सीधे तौर पर लागू न होने के बावजूद, OECD AI सिद्धांत राष्ट्रीय कानूनों के लिए एक वैश्विक बेंचमार्क और प्रेरणा स्रोत के रूप में कार्य करते हैं. उदाहरण के लिए, भारत का डिजिटल पर्सनल डेटा प्रोटेक्शन एक्ट, 2023, डेटा गोपनीयता, पारदर्शिता और जवाबदेही के सिद्धांतों के अनुरूप है, जो OECD ढांचे के केंद्र में हैं. व्यवहार में, AI से संबंधित कानून बनाने वाले देश अक्सर इन सिद्धांतों को देखते हैं ताकि यह सुनिश्चित हो सके कि उनके नियम अंतरराष्ट्रीय सर्वोत्तम प्रथाओं के अनुरूप हैं, जिससे वैश्विक AI इकोसिस्टम में विश्वास और अंतर-संचालनीयता को बढ़ावा मिले.

प्राथमिक सीमा उनकी गैर-बाध्यकारी प्रकृति है, जिसका अर्थ है कि गैर-अनुपालन के लिए कोई सीधा प्रवर्तन तंत्र या दंड नहीं है, जिससे वे निर्देशात्मक के बजाय आकांक्षी बन जाते हैं. आलोचक यह भी बताते हैं कि 2019 में अपनाए गए सिद्धांत, हालिया AI प्रगति की अभूतपूर्व गति और जटिलता को पर्याप्त रूप से संबोधित नहीं कर सकते हैं, जैसे जनरेटिव AI, डीपफेक, या अत्यधिक स्वायत्त सिस्टम. इन तेजी से विकसित हो रहे क्षेत्रों को अक्सर व्यापक नैतिक दिशानिर्देशों के बजाय अधिक विशिष्ट, फुर्तीले और कानूनी रूप से बाध्यकारी नियमों की आवश्यकता होती है, एक कमी जिसे अब वैश्विक AI शिखर सम्मेलन संबोधित करने का प्रयास कर रहे हैं.

भारत OECD AI सिद्धांतों का लाभ स्थानीय संदर्भों के अनुकूलन की वकालत करके, समावेशी विकास और डिजिटल विभाजन को पाटने पर जोर देकर कर सकता है, जो ग्लोबल साउथ के लिए महत्वपूर्ण हैं. यह अपनी मजबूत AI नीतियों के माध्यम से एक उदाहरण स्थापित कर सकता है और विकासशील देशों में क्षमता निर्माण को बढ़ावा दे सकता है. अनूठी चुनौतियों में संसाधन-सीमित वातावरण में तीव्र नवाचार को नैतिक पर्यवेक्षण के साथ संतुलित करना, विविध आबादी के लिए डेटा संप्रभुता सुनिश्चित करना, और AI को मौजूदा सामाजिक-आर्थिक असमानताओं को कम करने के बजाय उन्हें बढ़ाने से रोकना शामिल है.

आदर्श रूप से, एक व्यक्ति को ऋण अस्वीकृति के प्राथमिक कारकों (जैसे क्रेडिट स्कोर, आय-से-ऋण अनुपात, भुगतान इतिहास) और इन कारकों ने AI के निर्णय में कैसे योगदान दिया, यह जानने का अधिकार होगा. यह जवाबदेही के लिए और व्यक्तियों को त्रुटियों को सुधारने की अनुमति देने के लिए महत्वपूर्ण है. हालांकि, इसे लागू करना मुश्किल है क्योंकि कई उन्नत AI मॉडल, विशेष रूप से डीप लर्निंग सिस्टम, 'ब्लैक बॉक्स' के रूप में काम करते हैं. उनकी निर्णय लेने की प्रक्रिया इतनी जटिल और गैर-रेखीय होती है कि डेवलपर्स को भी विशिष्ट परिणामों के लिए स्पष्ट, मानव-समझने योग्य स्पष्टीकरण प्रदान करने में कठिनाई होती है, जिससे मालिकाना एल्गोरिदम को व्याख्यात्मकता की आवश्यकता के साथ संतुलित करना चुनौतीपूर्ण हो जाता है.

