Pacific Northwest National Laboratory og OpenAI inngår samarbeid for å fremskynde føderal tillatelsesbehandling

Modernisering av hvordan de føderale myndighetene gir tillatelser for kritisk infrastruktur er avgjørende for å bygge en raskere, tryggere og mer konkurransedyktig amerikansk økonomi. Tillatelser avgjør hvor raskt lovende ideer blir til investeringer i den virkelige verden, fra energiprosjekter og avansert produksjon til transport- og vannsystemer. Likevel tar miljøvernmessige og tekniske gjennomganger i dag ofte flere år, noe som bremser innovasjon, øker kostnadene og forsinker fordelene disse prosjektene gir lokalsamfunn.

Derfor har OpenAI inngått et partnerskap med det amerikanske energidepartementets Pacific Northwest National Laboratory (PNNL) og deres PermitAI^TM⁠(åpnes i et nytt vindu)-team for å evaluere om kodeagenter kan bidra til å akselerere føderalt tillatelsesarbeid på en ansvarlig måte. PermitAI, et initiativ finansiert av energidepartementets kontor for politikk, og OpenAI samarbeidet med 19 fageksperter om gjennomgangsprosessen for den amerikanske miljøpolitiske loven National Environmental Policy Act for å utarbeide en referanse (kalt DraftNEPABench) for å vurdere hvor godt modeller presterer på oppgaver knyttet til NEPAs arbeidsflyter, som utarbeidelse av miljøkonsekvensutredninger. 

I en studie som omfattet et representativt utvalg av skriveoppgaver fra ulike deler av NEPA-dokumenter i 18 føderale etater, fant 19 eksperter at generelle AI-baserte kodeassistenter kan redusere tiden det tar å utarbeide hver underseksjon med mellom 1 og 5 timer, det vil si med opptil ca. 15 prosent. Dette tyder på et viktig steg fremover i hvordan AI kan støtte komplekse arbeidsflyter i offentlig sektor.

Føderal tillatelsesbehandling er en kompleks prosess som omfatter mange dokumenter i offentlig administrasjon. Gjennomganger krever ofte at man leser hundrevis av sider med tekniske rapporter, dobbeltsjekker informasjon fra flere kilder og utarbeider detaljerte analyser som må oppfylle krav til samsvar med regelverk.

Gjennom dette samarbeidet utforsket OpenAI og PNNL potensialet⁠(åpnes i et nytt vindu) ved å generalisere kodeagenter (i dette tilfellet Codex CLI) som en effektiv metode for å hente ut ytelse fra resonneringsmodeller som GPT‑5 til forskning, teknisk analyse og rapportskriving som involverer et filsystem. Ved å gi modeller tilgang til et kommandolinjegrensesnitt (vanligvis brukt til programmeringsppgaver), kan de bruke mer generelle strategier for å løse en oppgave enn håndlaget heuristikk. Disse agentene er pålagt å:

• lese og sammenfatte dokumenter med hundrevis av sider med teknisk og regelverksrelatert innhold korrekt
• verifisere fakta på bakgrunn av flere miljømessige, tekniske og regulatoriske kilder
• lage utkast til strukturerte rapporter som oppfyller svært spesifikke juridiske og tekniske kriterier

For at USA skal kunne fortsette sin økonomiske vekst i vår intelligensalder⁠(åpnes i et nytt vindu), må landet kunne bygge trygt, ansvarlig og raskt. Etter hvert som AI-systemer i økende grad påvirker den fysiske verdenen, må vi forstå systemenes kapasitet innenfor områder som bygg- og anleggsteknikk og miljø- og regelverksanalyse. Over tid må avanserte modeller kunne forstå lover og forskrifter i detalj når de bidrar til å finne opp nye og sikrere teknologier, beskytte naturressurser og møte menneskelige behov.

I over 50 år har prosessen krevd at føderale etater gjennomgår og dokumenterer miljøpåvirkningene av prosjekter som broer, kraftverk, overføringslinjer og produksjonsanlegg. Denne referansen bidrar til å identifisere hvor dagens AI-modeller kan hjelpe mennesker med å akselerere disse arbeidsflytene på en ansvarlig måte. 

I tillegg til å redusere risikoen ved autonomi kan dette arbeidet bidra til å utvikle bedre grensesnitt for eksperter og AI. I stedet for statiske PDF-er kan kodeagenter dynamisk generere nettbaserte rapporter og interaktive visualiseringer av arbeidet sitt, noe som gjør det enklere for mennesker å kontrollere og validere resultatene. 

Med AI kan etater gjennomgå, forbedre og godkjenne forslag mer effektivt, og ansatte i offentlig sektor får økt kapasitet fra AI-agentteam som håndterer tidkrevende deler av arbeidet, slik at de ansatte kan fokusere på vurdering, tilsyn og komplekse beslutninger. Dette arbeidet er i tråd med OpenAIs bredere engasjement for offentlig tjeneste og OpenAI for Governments' mål om å utstyre offentlige ansatte med verktøy som gjør dem mer effektive og bedre støttet.

Denne referansen evaluerer modellens evne på klart definerte utarbeidelsesoppgaver der relevant kontekst er tilgjengelig, og ikke på hele omfanget av usikkerhet og skjønn som finnes i faktiske tillatelsesbeslutninger. Den legger vekt på nøyaktighet og korrekt referansebruk for å vise hvor modeller kan bistå menneskelige kontrollører. Når vi gjennomgikk tilfeller der modellen feilet, oppdaget vi at noen «feil» egentlig skyldtes utdaterte referanser og svake vurderingskriterier, så vi måtte oppdatere kriteriene deretter. Mer generelt: Hvis kildematerialet er ufullstendig, inkonsekvent eller utdatert, kan det hende at modellene ikke flagger disse avvikene uten uttrykkelige instruksjoner. I praksis involverer implementeringer i den virkelige verden sannsynligvis tilbakemeldinger fra eksperter og flere iterasjoner, noe som forventes å gi bedre ytelse enn det som rapporteres i disse selvstendige referanseoppgavene. 

OpenAI støtter PNNL for å videreutvikle og finjustere løsninger for PermitAI⁠(åpnes i et nytt vindu)s programmer, som er utformet for å hjelpe føderale etater med å effektivisere tillatelsesprosesser. Over tid forventer vi at den gjennomsnittlige tiden til godkjenning for føderalt kontrollerte infrastrukturprosjekter vil falle fra måneder til uker, noe som akselererer prosjektutviklingen, styrker USAs konkurranseevne og støtter langsiktig økonomisk vekst.