A carregar...
Publicação
Unmasking machinewashing : a process model of how ethical AI breaks down and recovers inside organizations
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 731.45 KB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
While organizations increasingly embrace Responsible Artificial Intelligence (AI) in principle, their governance practices often fail to align with these commitments in practice, resulting in recurring scandals, reputational harm and stakeholder distrust. Existing research has largely examined machinewashing from an external perspective, emphasizing ethics communication and post-hoc regulatory responses, while leaving internal organizational processes underexplored. This thesis addresses a temporal gap in current research by reconstructing the sequential dynamics through which ethical misalignments can emerge internally and by developing a four-stage conceptual process model grounded in existing theory. Moving beyond assumptions of malicious intent, this thesis examines how machinewashing can arise unintentionally through routine decision-making, cognitive constraints and organizational practices. Drawing on behavioral ethics, institutional legitimacy and reflexive governance, the model traces how ethical misalignments emerge, stabilize, become recognized and may be corrected. The analysis distinguishes four stages: ethical drift, ethical blind spots, ethical recognition and reflexive correction. The model shows that ethical misalignments may arise early in AI development, when performance pressures and technical complexity overshadow ethical considerations. As they accumulate, symbolic ethical commitments become normalized and reduce sensitivity to emerging concerns. Ethical recognition occurs when increased visibility or accountability exposes inconsistencies between stated commitments and system behavior. Reflexive correction captures how organizations can respond by embedding ethical attentiveness, traceability, and learning into governance practices. Overall, this thesis offers a process-based explanation of machinewashing that highlights how ethical misalignments develop and persist within organizations across different phases of AI development.
Embora as organizações promovam a Inteligência Artificial (IA) ética, as suas práticas de governação muitas vezes se desviam desses compromissos, gerando riscos reputacionais e perda de confiança – um padrão descrito como machinewashing. A literatura existente concentra-se sobretudo na comunicação externa de ética em IA, oferecendo pouca compreensão sobre os processos internos que ocorrem dentro das organizações. Esta dissertação desenvolve um modelo processual de quatro etapas – desvio ético, pontos cegos éticos, reconhecimento ético e correção reflexiva – que explica como as organizações transitam de intenções éticas para práticas simbólicas e como podem recuperar uma governação substantiva. Integrando ética comportamental, legitimidade institucional e governação reflexiva, o modelo clarifica por que razão as primeiras inconsistências passam despercebidas, como se normalizam e em que condições podem ser reconhecidas e corrigidas. O modelo mostra que o desvio ético surge quando intenções éticas são ultrapassadas pela complexidade técnica, rotinas de decisão e pressões de desempenho. Estes desalinhamentos tornam-se pontos cegos que integram práticas simbólicas nas operações de IA. O reconhecimento ético ocorre quando capacidades de visibilidade e responsabilização revelam discrepâncias entre compromissos declarados e o comportamento dos sistemas. A correção reflexiva descreve como as organizações institucionalizam atenção ética, rastreabilidade e aprendizagem. Em conjunto, a dissertação demonstra que o machinewashing é sobretudo uma falha interna de governação – dinâmica, mas corrigível através do reforço das capacidades organizacionais.
Embora as organizações promovam a Inteligência Artificial (IA) ética, as suas práticas de governação muitas vezes se desviam desses compromissos, gerando riscos reputacionais e perda de confiança – um padrão descrito como machinewashing. A literatura existente concentra-se sobretudo na comunicação externa de ética em IA, oferecendo pouca compreensão sobre os processos internos que ocorrem dentro das organizações. Esta dissertação desenvolve um modelo processual de quatro etapas – desvio ético, pontos cegos éticos, reconhecimento ético e correção reflexiva – que explica como as organizações transitam de intenções éticas para práticas simbólicas e como podem recuperar uma governação substantiva. Integrando ética comportamental, legitimidade institucional e governação reflexiva, o modelo clarifica por que razão as primeiras inconsistências passam despercebidas, como se normalizam e em que condições podem ser reconhecidas e corrigidas. O modelo mostra que o desvio ético surge quando intenções éticas são ultrapassadas pela complexidade técnica, rotinas de decisão e pressões de desempenho. Estes desalinhamentos tornam-se pontos cegos que integram práticas simbólicas nas operações de IA. O reconhecimento ético ocorre quando capacidades de visibilidade e responsabilização revelam discrepâncias entre compromissos declarados e o comportamento dos sistemas. A correção reflexiva descreve como as organizações institucionalizam atenção ética, rastreabilidade e aprendizagem. Em conjunto, a dissertação demonstra que o machinewashing é sobretudo uma falha interna de governação – dinâmica, mas corrigível através do reforço das capacidades organizacionais.
Descrição
Palavras-chave
Machinewashing Ethical AI AI governance Organizational legitimacy Behavioral ethics Reflexive governance Symbolic ethics Responsible AI IA ética Governação da IA Legitimidade institucional Ética comportamental Governação reflexiva Ética simbólica IA responsável
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC