哈尔滕湖畔市政厅的人工智能：影子人工智能还是未来权威？城市如何变革其行政管理

Xpert 预发布版

在线联系方式（Konrad Wolfenstein）

提供 27 种语言版本 📢

在 Google 上更倾向于选择 Xpert.Digital。ⓘ

发布日期：2026年9月24日 / 更新日期：2026年9月24日 – 作者： Konrad Wolfenstein

哈尔滕湖畔市政厅的人工智能：影子人工智能还是面向未来的权威？城市如何利用人工智能改造其行政管理——Xpert.Digital 的创意图片

市政厅里的AI：为什么单靠聊天机器人无法拯救哈尔滕湖

摆脱实验阶段：人工智能如何成为市政公共服务

为什么什么都不做是最昂贵的选择：市政当局如何才能成功地战略性地实施人工智能。

德国地方政府面临着巨大的压力：日益繁重的职责、密集的监管以及不断增长的公民期望，与捉襟见肘的预算和日益严重的技能型人才短缺问题交织在一起。因此，在哈尔滕湖畔小镇，人工智能（AI）的应用引发了激烈的讨论。然而，任何仅仅将人工智能视为快速聊天机器人、孤立的软件测试或偶尔的文本撰写辅助工具的人都忽略了其战略意义。人工智能远非一项数字化的“面子工程”，它是确保未来各项基本服务和公共服务持续供应的关键技术。.

本文探讨了不受控制的人工智能实验和所谓的“影子人工智能”为何会对公共机构构成巨大风险，以及如何通过有计划的方案来规避风险。解决方案在于“受管人工智能”的概念：一个持续管理、符合数据保护规定且技术严谨的环境，它将经批准的语言模型与政府部门的特定监管知识相结合。无论是智能自动化处理收到的邮件、处理复杂的文件，还是保留退休专业人员的宝贵经验——最大的经济效益都源于机构的核心运作。.

了解为什么对城市和市政当局来说，什么都不做是最昂贵的选择，如何将数据保护和信息安全作为架构挑战来解决，以及如何通过简单的审查请求成为未来数字管理的可行的跨市政运营策略。.

从人工智能实验到数字公共服务

那些只依赖人工智能进行测试的公司，很快将主要依靠自己来管理积压的测试工作。

在哈尔滕湖畔市政厅举行的关于人工智能的辩论可谓恰逢其时。然而，这场辩论不应仅仅局限于员工能否更快地撰写文本、总结文件或更轻松地查找信息。一个更重要、更具经济意义的问题是：当任务量、监管复杂性和期望值不断增加，而人力、时间和预算资源却依然匮乏时，市政当局如何才能确保效率？在此背景下，人工智能既非炫耀数字光环的项目，也非取代员工的方案。如果运用得当，它将成为一种新的运营基础设施，使现有专业人员能够更高效地工作，使知识更容易获取，并使行政服务更加可靠。.

对于哈尔滕湖市而言，有很多理由不宜仅仅依靠孤立的软件测试来组织实施。相反，该市应该建立一个受控的运营模式，将技术、数据保护、信息安全、专业流程、培训、质量保证和持续开发融为一体。托管式人工智能正是为此而生。这并非指任何带有聊天窗口的云应用，而是指一个持续管理、监管清晰且技术安全的AI环境。它将经批准的语言模型与市政专业知识、既定流程、权限控制、日志记录和人工问责相结合。只有这样的组合才能将一个引人入胜的工具转化为强大的管理资源。.

采取行动的压力并非空穴来风。哈尔滕湖市2026年的人员配置计划共包含467个职位，其中包括107个公务员职位和360个雇员职位。人员和养老金成本约为3770万欧元。与此同时，预算预计收入近1.3亿欧元，支出略高于1.37亿欧元；即使削减了整体成本，仍然存在约520万欧元的赤字。这一规模表明，不应将提高效率与全面裁员混为一谈。每一小时的永久性节省都弥足珍贵，但市政当局既无法承担昂贵的AI实验，也无法承受公共在线服务不受控制的影子使用。.

