Żyjemy w epoce, w której sztuczna inteligencja przestaje być ciekawostką, a staje się fundamentem nowoczesnej administracji. Systemy AI mogą optymalizować ruch miejski, personalizować opiekę zdrowotną czy przewidywać awarie infrastruktury. Potencjał jest gigantyczny, ale równie wielkie są wyzwania, zwłaszcza dla sektora publicznego.
Obecne Prawo zamówień publicznych (PZP) zostało zaprojektowane do kupowania rzeczy przewidywalnych: dróg, budynków, komputerów. To świat, w którym produkt jest statyczny. Sztuczna inteligencja jest zaprzeczeniem tej statyczności. Jej kluczową cechą jest uczenie się i ewolucja. I tu rodzi się fundamentalny problem badawczy, idealny na przełomowy doktorat: Jak pogodzić sztywne ramy prawne z dynamiczną, uczącą się naturą technologii AI?
Zderzenie paradygmatów: Statyczne prawo vs. dynamiczna technologia
Prawo zamówień publicznych opiera się na filarach, które w kontekście AI zaczynają drżeć w posadach. Ten konflikt to serce problemu.
| Filar Prawa Zamówień Publicznych | Wyzwanie ze Strony AI |
| Precyzyjny opis przedmiotu zamówienia (OPZ) | Jak opisać system, którego kluczową cechą jest ewolucja i nieprzewidywalność? Jak zdefiniować „inteligencję” w sposób mierzalny? |
| Równe traktowanie wykonawców i uczciwa konkurencja | Jak porównać oferty, gdy jedna proponuje gotowe, ale sztywne rozwiązanie, a druga – potężny, ale niepewny potencjał uczenia się? |
| Niezmienność umowy | Jak pogodzić zakaz istotnych zmian w umowie z faktem, że ewolucja modelu AI (np. dotrenowanie) jest istotą jego działania i pożądaną cechą? |
Doktorat w tym obszarze to szansa na wypracowanie nowego paradygmatu, który pozwoli sektorowi publicznemu czerpać korzyści z rewolucji AI bez naruszania fundamentalnych zasad.
Jak opisać to, co nieznane? Nowe podejście do przedmiotu zamówienia
Zamiast tradycyjnego, sztywnego opisu technicznego, przyszłościowy OPZ dla systemów AI musi opierać się na innowacyjnych podejściach.
- Specyfikacje funkcjonalne i wydajnościowe: Zamiast opisywać, czym system ma być, zamawiający opisuje, co system ma robić. Celem nie jest zakup konkretnej architektury sieci neuronowej, ale osiągnięcie rezultatu. Przykład: „System ma osiągnąć skuteczność 95% w wykrywaniu anomalii w ciągu 12 miesięcy od wdrożenia”.
- Zamówienia zwinne (Agile Procurement): Proces dzieli się na etapy (sprinty). Pierwszy etap to np. stworzenie i przetestowanie prototypu (Proof of Concept). Po udanej weryfikacji zamawiający przechodzi do kolejnych, bardziej zaawansowanych faz. Pozwala to na elastyczność i minimalizację ryzyka.
- Dialog konkurencyjny i partnerstwo innowacyjne: Ustawa PZP już dziś przewiduje tryby idealne do zamawiania innowacji. Pozwalają one na prowadzenie rozmów z wykonawcami w celu doprecyzowania potrzeb i wspólnego tworzenia rozwiązania, które jeszcze nie istnieje na rynku.
- Dane jako integralna część OPZ: System AI jest tak dobry, jak dane, na których się uczy. OPZ musi więc precyzyjnie określać kwestie dostępu do danych, ich jakości, anonimizacji, bezpieczeństwa oraz własności „wytrenowanego” modelu.
Jak mądrze wybrać? Nowe kryteria oceny ofert
Kryterium „cena 100%” to prosta droga do katastrofy przy zakupie AI. Praca doktorska może zaproponować i uzasadnić nowy katalog kryteriów, dostosowany do specyfiki tej technologii.
| Kryterium Tradycyjne | Kryterium dla Systemów AI |
| Cena | Całkowity koszt posiadania (TCO): Uwzględniający zakup, wdrożenie, utrzymanie, koszt aktualizacji modelu i zużycie energii. |
| Termin realizacji | Potencjał do nauki i skalowalność: Ocena metodologii uczenia maszynowego, architektury systemu i doświadczenia zespołu data science. |
| Gwarancja | Wyjaśnialność i transparentność (Explainable AI – XAI): Zdolność systemu do uzasadnienia swoich decyzji – kluczowa w medycynie czy sądownictwie. |
| Doświadczenie wykonawcy | Ramy etyczne i strategia mitygacji uprzedzeń (bias): Jak wykonawca zamierza zapewnić, że AI nie będzie dyskryminować? |
Ewolucja profesji: Specjalista ds. zamówień publicznych 2.0
Przyszły specjalista ds. zamówień publicznych nie będzie już tylko strażnikiem procedur. Stanie się interdyscyplinarnym strategiem, łączącym kompetencje prawne, technologiczne i zarządcze. Jego nowe zadania to:
- Formułowanie mądrych OPZ i kryteriów oceny dla systemów uczących się.
- Zapewnienie cyberbezpieczeństwa w przetargach na systemy o strategicznym znaczeniu.
- Promowanie zielonych i społecznych klauzul, np. wymagając, aby algorytmy optymalizowały zużycie energii lub były projektowane w sposób inkluzywny.
Pytania i odpowiedzi (FAQ)
1. Czy temat zamówień na AI nie jest zbyt niszowy na doktorat?
Absolutnie nie. To jeden z kluczowych i najszybciej rozwijających się problemów na styku prawa i technologii. Jego rozwiązanie jest niezbędne dla cyfrowej transformacji całego sektora publicznego. To temat o ogromnym potencjale wpływu.
2. Czy do napisania takiego doktoratu potrzebna jest wiedza z informatyki?
Nie trzeba być programistą, ale konieczne jest zrozumienie fundamentalnych zasad działania uczenia maszynowego: czym są dane treningowe, na czym polega proces uczenia i czym jest problem „czarnej skrzynki”. To praca interdyscyplinarna.
3. Od czego zacząć badania?
Najlepiej od analizy trybów dialogu konkurencyjnego i partnerstwa innowacyjnego w kontekście już zrealizowanych (lub próbowanych) postępowań na systemy IT w Polsce i UE. Kolejny krok to analiza porównawcza specyfikacji (OPZ) i kryteriów oceny z tych postępowań.
4. Jakie są największe bariery dla zamawiania AI w sektorze publicznym?
Oprócz barier prawnych, kluczowe są brak kompetencji technologicznych po stronie zamawiających, lęk przed ryzykiem oraz trudności w oszacowaniu całkowitych kosztów i korzyści z wdrożenia systemu, który z natury jest dynamiczny.
Kluczowe wnioski
- Statyczne ramy prawne zamówień publicznych są fundamentalnie nieprzystosowane do dynamicznej natury technologii AI.
- Kluczem do rozwiązania problemu jest przejście od opisu technicznego do opisu funkcjonalnego i wydajnościowego oraz stosowanie elastycznych trybów zamówień, takich jak dialog konkurencyjny i partnerstwo innowacyjne.
- Kryteria oceny ofert muszą ewoluować od koncentracji na cenie do uwzględniania potencjału uczenia się, wyjaśnialności (XAI) i ram etycznych.
- Zamawianie AI to nie tylko problem prawny, ale także strategiczny, który wymusza ewolucję kompetencji specjalistów ds. zamówień publicznych w kierunku interdyscyplinarnego doradztwa.
Publikacje i badania wykonane przez nas
Jako liderzy w analizie prawa nowych technologii, koncentrujemy się na tworzeniu ram dla bezpiecznego i efektywnego wdrażania innowacji w sektorze publicznym. Nasze ostatnie projekty obejmują:
- „Agile Procurement w administracji publicznej: Analiza barier prawnych i organizacyjnych w Polsce na tle doświadczeń brytyjskich.”
- „Kryteria oceny ofert dla systemów AI: Model oceny wielokryterialnej uwzględniający wyjaśnialność i ramy etyczne.”
- „Własność intelektualna w partnerstwie innowacyjnym: Jak uregulować prawa do modelu AI wytrenowanego na danych publicznych.”
- „Ryzyko dyskryminacji algorytmicznej w zamówieniach publicznych: Analiza prawna i propozycje klauzul umownych.”
- „Zamówienia publiczne na dane: Studium przypadku przygotowania zbiorów danych na potrzeby uczenia maszynowego w sektorze zdrowia.”