Исследования ИИ и коррупции: что наука знает о поиске нарушений

Работу Эллиотта Эша, Серджио Галлетты и Томмазо Джоммони опубликовал American Economic Journal: Economic Policy в мае 2025 года. Авторы обучили классификатор на основе градиентного бустингаградиентный бустинг Градиентный бустинг это метод машинного обучения, который строит много небольших деревьев решений одно за другим, и каждое новое дерево исправляет ошибки уже построенных. Подробнее в словаре деревьев решений на бюджетных данных бразильских муниципалитетов и предсказывали, где найдется коррупция.

Качество такой меры коррупции авторы проверили отдельно: повторили и расширили прежние исследования коррупции, опираясь на прогноз модели.

Главный результат получен в симуляции: если выбирать муниципалитеты для аудита по подсказке модели, при том же числе проверок находится почти в два раза больше муниципалитетов с коррупцией, чем при случайном выборе.

Для органа контроля это довод в пользу риск-скоринга. Число проверок ограничено штатом, и модель помогает поставить их туда, где вероятность находки выше. Как устроен такой скоринг и как его настраивают, разобрано на странице о риск-скоринге.

Ограничение видно из самого устройства: модель учится на прошлых проверках и наследует их слепые зоны. Если аудиторы раньше не находили какой-то вид нарушений, модель тоже его не подскажет.

Феликс Лопес-Итуррьяга и Иван Пастор Санс из Вальядолидского университета построили нейросеть на делах о коррупции в Испании 2000-2012 годов. Работа вышла в журнале Social Indicators Research в 2017 году.

Модель оценивает, в каких провинциях вероятнее появятся новые дела через 1-3 года. Признаки экономические и политические: налог на недвижимость, резкий рост цен на жилье, открытие отделений банков, создание новых компаний и срок, который одна партия остается у власти.

По модели, чем дольше одна партия у власти, тем выше вероятность дел, независимо от того, правит ли она большинством. Для контроля это пример признака, который не связан с отдельной закупкой, но меняет приоритет проверок в регионе.

Авторы подчеркивают новизну подхода: модель учится на реальных делах, а не на индексах восприятия коррупции. Названия провинций с высокой вероятностью они не раскрыли, чтобы не вызывать споров.

Один из авторов сам предупреждает: высокая вероятность не означает, что коррупция действительно случится. Прогноз годится для планирования проверок, но не для выводов о конкретных людях или органах.

В марте 2024 года ОЭСР выпустила доклад о генеративном ИИгенеративный ИИ Генеративный ИИ (generative AI) это нейросети, которые создают новый контент: тексты, изображения, музыку, видео и программный код по описанию на обычном языке. Подробнее в словаре для антикоррупционных органов, высших органов аудита и служб внутреннего аудита. В опросе участвовали 59 организаций из 39 стран.

Около половины (30) генеративный ИИ пока не используют и только изучают сценарии, еще 24% (14) на стадии разработки. Дальше других продвинулись высшие органы аудита: 47% из них (8) как минимум на стадии разработки.

Главную пользу 76% организаций (45 из 59) видят в эффективности работы и анализе неструктурированных данных, 37% (22) на первое место ставят сбор доказательств и проверку документов. В Бразилии языковые моделибольшая языковая модель Большая языковая модель (LLM) это нейросеть, обученная на огромном объеме текстов, которая пишет, пересказывает и разбирает текст по запросу. Подробнее в словаре ищут в больших массивах признаки мошенничества, в Финляндии, Франции, Греции и Великобритании готовят черновики, разбирают таблицы и делают выжимки.

Пример из доклада: Федеральный счетный суд Бразилии в феврале 2023 года запустил ChatTCU, к декабрю 2023 года у инструмента было больше 1 400 пользователей. Аудиторы получают выжимки из материалов дел и ответы на вопросы по решениям суда.

Главные препятствия: нехватка навыков и ограничения ИТ, так же часто называют защиту данных. Среди рисков ОЭСР называет галлюцинациигаллюцинации нейросети Галлюцинация это ответ нейросети, который звучит уверенно, но содержит выдуманные или неверные факты. Подробнее в словаре, непрозрачность выводов и предвзятость и советует начинать с процессов с низким риском: поиска по документам, выжимок, ответов на вопросы.

В марте 2026 года вышел Anti-Corruption and Integrity Outlook 2026, который впервые охватил 62 страны: 37 стран ОЭСР и 25 стран-партнеров. В нем приведены данные опроса 2024 года: ИИ в налоговом администрировании используют 29 из 38 стран ОЭСР, из них 76% применяют его для выявления уклонения от налогов и мошенничества, 69% для оценки рисков.

В июне 2021 года Всемирный банк вместе с Government Transparency Institute представил платформу ProACT (закупки, антикоррупция, прозрачность). Она собрала открытые данные госзакупок 110 стран за 2006-2020 годы.

Контракты платформа оценивает по индикаторам риска: торги с одним участником, длина срока подачи заявок и срока принятия решения, закон Бенфорда для сумм, доля поставщика в закупках заказчика, регистрация поставщика в офшоре, задержка исполнения и рост цены контракта.

Отдельно считаются индикаторы прозрачности: указаны ли заказчик, поставщик, предмет, цена контракта, способ закупки, число заявок и дата решения. Пустые поля сами по себе сигнал, потому что по закупке без цены или числа заявок риск не посчитать.

Платформу запускали как прототип для сбора отзывов, а пользователями называли сотрудников закупок, гражданские организации, исследователей коррупции и международные организации. Для российского органа это готовый перечень индикаторов, который стоит проверить на своих данных ЕИС.

Open Contracting Partnership в 2024 году опубликовала руководство с 73 красными флагами для всех этапов закупки: планирования, торгов, выбора победителя и исполнения контракта. Это не исследование с моделью, а справочник признаков, на котором строят правила и модели.

Главная оговорка руководства: флаг означает риск, а не доказательство нарушения. Торги с одним участником бывают на узком рынке, срочная закупка бывает после аварии.

На практике флаги работают как первый слой. Правила отмечают закупки, модель ранжирует их по риску, а проверяющий разбирает верх списка. Какие флаги считать первыми, разобрано на странице о красных флагах.

Справочник полезен и тем, что связывает каждый флаг с полями данных. Если поле в системе закупок не заполнено, флаг по нему не посчитать, и это видно еще до запуска проекта.

У этих работ общие ограничения. Модели учатся на делах, которые уже нашли люди, поэтому знакомые схемы видят увереннее новых.

Опрос ОЭСР сам предупреждает, что его выводы нельзя переносить на все органы контроля. Ответили 59 организаций, и только одна из них, из Бразилии, сообщила о продвинутой стадии работы с генеративным ИИ; многие, по оценке авторов, не ответили, потому что ИИ вообще не занимались.

Прогноз модели относится к группе, а не к человеку. Высокая вероятность для провинции или муниципалитета говорит, где проверять, но ничего не говорит о конкретном чиновнике или компании.

Цифры экономии, которые публикуют сами ведомства, редко проходят независимую проверку. Исследования в этом смысле надежнее, но работают с прошлыми данными и не учитывают, как участники рынка меняют поведение после запуска контроля.

Отсюда правило для внедрения: модель выбирает, что проверить первым, а вывод о нарушении делает проверяющий, следователь или суд. Как этот принцип записывают в регламент, разобрано на странице о рисках и ошибках, а работающие системы разных стран собраны в обзоре мирового опыта.