真正的瓶颈在于市政容量。

地方政府身处复杂的经济环境之中。一方面，公共服务需求不断增长：建设项目需要加快审批速度，社会福利决策需要合法合规，气候适应措施需要组织实施，基础设施需要维护，危机需要妥善管理，公民的诉求需要通过多种渠道得到解决。另一方面，预算限制、技术工人短缺以及人口结构变化制约了人员扩充。德国公共部门雇佣了超过500万人；如果不采取应对措施，到2030年，技能缺口可能至少达到100万。虽然这些预测并非对哈尔滕的准确预测，但它们确实指明了行政人员、IT人员、工程师、社工和管理人员等岗位竞争的走向。.

这会造成生产力问题。如果缺乏合适的申请人或预算不足以提供必要的资金，市政当局无法通过增加人手来永久应对不断增长的工作量。同时，它也不能随意削减服务，因为许多工作都是法律规定的。因此，优化工作组织成为唯一的战略手段。必须简化流程，取消媒体插播，使数据可重复利用，并实现日常任务的自动化。人工智能扩展了这一工具箱，因为它不仅可以处理结构化数据，还可以处理非结构化材料，例如信函、通知、会议记录、指南、电子邮件和扫描文档。.

因此，最大的经济效益并非首先体现在引人注目的公民聊天机器人上，而是体现在公共行政的“引擎室”：分拣和处理来信、查找相关法规、撰写标准化信函、整理大量文件以及在各组织部门之间传递信息。这些任务耗费大量时间，加起来却构成了行政成本的相当一部分。因此，那些只关注可见的人工智能应用的人低估了内部辅助系统的价值。.

为什么聊天机器人目前还不是一种策略

免费提供的AI服务可以在几秒钟内生成逼真的文本。然而，对于公共机构而言，这仅仅是表面现象。每条回复背后都隐藏着数据传输、模型提供商、数据保留期限、训练使用情况、访问权限、技术准确性和问责制等诸多问题。如果没有一个具有约束力的环境，市政当局只不过是将风险从文件柜转移到了一个难以控制的数字系统。影子AI尤其成问题：员工使用私人或未经授权的账户，因为这些工具使用方便，而且没有官方的替代方案。这导致工作方法不一致，并可能造成未经授权的数据流动。.

因此，市政人工智能战略必须区分实验、辅助和自动化。在实验阶段，系统使用非关键数据测试各项功能。在辅助阶段，系统生成建议，并由负责人审核。在自动化阶段，系统按照规则执行既定的工作步骤，并以可审计的方式记录下来。应用场景越接近法律后果、福利提供或繁重的决策，就需要越高的控制、可追溯性和人工监督水平。仅仅具备模型的技术能力并不足以将其委派任务。.

这正是许多试点项目缺陷的体现。它们衡量的是用户热情、用户账户数量或生成的文本量，却忽略了对整个流程的影响。如果草稿生成速度更快，但审核时间更长，那么最终效果仍然微乎其微。如果不同部门多次维护相同的模板，协调工作量就会增加。如果人工智能在没有最新知识库的情况下运行，它会产生语言上正确但技术上过时的结果。因此，策略的起点并非选择模型，而是选择合适的问题。.

托管式人工智能将技术转化为可靠的业务。

托管式人工智能是指一种运营模式，在这种模式下，市政当局保留目标、规则和责任，而由专门的内部或外部部门负责技术平台的运行、安全维护、监控和后续开发。这包括模型部署、身份和访问管理、加密、日志记录、接口、知识库、质量评估、更新、故障排除和用户支持。该模型可以部署在公共数据中心、主权云、混合架构或它们的组合中。重要的不是标签，而是可管理的价值链。.

对于中等规模的城市而言，这种模式比完全自主开发解决方案更具经济可行性。运行生成式人工智能需要持续维护的专业知识：云和数据中心运营、信息安全、数据保护、模型评估、数据工程、接口开发以及专业流程知识。单个城市很难经济高效地承担所有这些角色。而市政IT服务提供商则可以跨多个行政部门共享基础设施、标准和专业知识。雷克林豪森联合市政数据中心服务于该地区和八个城市，因此已具备共享解决方案所需的规模。.

