شهدت السنوات الأخيرة تقدمًا غير مسبوق في مجال الذكاء الاصطناعي (Artificial Intelligence) بفضل النماذج الضخمة (Large Language Models) التي تملك القدرة على التعميم وإنتاج مخرجات معقدة. إلا أن هذا التقدم يواجه تحديًا كبيرًا عند نقل هذه القدرات إلى وكلاء ماديين، حيث تكشف التطبيقات العملية عن اعتماد الأنظمة الأكثر تقدمًا على مجموعات بيانات سابقة واستراتيجيات ردود الفعل البشرية، وهي أدوات فعالة لكنها قد لا تكفي في السياقات الديناميكية أو غير المعروفة.

لتأقلم الوكيل، يجب أن يكتسب المعرفة من خلال التفاعل المباشر مع بيئته. واحدة من الاستراتيجيات للتعامل مع هذا التحدي تتمثل في إدخال آليات على مستوى أعلى مثل الدوافع الداخلية، التي تستند إلى الفضول والقدرة، لتوجيه الاستكشاف والتعلم في بيئات معقدة. وبينما هذه المرونة توسع من استقلالية الوكلاء، فإنها تعزز من صعوبة التأكد من أن هؤلاء الوكلاء يبقون متوافقين مع الأهداف البشرية.

التوافق، الذي يمثل تحديًا بالفعل للأنظمة الاصطناعية بشكل عام، يصبح أكثر تعقيدًا في سياقات غير منظمة وديناميكية حيث تثبت القواعد المُعدة مسبقًا عدم كفايتها. لتكون فعالة وقابلة للتكيف، يجب أن تكون المعايير مستندة إلى الخبرة من خلال عملية إبيستيمولوجية (Epistemological) تبدأ من مبادئ بسيطة ومحددة، مما يسمح بالبناء التدريجي لقواعد أكثر تعقيدًا من خلال التجربة، والتعلم الذاتي، والتعاون مع وكلاء أخلاقيين آخرين.

على غرار الأطفال الذين يتعلمون الأعراف الاجتماعية من خلال استكشافهم لبيئتهم والمشاركة في ممارسات جماعية، ينبغي كذلك تعليم الوكلاء الاصطناعيين نحو تحقيق التوافق. وفقًا لفهم دينيت (Dennett)، فإن حالة الوكيل الأخلاقي ليست فطرية وإنما تُنسب تدريجيًا بناءً على القدرة على إدارة الدرجة المتزايدة من الحرية بشكل مسؤول. من هذا المنظور، يمكن اعتبار البيئات التنظيمية الرملية (Regulatory Sandboxes) كبيئات تعليمية للذكاء الاصطناعي: مساحات ديناميكية حيث يتطور التوافق كعملية تكوينية، تُشكل تدريجيًا سلوكيات مستقلة من خلال التفاعل والتعاون في سيناريوهات متزايدة التعقيد.