सीधे तौर पर लागू न होने के बावजूद, OECD AI सिद्धांत राष्ट्रीय कानूनों के लिए एक वैश्विक बेंचमार्क और प्रेरणा स्रोत के रूप में कार्य करते हैं. उदाहरण के लिए, भारत का डिजिटल पर्सनल डेटा प्रोटेक्शन एक्ट, 2023, डेटा गोपनीयता, पारदर्शिता और जवाबदेही के सिद्धांतों के अनुरूप है, जो OECD ढांचे के केंद्र में हैं. व्यवहार में, AI से संबंधित कानून बनाने वाले देश अक्सर इन सिद्धांतों को देखते हैं ताकि यह सुनिश्चित हो सके कि उनके नियम अंतरराष्ट्रीय सर्वोत्तम प्रथाओं के अनुरूप हैं, जिससे वैश्विक AI इकोसिस्टम में विश्वास और अंतर-संचालनीयता को बढ़ावा मिले.

प्राथमिक सीमा उनकी गैर-बाध्यकारी प्रकृति है, जिसका अर्थ है कि गैर-अनुपालन के लिए कोई सीधा प्रवर्तन तंत्र या दंड नहीं है, जिससे वे निर्देशात्मक के बजाय आकांक्षी बन जाते हैं. आलोचक यह भी बताते हैं कि 2019 में अपनाए गए सिद्धांत, हालिया AI प्रगति की अभूतपूर्व गति और जटिलता को पर्याप्त रूप से संबोधित नहीं कर सकते हैं, जैसे जनरेटिव AI, डीपफेक, या अत्यधिक स्वायत्त सिस्टम. इन तेजी से विकसित हो रहे क्षेत्रों को अक्सर व्यापक नैतिक दिशानिर्देशों के बजाय अधिक विशिष्ट, फुर्तीले और कानूनी रूप से बाध्यकारी नियमों की आवश्यकता होती है, एक कमी जिसे अब वैश्विक AI शिखर सम्मेलन संबोधित करने का प्रयास कर रहे हैं.

भारत OECD AI सिद्धांतों का लाभ स्थानीय संदर्भों के अनुकूलन की वकालत करके, समावेशी विकास और डिजिटल विभाजन को पाटने पर जोर देकर कर सकता है, जो ग्लोबल साउथ के लिए महत्वपूर्ण हैं. यह अपनी मजबूत AI नीतियों के माध्यम से एक उदाहरण स्थापित कर सकता है और विकासशील देशों में क्षमता निर्माण को बढ़ावा दे सकता है. अनूठी चुनौतियों में संसाधन-सीमित वातावरण में तीव्र नवाचार को नैतिक पर्यवेक्षण के साथ संतुलित करना, विविध आबादी के लिए डेटा संप्रभुता सुनिश्चित करना, और AI को मौजूदा सामाजिक-आर्थिक असमानताओं को कम करने के बजाय उन्हें बढ़ाने से रोकना शामिल है.

आदर्श रूप से, एक व्यक्ति को ऋण अस्वीकृति के प्राथमिक कारकों (जैसे क्रेडिट स्कोर, आय-से-ऋण अनुपात, भुगतान इतिहास) और इन कारकों ने AI के निर्णय में कैसे योगदान दिया, यह जानने का अधिकार होगा. यह जवाबदेही के लिए और व्यक्तियों को त्रुटियों को सुधारने की अनुमति देने के लिए महत्वपूर्ण है. हालांकि, इसे लागू करना मुश्किल है क्योंकि कई उन्नत AI मॉडल, विशेष रूप से डीप लर्निंग सिस्टम, 'ब्लैक बॉक्स' के रूप में काम करते हैं. उनकी निर्णय लेने की प्रक्रिया इतनी जटिल और गैर-रेखीय होती है कि डेवलपर्स को भी विशिष्ट परिणामों के लिए स्पष्ट, मानव-समझने योग्य स्पष्टीकरण प्रदान करने में कठिनाई होती है, जिससे मालिकाना एल्गोरिदम को व्याख्यात्मकता की आवश्यकता के साथ संतुलित करना चुनौतीपूर्ण हो जाता है.