然而，托管式人工智能并不意味着将责任移交给服务提供商。市政府必须确定哪些数据类别可以处理、哪些用例是允许的、如何验证结果以及何时关闭系统。技术运营商负责提供可用性和安全保障；运营责任仍然由相关组织部门承担。一个健全的运营模式应明确划分这些角色，并通过具有约束力的服务目标、审计程序和升级渠道将它们联系起来。.

哈尔滕不必从零开始。

北莱茵-威斯特法伦州已建立了一款名为 NRW.Genius 的行政专用人工智能助手。这款网络应用程序支持文本相关任务，例如摘要生成、文本草稿撰写、文档集搜索、个人文件查询以及与语言模型的直接交互。其架构与模型和平台无关，并专为混合处理而设计。据 IT.NRW 报道，该应用程序已被近 27,000 名员工使用；埃森、索林根和贝格海姆正在市政层面测试其复用。这对 Haltern 来说意义重大，因为它有助于分担开发风险、学习曲线和成本。.

全州统一的标准解决方案并不能自动满足所有市政需求。州政府和城市在专业流程、文件结构、数据持有情况、任务和职责方面都存在差异。只有当辅助系统融入实际工作流程时，其经济价值才能真正体现出来。通用聊天窗口可以生成备注，但与能够识别正确流程、查找授权信息、使用合适的模板、确定信息来源并将结果返回给相关专业流程进行审核的集成解决方案相比，它节省的时间要少得多。.

因此，Haltern 不应将现有产品与其自身的托管人工智能理念相冲突。模块化方法是合理的。通用功能可以从全国性或跨市级平台获取。然后，在平台之上叠加特定于各市的知识库、接口和流程模块。特别敏感的应用可以在受控环境中运行。这既避免了成本高昂的独立解决方案，也避免了对单一产品的完全依赖。.

经济效率始于流程成本核算。

人工智能并非仅仅因为响应速度快就能盈利。只有当整体处理时间缩短、错误避免、后续问题减少，或者在处理能力有限的情况下性能保持稳定时，人工智能才能真正盈利。因此，首先需要针对每个应用场景确定一个基准。该基准包括案例数量、平均处理时间、等待时间、媒体中断次数、返工率、后续问题、错误成本以及可标准化工作的比例。只有这样，才能评估人工智能辅助在经济上是否可行。.

一个简单的模型计算就能说明其中的逻辑。如果一个系统平均每 20,000 个相同流程节省 5 分钟，理论上每年可节省约 1,667 小时的总时间。但从中必须扣除测试时间、培训、支持、停机时间和质量控制等成本。例如，如果净节省时间为 1,000 小时，则可以将这部分收益与投入的总时间成本进行比较。此外，诸如更快的响应速度或更顺畅的沟通等定性影响也需要考虑。这种计算方法刻意保守：它避免了将理论上节省的时间宣传为预算节省的保证。.

经济影响可体现在三个方面。首先，市政部门可以用现有人员处理更多案件。其次，它可以减少积压案件和外部成本。第三，它可以将节省下来的时间重新分配到咨询、监督和处理复杂的个案上。节省时间很少能直接转化为相应的预算削减，因为人员配置并非无限分割。最实际的益处通常包括避免招聘新员工、减轻工作量、提高服务质量的稳定性以及提升响应速度。.

文件整理工作是最有力的第一步。

公共行政部门是一个知识密集型和文件密集型组织。其工作的重要组成部分是收集、核实、精简信息并将其转换为符合法律或组织规范的格式。生成式人工智能非常适合执行这些任务，前提是它能够作为助手运行并访问可靠的信息源。在受控环境下，它可以总结冗长的文档、突出显示不同版本之间的差异、根据要点创建草稿，并在文件中查找相关段落。.

