych: osób z Globalnego Południa oraz osób niewidomych lub słabowidzących w Stanach Zjednoczonych. Uczestnicy najpierw wchodzili w interakcję z asystentem AI w scenariuszu obrazu obarczonego uprzedzeniem, potem dyskutowali z innymi w internetowym forum, a na końcu głosowali nad propozycjami zmian zachowania modelu tekst-na-obraz. Zespół porównał cztery konfiguracje zarządzania, różnicując zarówno sposób łączenia preferencji (prosta metoda porządkowa vs. metoda kwadratowa, pozwalająca ludziom wyrażać silniejsze przekonania przez inwestowanie większej części ich „budżetu” głosowego), jak i rozkład siły decyzyjnej (równa dla wszystkich vs. zróżnicowana 20/80).

Czego ludzie oczekiwali od sprawiedliwszego generowania obrazów

Pomimo różnic kulturowych uczestnicy doszli do kilku wspólnych oczekiwań wobec sprawiedliwszych obrazów AI. Wiele osób chciało większej kontroli użytkownika, na przykład opcji dostosowania płci lub innych widocznych cech, albo otrzymania kilku różnych obrazów i wyboru tego najlepiej dopasowanego do potrzeb. Zależało im zarówno na odpowiedniości społecznej, jak i na precyzji statystycznej: niektórzy akceptowali, że w ich lokalnym kontekście większość pielęgniarek to kobiety, podczas gdy inni podkreślali konieczność unikania wzmacniania stereotypów. Uczestnicy z Globalnego Południa często opowiadali się za „złotym środkiem” — wystarczającą różnorodnością, by nie wprowadzać użytkowników w błąd, podczas gdy wielu uczestników z USA było mniej tolerancyjnych wobec stronniczych lub niejednoznacznych wyników. W całych grupach osoby z niepełnosprawnościami zwracały szczególną uwagę na znaczenie inkluzywnej reprezentacji i ryzyka zawężonych czy idealizowanych obrazów.

Które systemy głosowania wydawały się najbardziej demokratyczne

Uczestnicy generalnie oceniali proces jako przyjemny, znaczący i godny zaufania oraz wierzyli, że ich wkład zostanie wykorzystany do ulepszenia modelu AI. Najbardziej sprawiedliwą kombinacją okazało się głosowanie kwadratowe sparowane z równą siłą decyzyjną dla wszystkich. W takim układzie ludzie czuli, że ich głos jest lepiej odzwierciedlony, równość polityczna wyższa, a proces zachowuje porządek przy jednoczesnym zachowaniu inkluzywności. Metoda ta wydawała się wzmacniać silnie podzielane poglądy mniejszości, nie dając jednocześnie po prostu większego wpływu tym, którzy dysponują większymi zasobami. Autorzy jednak zastrzegają, że takie mechanizmy w niektórych kontekstach mogą nadreprezentować mniejsze grupy, więc przyszłe systemy będą musiały dostosowywać ustawienia zarządzania do konkretnych tematów i społeczności.

Co to oznacza dla przyszłości zasad dotyczących AI

Badanie dowodzi, że możliwe jest wyjście poza polityki narzucane odgórnie przez firmy i zmierzanie w stronę demokratycznego, obliczeniowego zarządzania AI. Poprzez połączenie uporządkowanej dyskusji, przejrzystych zasad głosowania i rejestrów decyzji wspieranych przez blockchain, systemy oparte na DAO mogą dać marginalizowanym grupom wiarygodny sposób wpływania na zachowanie AI. Dla zwykłych użytkowników w przyszłości może to wyglądać jak funkcje w produkcie pozwalające kwestionować konkretne wyniki, dołączać do deliberacji i głosować nad zmianami modeli. Autorzy argumentują, że takie partycypacyjne ramy — starannie zaprojektowane, by chronić prywatność i zapobiegać przejmowaniu władzy — są obiecującą drogą do dostosowania AI do szerszego spektrum wartości ludzkich, a nie tylko wartości deweloperów i kadry zarządzającej.

Cytowanie: Sharma, T., Potter, Y., Park, J. et al. Democratic governance through DAO-based deliberation and voting for inclusive decision making in AI models. Sci Rep 16, 11792 (2026). https://doi.org/10.1038/s41598-026-40180-8

Słowa kluczowe: zarządzanie AI, głosowanie demokratyczne, stronniczość algorytmiczna, organizacje zdecentralizowane, modele tekst-na-obraz