سناریو سازی در هوش مصنوعی یعنی شبیه‌سازی و پیش‌بینی رخدادهای آینده بر اساس داده‌ها و الگوهای گذشته. این ابزار به دولت‌ها کمک می‌کند تصمیم‌های دقیق‌تر و کم‌ریسک‌تر بگیرند، از مدیریت بحران و امنیت گرفته تا اقتصاد و محیط زیست. اما تجربه نشان می‌دهد که در کشور ما، این ابزار کمتر استفاده می‌شود.
۱. ضعف فرهنگ تصمیم‌گیری مبتنی بر داده
سناریو سازی نیازمند داده‌های دقیق و تحلیل علمی است. در بسیاری از بخش‌های دولتی، داده‌ها یا وجود ندارد یا پراکنده و غیرقابل اعتماد است. تصمیم‌ها اغلب بر اساس تجربه شخصی یا فشارهای سیاسی گرفته می‌شوند، نه تحلیل دقیق سناریوها.
۲. بوروکراسی حجیم و ضعف هماهنگی
سناریو سازی مؤثر نیازمند همکاری میان بخش‌های مختلف است: اقتصاد، انرژی، امنیت، سلامت و غیره. بوروکراسی پیچیده و سازمان‌های موازی مانع اشتراک‌گذاری داده‌ها و تحلیل جامع می‌شوند.
۳. مثال ملموس: افزایش قیمت بنزین
فرض کنید دولت قصد دارد قیمت بنزین را افزایش دهد:
سناریو سازی علمی می‌تواند نشان دهد افزایش قیمت ۱۰٪ چه تاثیری بر هزینه حمل‌ونقل، سفرهای روزانه، تورم و اعتراضات عمومی دارد.
با افزایش ۲۰٪، ممکن است اعتراضات گسترده، کمبود کالا و فشار بر شبکه حمل‌ونقل عمومی رخ دهد.
تحلیل سناریوها به دولت امکان می‌دهد اقدامات پیشگیرانه مانند افزایش سهمیه سوخت حمل‌ونقل عمومی یا اطلاع‌رسانی دقیق به مردم را اجرا کند.
اما در ایران، چنین شبیه‌سازی‌هایی معمولاً انجام نمی‌شود. نتیجه این است که تصمیمات غیرمنتظره و واکنشی گرفته می‌شوند و مردم و اقتصاد با بحران مواجه می‌شوند.
۴. نگاه کوتاه‌مدت و ترس از شفافیت
سناریو سازی بلندمدت است و نیازمند تحلیل دقیق و پذیرش واقعیت‌ها. دولت‌ها غالباً ترجیح می‌دهند پیامدهای احتمالی را نادیده بگیرند تا تصمیم‌هایشان سریع اجرا شود، حتی اگر پیامدها بعداً مشکل‌ساز شوند.
بنابراین سناریو سازی ابزار قدرتمندی برای پیش‌بینی اثرات تصمیمات، کاهش ریسک و مدیریت بحران است. مثال افزایش قیمت بنزین نشان می‌دهد بدون تحلیل پیش‌بینانه، تصمیمات غیرمنتظره، پرهزینه و پرخطر خواهند بود. تا زمانی که ضعف داده‌ها، بوروکراسی پیچیده و نگاه کوتاه‌مدت برطرف نشود، تصمیم‌گیری‌های دولتی همچنان واکنشی و بدون استفاده از سناریوهای علمی باقی خواهد ماند.