实证结果也表明，一概而论的承诺并不合适。在爱尔兰中央银行一项针对143名员工的实地实验中，生成式人工智能将文档理解任务的质量提高了17%，处理时间缩短了34%。然而，在数据分析任务中，质量却下降了12%，而且没有显著节省时间。因此，这项技术并非在所有情况下都能提高效率，只有当任务、数据、用户界面和控制机制完美匹配时才能发挥作用。.

对哈尔滕而言，这引出了明确的优先事项。初期阶段，适合处理文本量大、内容多且法律影响有限的内部任务，例如：整理会议文件、改进内部知识检索、起草会议纪要、评估公开法规或按主题对公民咨询进行初步分类。涉及索赔、制裁或个人法律立场的决策则不太适合在初期阶段进行。首要步骤应着重于那些容易发现和纠正错误的地方。.

邮件室变成了一扇智能前门

一个特别具体的应用场景是处理收到的文档。信件、表格、电子邮件和附件都需要被识别、分配到相应案例、检查完整性并转发。传统的文档识别方法在面对布局不一致、自由文本和手写内容时很快就会遇到瓶颈。而现代人工智能可以对内容进行分类、提取相关信息并生成摘要以供后续处理。.

GKD Recklinghausen 已使用一套专用的自主人工智能环境来扫描收到的邮件。该环境支持内容分类、手写识别和摘要生成，从而缩短了验证流程和电子文件传输时间。这为 Haltern 提供了一个区域兼容的应用领域。该市无需首先证明这项技术在原理上可行，而是可以先考察哪些文档类型、数量和特定流程能够带来最大的本地效益。.

由于其跨职能影响，该用例在经济上极具吸引力。一个准备更完善的收件系统不仅可以减轻邮件室的工作量，还能减少各专业部门的搜索时间、错发邮件和查询次数。同时，它还能为后续流程步骤构建更结构化的数据基础。这使得单个人工智能模块能够缓解处理链上的多个瓶颈。重复使用带来的收益会不断增加，因此，集中式组件通常应优先于众多小型独立解决方案。.

健全的错误处理机制仍然是必要条件。人工智能绝不能无意中错误分类文档或遗漏关键内容。因此，每种文档类别都需要明确的最低质量标准、抽样程序、纠错流程以及可靠的备用机制。关键或识别不准确的输入将自动转交给人工审核。这种人机协作模式并非技术缺陷，而是机器与人类专家之间经济合理且合法的分工。.

借助“托管人工智能”（人工智能）实现数字化转型的新维度——平台及B2B解决方案 | Xpert咨询

“托管式人工智能”开启数字化转型新篇章——平台及B2B解决方案 | Xpert Consulting - 图片来源：Xpert.Digital

在这里，您将了解到您的公司如何快速、安全地实施定制化的人工智能解决方案，且无需承担过高的准入门槛。.

托管式人工智能平台是您实现人工智能的全方位、无忧解决方案。您无需处理复杂的技术、昂贵的基础设施和漫长的开发流程，即可从专业合作伙伴处获得根据您的需求量身定制的现成解决方案——通常只需几天时间。.

主要优势一览：

⚡ 快速实施：从构思到可立即使用的应用，只需几天而非几个月。我们提供切实可行的解决方案，创造即时附加值。.

🔒 最高数据安全保障：您的敏感数据始终由您掌控。我们保证安全合规地处理您的数据，绝不与任何第三方共享。.

💸 无财务风险：您只需为结果付费。完全无需前期投入大量资金用于硬件、软件或人员。.

🎯 专注于您的核心业务：集中精力做好您最擅长的事情。我们将负责您人工智能解决方案的全部技术实施、运营和维护。.

📈面向未来且可扩展：您的AI将与您一同成长。我们确保持续优化和可扩展性，并灵活调整模型以适应新的需求。.

