ИИ против коррупции: как машины находят схемы, которые не видит человек

Коррупция редко видна в одном документе. Она прячется в связях между документами: завышенная цена заметна только рядом с ценами похожих закупок, общий директор у двух участников торгов виден только в реестре компаний, мертвая душа в ведомости находится только при сверке с другими базами.

Таких сверок нужно слишком много. В Бразилии каждый день публикуется больше 500 объявлений о закупках, в Колумбии за шесть лет набрались миллионы госконтрактов. Вручную можно проверить выборку, а нарушение часто лежит за ее пределами.

Потери велики даже там, где контроль сильный. Счетная служба Конгресса США (GAO) оценивает потери федерального правительства от мошенничества в 233-521 млрд долларов в год, это 3-7% средних федеральных обязательств по данным 2018-2022 финансовых годов.

Схема к тому же разложена по разным системам. Закупки лежат в одной базе, платежи в казначействе, сведения о директорах в реестре юрлиц, ведомости в кадровой системе. Проверяющий обычно видит одну из них, и связь между ними остается незамеченной.

Вторая трудность во времени. Выборочная проверка приходит после оплаты, когда деньги ушли и их приходится возвращать через претензии и суды. Чем раньше замечен признак риска, тем дешевле обходится реакция.

Системы контроля в разных странах отмечают одни и те же группы признаков. Каждая из них видна в данных, если сложить вместе закупки, реестры компаний и платежи.

1. Сговор на торгах: одни и те же участники по очереди выигрывают, цены их заявок подозрительно близки. Признак виден, если сравнить состав участников и цены по многим торгам заказчика за несколько лет.

2. Завышенные цены: цена контракта заметно выше, чем в похожих закупках того же периода. Для сравнения нужен справочник цен по кодам товаров и регионам.

3. Скрытые связи заказчика и поставщика: общий директор, адрес или телефон. Колумбийская платформа Océano отметила 8 749 компаний с одним телефоном и 54 155 случаев, когда один представитель стоит в нескольких компаниях.

4. Фиктивные контракты и проекты-пустышки: работа оплачена, а следов исполнения в данных нет. Акт подписан, но поставки, отгрузки или отчеты по нему нигде не отражены.

5. Двойные и ложные платежи: один счет оплачен дважды или получатель денег не совпадает с исполнителем. В двух платежах совпадают сумма, получатель и номер счета.

6. Мертвые души: выплаты людям, которых нет в живых или нет на работе. Признак: выплата после даты смерти или один счет, на который приходит зарплата сразу за нескольких сотрудников. В колумбийских данных нашлось 45 контрактов с умершими людьми.

7. Мошенничество с субсидиями и грантами, схемы с НДС и конфликт интересов чиновника. Здесь признаки видны при сверке получателей помощи, налоговых данных и деклараций должностных лиц с реестром компаний.

Open Contracting Partnership собрала 73 красных флага для всех этапов закупки, от планирования до исполнения контракта. Каждый флаг описывает признак в данных, а не вывод о вине.

Отдельный флаг говорит мало. Картина складывается, когда люди, компании, счета, контракты и даты собраны в одну модель дела: граф, где каждая связь подписана и ведет к документу.

Условный пример: заказчик подписал контракт с Поставщиком А. Директор руководит и Поставщиком А, и Поставщиком Б, обе компании участвовали в тех же торгах, у них один номер телефона. По отдельности это обычные факты, вместе они дают сигнал для проверки: на торгах могли соревноваться не конкуренты.

Машина собирает такую модель за минуты, если данные уже лежат в одном месте, и дополняет ее, когда приходят новые закупки, платежи или выписки из реестров. Человек не удержит в голове тысячу связей, а граф хранит их все и показывает путь от контракта до получателя денег.

Вторая ось модели: время. На шкале дат видно, что компания зарегистрирована незадолго до торгов, директор сменился сразу после подписания контракта, а аванс ушел раньше акта. Порядок событий часто говорит больше, чем сами события.

Масштаб графа в реальных данных большой: только в колумбийских контрактах Océano нашла десятки тысяч совпадений по представителям и телефонам. Как устроена модель и из каких данных она собирается, разобрано на странице о модели дела.

Вторая мысль раздела: машина проверяет все, а человеку показывает немногое. Каждая закупка и каждый платеж проходят проверку в день публикации, а в очередь аналитика попадают только сигналы с высоким риском.

Бразильский робот ALICE работает так с 2015 года. Он проверяет каждую закупку примерно на 40 типов рисков и рассылает сигналы больше чем 500 аудиторам; в 2023 году он проанализировал 190 923 закупки.

