Pacific Northwest National Laboratory och OpenAI samarbetar för att påskynda federala tillståndsprocesser

Att modernisera hur den federala regeringen tillståndsprövar kritisk infrastruktur är avgörande för att bygga en snabbare, säkrare och mer konkurrenskraftig amerikansk ekonomi. Inom allt från energiprojekt och avancerad tillverkning till transportsystem och vatteninfrastruktur avgör tillståndsprocessen hur snabbt lovande idéer blir verkliga investeringar. I dag tar dock miljömässiga och tekniska granskningar ofta flera år, vilket bromsar innovation, ökar kostnaderna och fördröjer de fördelar som projekten kan ge lokalsamhällen.

Därför har OpenAI inlett ett samarbete med U.S. Department of Energy’s Pacific Northwest National Laboratory (PNNL) och dess PermitAI⁠(öppnas i ett nytt fönster)^TM-team för att utvärdera om kodningsagenter på ett ansvarsfullt sätt kan bidra till att påskynda det federala tillståndsarbetet. PermitAI, ett initiativ som finansieras av Department of Energy’s Office of Policy, och OpenAI har tillsammans med 19 ämnesexperter inom granskningsprocessen enligt National Environmental Policy Act utvecklat ett riktmärke (kallat DraftNEPABench) för att bedöma hur bra AI-modeller presterar i uppgifter kopplade till NEPA-arbetsflöden, såsom att utarbeta miljökonsekvensbeskrivningar. 

I ett representativt urval av utarbetningsuppgifter som omfattade NEPA-dokumentavsnitt från 18 federala myndigheter upptäckte 19 experter att generella kodningsagenter har potential att påskynda utkastarbetet med så mycket som 1 till 5 timmar per underavsnitt – en tidsbesparing på upp till cirka 15 % – vilket indikerar ett värdefullt steg framåt när det gäller hur AI kan stödja komplexa myndighetsarbetsflöden.

Federala tillståndsprocesser är komplexa och dokumentintensiva inom offentlig förvaltning. Granskningar kräver ofta genomläsning av hundratals sidor tekniska rapporter, kontroll av information från flera källor samt detaljerade analyser som måste uppfylla gällande regelkrav.

I detta samarbete utforskade OpenAI och PNNL styrkan⁠(öppnas i ett nytt fönster) i att använda generaliserade kodningsagenter (i detta fall Codex CLI) som ett effektivt sätt att frigöra prestanda från resonemangsmodeller som GPT‑5 för forsknings-, teknikanalys- och rapportskrivningsuppgifter som involverar ett filsystem. Genom att ge modeller tillgång till ett kommandoradsgränssnitt (som vanligtvis används för kodningsuppgifter) kan de använda mer generella strategier för att lösa en uppgift än fördefinierade regler. Dessa agenter förväntas gör följande:

• Läsa och sammanställa korrekt dokument som sträcker sig över hundratals sidor med tekniskt och regulatoriskt innehåll
• Verifiera fakta från flera källor inom miljöområdet och ingenjörsområdet samt regulatoriska källor
• Utforma strukturerade rapporter som uppfyller mycket specifika juridiska och tekniska kriterier

För att USA ska kunna fortsätta att utveckla sin ekonomi i AI-eran⁠(öppnas i ett nytt fönster) måste landet kunna bygga säkert, ansvarsfullt och snabbt. I takt med att AI-system i allt högre grad påverkar den fysiska världen behöver vi förstå deras kapacitet inom områden som anläggningsteknik, miljöanalys och regulatorisk analys. Med tiden kommer avancerade modeller att behöva förstå lagar och regelverk korrekt när de bidrar till att utveckla nya och säkrare tekniker, skydda naturresurser och tillgodose mänskliga behov.

I mer än 50 år har processen krävt att federala myndigheter granskar och dokumenterar miljöpåverkan från projekt som broar, kraftanläggningar, transmissionsledningar och tillverkningsanläggningar. Detta riktmärke hjälper till att identifiera var dagens AI-modeller på ett ansvarsfullt sätt kan hjälpa människor med att påskynda dessa arbetsflöden. 

Utöver att minska riskerna med autonomi kan detta arbete bidra till att utveckla bättre gränssnitt för experter och AI. Genom att gå bortom statiska PDF-filer kan kodningsagenter dynamiskt generera webbaserade rapporter och interaktiva visualiseringar baserade på sitt arbete, vilket gör det enklare för mänskliga granskare att verifiera resultaten. 

Med AI kommer myndigheter att kunna granska, finjustera och godkänna förslag mer effektivt, och offentligt anställda kommer att få ökad kapacitet genom team av AI-agenter som hanterar tidskrävande delar av arbetet, så att de kan fokusera på utvärdering, tillsyn och komplexa beslutsprocesser. Detta arbete ligger i linje med OpenAI:s bredare åtagande för samhällsnytta samt OpenAI for Governments mål att tillhandahålla offentligt anställda verktyg som gör dem mer effektiva och ger bättre stöd.

Detta riktmärke utvärderar modellernas kapacitet i väl avgränsade utarbetningsuppgifter där relevant kontext finns tillgänglig, inte den fulla komplexitet och det bedömningsutrymme som kännetecknar verkliga tillståndsbeslut. Det understryker noggrannhet och korrekt källhänvisning för att tydliggöra var modeller kan hjälpa mänskliga granskare. Vid genomgång av fall där modellen misslyckades fann vi att vissa ”fel” i själva verket berodde på inaktuella referenser och bristfälliga utvärderingskriterier, vilket gjorde att vi behövde uppdatera bedömningsmallarna. Mer generellt: Om källmaterial är ofullständigt, inkonsekvent eller inaktuellt, kan modeller missa att uppmärksamma sådana avvikelser utan uttryckliga instruktioner. Verkliga tillämpningar kommer sannolikt att innefatta expertåterkoppling och iterativa förbättringar, vilket förväntas höja prestandan jämfört med vad som rapporteras i dessa fristående riktmärkestester. 

OpenAI stödjer PNNL i att vidareutveckla och förfina lösningar för PermitAI⁠(öppnas i ett nytt fönster):s applikationer, som är utformade för att hjälpa federala myndigheter att effektivisera tillståndsprocesser. På sikt förväntar vi oss att den genomsnittliga tiden till godkännande för federalt granskade infrastrukturprojekt minskar från månader till veckor, vilket påskyndar projektutvecklingen, stärker USA:s konkurrenskraft och stödjer långsiktig ekonomisk tillväxt.