更多信息请点击这里：

托管式人工智能解决方案——工业人工智能服务：服务业、工业和机械工程领域保持竞争力的关键

市政部门人工智能整合的创新方法

管理知识不应随员工流失。

人口结构变化不仅会造成劳动力短缺，还会造成经验知识的流失，这对市政当局构成威胁。许多流程都依赖于本地情况：具体情况需要哪些文件？哪些职责发生了变化？哪些措辞已被证明有效？以往的决策和类似流程在哪里？经验丰富的员工离职后，部分知识就会消失，或者需要费尽心力地重建。.

一个托管式人工智能平台连接到维护良好的市政知识库后，可以缓解这个问题。这并非随意生成网络答案。系统会搜索已批准的服务指南、规章制度、手册、模板和流程说明，并基于这些资源生成答案。理想情况下，系统会显示所使用的资源，以便员工立即核实信息。这种方法通常被称为检索增强生成，它将模型的语言能力与受控的本地资源相结合。.

关键资产并非语言模型，而是管理部门的结构化知识库。当性能、成本或法律要求需要时，模型可以被替换。而一个包含版本控制、职责划分、元数据和删除规则的清晰文档库，则能够长期保持可用性。因此，Haltern不应将主要投资于特定模型，而应着重于数据质量、知识管理和开放接口。这些投资既能提升传统数字化水平，又能随着人工智能技术的快速发展而持续发挥作用。.

数字主权是一个成本问题。

数字主权通常被视为一种政治理想，但它却有着切实的经济基础。如果企业将数据、接口和运营知识完全绑定到单一供应商，就会丧失议价能力。转换成本增加，调整费用高昂，创新也依赖于第三方的产品规划。反之，自行开发所有技术组件也并不经济。因此，主权并非意味着自给自足，而是指即使在服务中断的情况下，也能做出明智的决策、更换供应商并维持关键服务的能力。.

对于托管式人工智能而言，这将形成模块化架构。身份管理、知识库、日志记录和接口不应与单一语言模型紧密绑定。可以根据任务选择模型：高性能模型用于复杂文本，小型且更经济高效的模型用于分类，而本地运行的模型则用于敏感数据。NRW.Genius 已经采用了一种与模型无关的混合方法，其中处理过程可以根据保护要求进行调整。这一原则也应指导市政实施。.

必须在整个生命周期内考虑成本。这包括实施、数据准备、集成、训练、持续运营、模型利用、安全审计、质量保证以及更换供应商的可能性。看似廉价的人工智能解决方案，如果每个业务应用都需要单独集成，或者费用不透明，最终可能会变得非常昂贵。反之，如果平台提供安全标准、通用组件和可靠的支持，那么稍高的平台费用也可能是经济实惠的。.

数据保护成为一项架构挑战

数据保护不应仅在试点项目技术完成后才进行审查。对于大型语言模型，会引发一系列问题，例如法律依据、目的限制、数据最小化、存储期限、数据传输以及模型中可能包含的任何个人信息。因此，联邦数据保护专员建议各机构从一开始就将数据保护纳入人工智能项目，尤其要系统地评估训练和使用过程中个人数据的处理情况。对于市政当局而言，这并非额外的行政负担，而是确保系统长期可用性的先决条件。.

托管式人工智能能够使数据保护更加切实可行，因为规则可以通过技术手段强制执行。数据在处理前可以进行分类或匿名化处理。角色和权限可以限制哪些用户可以访问哪些知识库。输入内容可以被记录，保留期限可以自动设定，并且违规内容可以被过滤。不同的保护需求可以分布在不同的处理路径上。这使得数据保护不再仅仅是一份信息表，而成为一项可操作的功能。.

信息安全不仅仅需要与模型提供商签订合同。德国联邦信息安全办公室 (BSI) 建议，除其他措施外，还应包括：对所使用的 AI 系统进行清点，制定明确的使用规则，采用数据最小化配置，设定明确的删除期限，明确责任归属，并在将输出传递给后端系统之前进行验证。最后一点尤为关键：仅仅显示草稿的 AI 与能够独立将数据写入专用应用程序或生成决策的系统所带来的风险截然不同。.