Минфин США идет тем же путем на платежах. Из 4 млрд долларов, которые ведомство предотвратило и вернуло в 2024 финансовом году, 2,5 млрд остановила приоритизация рискованных транзакций: система ставит подозрительные платежи в начало очереди на проверку.

Без такого фильтра аналитик тратит день на документы, в которых все в порядке. С фильтром тот же день уходит на несколько случаев, где сработали сразу несколько признаков и под риском крупная сумма.

Отсюда главный выигрыш: государство реагирует до оплаты, а не после, и теряет меньше. Как устроена такая очередь сигналов и сколько людей она требует, описано на странице о мониторинге в реальном времени.

Цифры ниже взяты из официальных отчетов и рецензируемых исследований. Источник и дата каждой стоят в конце страницы.

1. Бразилия: в 2019-2022 годах после проверок с ALICE приостановлены или отменены торги больше чем на 9,7 млрд реалов.

2. США: Минфин в 2024 финансовом году предотвратил и вернул больше 4 млрд долларов мошеннических и неправомерных платежей против 652,7 млн годом раньше. Машинное обучениемашинное обучение Машинное обучение (machine learning, ML) это раздел ИИ, в котором программа находит правила в данных сама, а не получает их готовыми от разработчика. Подробнее в словаре по мошенничеству с чеками дало 1 млрд долларов возврата.

3. Колумбия: Генеральная контролерия разобрала на платформе Océano все госконтракты 2014-2019 годов и передала проверяющим совпадения по умершим людям, общим представителям и телефонам.

4. Исследование по Бразилии (American Economic Journal: Economic Policy, май 2025): если выбирать муниципалитеты для проверки по модели на бюджетных данных, то при том же числе проверок аудиторы находят почти вдвое больше муниципалитетов с коррупцией, чем при случайном выборе.

Общее у этих систем одно: они не заменяют проверяющих, а направляют их туда, где риск выше. Обзор стран с цифрами и ограничениями систем собран на странице о мировом опыте.

Флаг означает риск, а не доказательство нарушения. Так прямо пишет Open Contracting Partnership в перечне красных флагов, и так устроены системы, которые работают годами.

У признака риска часто есть честное объяснение. Один участник на торгах бывает в узкой нише, где поставщиков мало; цена контракта растет, когда меняется объем работ. Поэтому система отмечает случай, а проверяющий запрашивает документы и объяснения.

Модель ошибается и в другую сторону: она видит только то, что попало в данные. Даже в бразильском исследовании модель лишь подсказывает, куда направить проверку, а коррупцию подтверждают аудиторы на месте.

Решение о нарушении принимает проверяющий, следователь или суд. Система дает им сигнал для проверки и собранные документы, а не вывод о вине. Где модели ошибаются и как это учитывать, разобрано на странице о рисках и ошибках.

Отдельная граница касается самих признаков. Индикатор описывает сделку или платеж, а не человека: происхождение, возраст или место жительства в модели риска ведут к подозрению против целых групп людей. Такие признаки в систему не берут, а каждый флаг сопровождают объяснением, почему он сработал.

Нужен и журнал решений: кто разобрал сигнал, что запросил и чем закончил. Он защищает и проверяемого, и проверяющего, если вывод потом оспаривают.

Прозрачность защищает честных сотрудников. Когда каждая закупка проходит одинаковую проверку, вопрос возникает к конкретному признаку в данных, а не к человеку по чьему-то мнению.

Начинать стоит с одной схемы и с тех данных, которые уже есть: реестра закупок, договоров и платежей за два-три года. На них проверяют несколько красных флагов и смотрят, сколько сигналов подтверждает ручная проверка.

1. Выбрать одну схему с понятным ущербом, например завышение цен или дробление закупок.

2. Собрать данные в одно место и сверить справочники: ИНН, коды товаров, даты.

3. Задать признаки риска по готовым перечням, например по 73 флагам Open Contracting Partnership, и прогнать по ним прошлые закупки.

4. Сравнить сигналы с итогами прошлых проверок и настроить пороги так, чтобы в очередь попадало столько дел, сколько команда успевает разобрать.

5. Закрепить порядок: кто разбирает сигнал, в какой срок и как фиксирует решение.

Для пилота хватает небольшой команды: аналитика, который знает закупки заказчика, и сотрудника, который отвечает за данные. Через несколько месяцев видно, сколько сигналов подтверждается и сколько времени уходит на разбор одного.

Как это выглядит у контрольных органов, описано на странице об ИИ для контроля и аудита. Подробный порядок запуска, от данных до пилота, собран в плане внедрения.