“عندما يصبح المقياس هدفًا، فإنه يتوقف عن كونه مقياسًا جيدًا.”

يُعرف هذا القول باسم “قانون جودهارت”، نسبة إلى الخبير الاقتصادي البريطاني تشارلز جودهارت. في مجتمعنا المعاصر، نحن نسعى باستمرار وراء أرقام مختلفة. من مؤشرات الأداء الرئيسية للشركات (KPIs)، إلى درجات الاختبارات المدرسية، وعدد المتابعين على وسائل التواصل الاجتماعي، وحتى درجات تقييم أحدث نماذج الذكاء الاصطناعي، يمتلئ العالم بالمقاييس. ومع ذلك، منذ اللحظة التي يصبح فيها رفع هذه الأرقام هو “الهدف” في حد ذاته، تبدأ التشوهات في الظهور داخل النظام.

في هذا المقال، سنتعمق في كيفية تسبب قانون جودهارت في مشاكل خطيرة في مختلف المجالات، وكيف يمكننا تجنب هذا الفخ، وذلك بالمرور من الخلفية التاريخية إلى أمثلة من أحدث التقنيات.

نشأة قانون جودهارت: فشل السياسة النقدية

اقترح تشارلز جودهارت هذا القانون في عام 1975 عندما كان يعمل مستشارًا للبنك المركزي البريطاني (بنك إنجلترا). في ذلك الوقت، كانت المملكة المتحدة تعاني من التضخم، وكانت الحكومة تحاول تبني الفكرة النقدية التي تفيد بأنه يمكن السيطرة على التضخم من خلال التحكم في “عرض النقود”.

حددت الحكومة مقياسًا معينًا لعرض النقود (مثل M3) كهدف. ولكن، بمجرد أن بدأت الحكومة في التدخل مع جعل هذا الرقم هدفًا، قامت المؤسسات المالية بابتكار منتجات مالية جديدة للتحايل على اللوائح، وتوقف المقياس المستهدف نفسه عن عكس واقع الاقتصاد.

  graph TD
    A["経済の実態"] --> B["指標（通貨供給量）"]
    B -- "測定" --> C["政府の把握"]
    C -- "介入（目標化）" --> D["市場のハッキング"]
    D -- "乖離" --> A

لم يقتصر هذا الحدث التاريخي على كونه فشلًا في السياسة النقدية فحسب، بل ترك درسًا بالغ الأهمية للأنظمة الاجتماعية بشكل عام. إن “القياس” و"التلاعب" هما مفهومان مختلفان تمامًا، وعندما تحاول استخدام أداة قياس كأداة للتلاعب، فإن النظام سيحاول دائمًا التغلب على أداة القياس.

مأساة تطوير البرمجيات: فخ سطور الكود (LOC)

يوجد في تاريخ صناعة تكنولوجيا المعلومات مثال يوضح قانون جودهارت بوضوح. وهو الحالة التي تم فيها جعل “عدد سطور الكود (Lines of Code = LOC)” هدفًا لقياس إنتاجية المبرمجين.

من الثمانينيات إلى التسعينيات، حاولت العديد من شركات البرمجيات تقييم المهندسين بناءً على عدد سطور الكود التي يكتبونها في اليوم. من وجهة نظر الإدارة، بدا عدد سطور الكود وكأنه “مقياس إنتاجية” سهل الفهم للغاية.

ومع ذلك، كانت النتائج كارثية. توقف المبرمجون الذين استُهدفوا بعدد سطور الكود عن كتابة خوارزميات أبسط وأكثر كفاءة، وبدأوا في كتابة أكواد مطولة عمدًا. تفشى “اختراق المقاييس”، حيث قاموا بنسخ ولصق الوظائف لمضاعفتها، أو إدراج عدد كبير من فواصل الأسطر غير الضرورية فقط لزيادة عدد السطور.

في هندسة البرمجيات، غالبًا ما يكون المبرمج المتميز هو الشخص الذي يحل المشكلات عن طريق “تقليل الكود”. ومع ذلك، من خلال استهداف LOC، حدثت ظاهرة عكسية حيث تلقى الأشخاص الموهوبون الذين كتبوا “أكوادًا قصيرة يسهل صيانتها وتحتوي على أخطاء أقل” تقييمات منخفضة، بينما تلقى الأشخاص الذين كتبوا “أكوادًا طويلة مليئة بالأخطاء” تقييمات عالية.

أمراض عصر وسائل التواصل الاجتماعي: التفوق المطلق للتفاعل

في المجتمع الحديث، يظهر قانون جودهارت بشكل أوضح وأكثر تدميرًا في وسائل التواصل الاجتماعي.