法律确定性并非由禁令产生。

欧洲人工智能法案提高了对治理、透明度和能力的要求。自2025年2月起，有关人工智能能力的法规已生效；自2026年8月起，大部分法律框架和透明度规则已生效。某些敏感领域的应用作为高风险系统，受到格外严格的监管。但这并不意味着全面禁止或赋予市政当局完全的自主权。市政当局必须根据风险对应用进行区分，并以实际行动证明其履行了组织义务。.

用于内部草稿的文本助手必须区别对待，而该系统则与决定重要公共服务访问权限的系统截然不同。即使在同一个应用程序中，风险也可能有所不同。摘要一份匿名化的公共文件比摘要一份社会福利档案的问题要少。因此，健全的治理模式不仅要评估产品本身，还要评估其用途、数据、用户群体以及具体使用的影响。.

受管人工智能提供了必要的控制力。中央机构维护应用程序注册表，记录责任方和审批情况，分配保护等级，并监控变更。这可以防止各个机构自行制定规则。同时，治理不应导致审批积压。对于常见、低风险的标准案例，应提供预先批准的模板和快速审批流程。监管的质量体现在其能否确保安全使用，而不仅仅是应对不确定性。.

员工决定利润。

人工智能的实施主要关乎组织发展。员工需要了解系统的功能、局限性以及自身仍需承担的职责。一次性的提示培训远远不够。基于任务的学习模式、来自本部门的案例、数据处理指南以及能够清晰明确地识别错误的能力至关重要。管理者也需要具备流程选择、指标评估和新角色设计方面的技能。.

实施过程中不应一开始就承诺裁员。这种沟通方式必然会引发抵触情绪，降低员工的学习意愿。更切实可行的目标是减少高峰期的工作量，消除积压工作，并让专家们摆脱那些决策权较小的任务。这样一来，人们的工作重心就会从撰写初稿转移到审阅、分类、提供建议和最终决策。.

共同决策和参与应尽早组织。埃森市通过服务协议规范人工智能的使用，让员工委员会参与其中，提供基础培训，并规定人工智能的结果必须经过专业审核才能对外使用；自由裁量权仍然属于人类。哈尔滕市可以借鉴这种模式。明确的规则不仅能保护员工和市民，还能减少不确定性，从而提高人工智能的使用率。.

跨市规模化方案优于孤立的市政解决方案

德国有数千个市政当局，它们的任务相似，但系统架构却各不相同。如果每个市政当局都自行开发助理人员、审计程序和合同模式，将会造成大量的重复劳动。更经济合理的方案是共享核心组件并进行本地化调整。市政间的合作可以分摊固定成本、汇集专业知识，并为专业运营机构创造足够的资源使用量。.

哈尔滕的区域IT基础设施提供了一个天然的起点。联合IT服务中心（GKD）实现了平台、安全架构和技术集成的集中化运营。诸如NRW.Genius之类的州级服务提供通用支持功能。诸如人工智能机遇市场（AI Opportunities Marketplace）之类的国家机构旨在提高应用程序的透明度，并促进联邦、州和地方政府之间的资源共享；IT规划委员会已决定于2027年1月1日将该平台作为其自身产品。这将逐步构建一个生态系统，使各市政当局无需重复造轮子。.

然而，合作绝不能导致进展缓慢。Haltern 应在共享技术基础的同时，明确自身的优先事项和成功标准。模块化系统是可行的：共享平台、通用安全标准和联合测试的模型，但配备本地知识库和选定的流程模块。这样既能保留市政特色，又能实现规模经济。.

公民参与是在幕后逐步形成的。

民众评判公共管理部门，并非看其采用了多少人工智能模型，而是关注等待时间、信息的易懂性、可及性、可靠性以及公平待遇。因此，成功的AI战略必须以这些因素来衡量。如果信件处理速度加快但易懂性降低，则收效甚微。如果聊天机器人全天候响应，但在特殊情况下却给人一种虚假的安全感，那么信任度实际上可能会下降。.