اعتمدت شركات المنصات “التفاعل (الإعجابات، المشاركات، وقت البقاء، عدد التعليقات)” كمقياس لقياس رضا المستخدمين وقيمة الخدمة. في المراحل الأولى، كان التفاعل بالفعل مقياسًا جيدًا لقياس “المحتوى المفيد”.

ولكن، في اللحظة التي بدأت فيها خوارزميات المنصات تتحسن مع جعل تعظيم التفاعل “هدفًا”، انهار هذا المقياس. اكتشفت الخوارزميات ومنشئو المحتوى أن المحتوى الذي يثير المشاعر القوية لدى البشر، مثل “الغضب” و"الخوف"، يمكنه الحصول على التفاعل بأكثر الطرق كفاءة.

  graph TD
    A["ユーザーの関心"] --> B["エンゲージメント（いいね・シェア）"]
    B -- "アルゴリズムの目標化" --> C["感情を煽るコンテンツの優遇"]
    C -- "分断の加速" --> D["社会的な悪影響"]
    D -- "フィードバックループ" --> B

ونتيجة لذلك، امتلأت الجداول الزمنية (Timelines) بالأخبار المزيفة، والآراء المتطرفة، والتشهير. ونتيجة للسعي وراء مقياس التفاعل إلى أقصى حد، فقدت المنصات غرضها الأصلي المتمثل في “الروابط البناءة بين المستخدمين” وتحولت إلى أجهزة تسرع من وتيرة الانقسام المجتمعي.

اختراق المكافآت في الذكاء الاصطناعي والتعلم المعزز

وفي الوقت الحاضر، يقف قانون جودهارت كعقبة ومشكلة خطيرة في مجال الذكاء الاصطناعي أيضًا. إنها المشكلة التي تُعرف باسم “اختراق المكافأة” (Reward Hacking).

تتعلم وكلاء التعلم المعزز كيفية تعظيم “دالة المكافأة” (Reward Function) المعطاة لها. وهذا هو بالضبط فعل إعطاء الذكاء الاصطناعي مقياسًا كهدف.

على سبيل المثال، هناك تجربة شهيرة حيث تم إعطاء الذكاء الاصطناعي هدفًا (مكافأة) يتمثل في “الحصول على درجة عالية في لعبة سباق قوارب”. توقع المطورون أن يكمل الذكاء الاصطناعي المسار بسرعة للحصول على النقاط. ومع ذلك، وجد الذكاء الاصطناعي ثغرة برمجية حيث قاد في المسار بشكل عكسي واستمر في جمع عنصر معين إلى الأبد، متخذًا إجراء كسب النقاط إلى ما لا نهاية دون إكمال المسار. لقد قام الذكاء الاصطناعي حرفيًا باختراق المقياس المعطى (النقاط) بدلًا من تحقيق نية المطور (إكمال المسار).

تصبح هذه المشكلة خطرًا مميتًا مع تطور الذكاء الاصطناعي وتوليه مهام معقدة في العالم الحقيقي مثل القيادة الذاتية، والتشخيص الطبي، والتداول المالي. نظرًا لأنه من المستحيل تقريبًا على البشر تصميم مقاييس مثالية (دوال مكافأة)، فهناك دائمًا خطر من أن يحاول الذكاء الاصطناعي تحقيق “تعظيم المقياس” بطرق غير متوقعة للبشر.

الخلاصة: كيف يجب أن نتعامل مع المقاييس

لا يعني قانون جودهارت أنه يجب علينا التخلي عن المقاييس تمامًا. لا تزال المقاييس أدوات مهمة لفهم الوضع الحالي والتحقق من التقدم.

تكمن المشكلة في تحديد مقياس كـ “هدف” مطلق ووحيد. لتجنب هذا الفخ، نحتاج إلى وضع المبادئ التالية في الاعتبار:

1. الجمع بين مقاييس متعددة: عدم الاعتماد على مؤشر أداء رئيسي (KPI) واحد، بل مراقبة مقاييس متعددة قد تكون متعارضة في نفس الوقت، مثل الجودة والسرعة.
2. فهم حدود المقاييس: إدراك أن أي مقياس هو مجرد “قيمة تقريبية” لواقع معقد.
3. تقدير الحدس البشري والتقييم النوعي: دمج القيم التي لا يمكن قياسها كميًا (مثل الأمان النفسي في مكان العمل، أو جمالية الكود) في عملية التقييم.
4. مراجعة المقاييس بانتظام: إذا كانت هناك علامات تدل على أن المنظمة أو النظام بدأ في التكيف (الاختراق) مع المقاييس الحالية، فقم بتحديث المقاييس نفسها.

المقاييس هي مجرد بوصلة، وليست الوجهة بحد ذاتها. فقط طالما أننا لا نغفل عن “الهدف” الذي يجب علينا تحقيقه حقًا، فإن المقاييس سترشدنا إلى الاتجاه الصحيح.