对公民影响最大的往往是间接的。更快的内部调查缩短了回访时间。自动化的完整性检查减少了后续请求。翻译工具改善了德语能力有限人士的沟通渠道。更易懂的草稿可以简化复杂的行政语言。员工可以腾出更多时间来处理需要亲自解释或考虑的案件。因此，人工智能并不能取代人与人之间的联系，而是在适当的情况下重新建立这种联系。.

只有在内部知识库可靠的情况下，才能启用外部市民助手。否则，市政当局只会将自身的模糊之处自动化。建议先从常见问题入手，提供非个人化的问题解答，并确保信息来源透明，同时明确转接人工服务。助手不得提供具有法律约束力的答案。对于每条回复，都必须明确指出是提供一般信息还是针对具体案例的建议。.

良好的开端需要几个明确的优先事项。

Haltern不应一开始就列出一长串愿望清单，而应先制定三到五个用例。第一个重点可以是安全的文本和文档辅助功能。第二个重点可以是文档接收处理。第三个重点应该放在内部知识管理上。流程清晰、处理量可衡量的应用场景，例如标准化文档的初步审核，也是不错的选择。这种组合既能带来短期学习成果，又能同时构建一个可供长期使用的平台。.

遴选应遵循统一的框架：案件数量、当前时间投入、标准化程度、数据可用性、集成工作量、错误后果以及预期收益。案件数量多、数据基础良好且法律影响小的申请将优先考虑。风险高或数据情况不明的申请将被推迟。这使得排名具有经济透明度，而非由单个服务提供商或部门的市场份额决定。.

每个试点项目都需要一位领域专家、一位技术负责人和一个可衡量的目标值。三到六个月后，需要决定该应用是应该终止、调整还是扩展。成功不仅仅在于节省时间。质量、接受度、错误率、必要的修正次数、稳定性以及对公民的影响也必须进行衡量。没有预先设定终止标准的试点项目很容易演变成一场旷日持久的实验。.

市政运营模式分为四个阶段

第一阶段，市政府着手建立秩序。它记录现有的人工智能使用情况，明确责任归属，制定初步使用政策，并对数据和用例进行分类。与此同时，员工委员会、数据保护部门、信息安全部门、法务部门和相关部门也参与其中。最终成果并非冗长的政策报告，而是一个切实可行的框架。.

在第二阶段，系统提供了一个安全的辅助环境。员工将获得正式访问权限、培训以及明确的授权任务清单。初期，系统处理的是公开或敏感度较低的内容。市政府收集使用数据并记录常见错误。通过这种方式，市政府用更完善、更官方的替代方案取代了不受控制的影子人工智能。.

第三阶段涉及知识整合和流程连接。已发布的市政文件会被版本化并建立索引，答案会链接到相关资源，初始的专用应用程序也会通过接口连接起来。这一阶段生产力提升最为显著，但测试和运营需求也会随之增加。因此，托管式人工智能模型必须包含支持、监控、成本控制和变更管理等功能。.

在第四阶段，经过验证的应用将在各个市政区域推广。Haltern 可以借鉴其他地区行之有效的模块，并贡献自身的经验。更大的投资将由各方共同承担。与此同时，定期进行模型对比仍然至关重要，以确保成本和质量保持竞争力。由此，城市将从单个人工智能工具的购买者转变为数字化运营服务的合格客户。.

要实现这些益处，需要建立一套市政关键绩效指标体系。

一套简明易懂的关键绩效指标 (KPI) 系统可以避免夸大其词。在流程层面，关键指标包括吞吐时间、有效处理时间、查询次数、错误率和积压工作量。在员工层面，使用率、感知工作量减少和培训需求都至关重要。从用户角度来看，响应时间、可理解性、投诉率和请求成功解决率也应予以考虑。在技术层面，可用性、响应时间、单笔交易成本和安全事件数量同样重要。.

试点项目启动前必须收集关键绩效指标 (KPI)，否则无法进行比较。此外，市政府应区分总收益和净收益。如果文本生成速度提高半小时后需要额外二十分钟的审核，那么这并非完全是收益。还必须考虑工作转移的影响：相关部门的工作量是否会减少，但信息技术或质量保证方面的工作量是否会增加？只有进行全面分析才能揭示市政部门的生产力是否真正提高。.

透明度能够同时加强政治治理。委员会不需要详细的技术报告，只需要定期了解已部署的应用、成本、收益、风险以及任何异常事件。公民应该能够了解人工智能的应用场景以及哪些决策是由人为因素做出的。这种开放性既能避免毫无根据的恐惧，也能避免不切实际的期望。.

最大的风险在于管理不善。

幻觉、扭曲和数据泄露是真实存在的技术风险。然而，同样危险的是组织方面的失误：职责不清、缺乏数据维护、培训不足、并行试点项目过多以及对个别顾问的依赖。即使人工智能平台在技术上非常出色，但如果无人更新知识库或相关部门未能认识到其优势，它仍然会失败。.

另一个风险是低效流程的自动化。如果某个流程包含不必要的审核环节、职责不明确或重复数据录入，人工智能可能只会使其更加复杂和耗时。因此，在进行任何自动化之前，应先评估是否可以省略、标准化或合法简化某些步骤。流程优化与人工智能的应用相辅相成。.

最后，市政当局不应提前规划生产力提升。研究和实践表明，不同任务之间存在显著差异。经合组织将生产力、响应能力和问责制描述为政府利用人工智能的关键机遇，但也指出，目前尚缺乏广泛证明人工智能能够提升组织整体生产力的证据。因此，负责任的规划应采用情景分析、安全边际和分阶段投资等方法。.

为什么什么都不做可能是代价最高的选择

仓促部署人工智能存在诸多弊端。然而，同样强有力的经济论据也反对无限期地等待。员工会继续尝试使用公共工具，邻近的市政当局会积累经验，供应商也会迅速调整产品。那些未能提供可控替代方案的人，并非阻止了人工智能的发展，而是失去了对其的控制能力。与此同时，数据质量、界面和专业知识方面的差距也在不断扩大。.

不作为的机会成本并非体现在单一的预算项目中，而是体现在更长的处理时间、日益增多的积压工作、知识流失、工作量过大以及雇主吸引力下降等诸多方面。尤其是年轻的专业人士，他们期望使用现代化的工具。如果一个政府从根本上阻碍数字化辅助，那么它将无法与那些更广泛地自动化日常任务并提供更多高难度工作机会的雇主竞争。.

正确的做法既非对技术的狂热，也非对技术的排斥。Haltern 需要一个受控的学习过程，该过程需要共享的基础设施、清晰的边界以及严格的效益评估。托管式人工智能 (Managed AI) 非常适合这种模式，因为它能够组织持续的运维责任。它不把人工智能视为一次性购买的软件，而是将其视为一个动态的基础设施，需要持续监控、更新和专业管理。.

审查请求必须转化为可操作的策略。

对人工智能部署进行政治评估可以是一个有益的起点。其价值取决于它能否促成清晰的实施架构。仅仅罗列一系列可能的应用场景只会拖延问题。真正需要的是优先事项、责任划分、跨市政运营模式、财务框架以及可衡量的试点项目。.

因此，其基本原理是：哈尔滕不应将人工智能视为一个孤立的数字项目，而应将其视为市政公共服务不可或缺的一部分。该市无需开发自己的语言模型或自行运营所有解决方案。它应该利用现有的州和区域架构，坚持使用开放且可互换的组件，并在流程、数据和控制方面培养本地专业知识。这样，规模经济就能与市政自主性相结合。.

受管理的AI不仅仅是一种便利，更是将效益与可管理性相结合的机制。缺乏管理，模型就只能是孤立的工具，数据风险不明，成功与否也取决于运气。专业的运营框架能够让安全可靠的助手、市政专业知识和自动化步骤共同演进，最终形成高效的基础设施。因此，战略问题不再是AI是否会进入市政厅，而是市政厅能否主导AI的实施，还是会在更大的压力下被迫采用外部解决方案。.