ИИ против коррупции в мире: системы 10 стран и что они дали

Главное контрольное управление Бразилии (CGU) с 2015 года работает с роботом ALICE. Каждый день он собирает больше 500 объявлений о закупках, проверяет около 40 типов рисков и рассылает сигналы больше чем 500 аудиторам.

В 2023 году ALICE проанализировала 190 923 закупки. В 2019-2022 годах по ее сигналам приостановлены или отменены торги больше чем на 9,7 млрд реалов.

Для госоргана в этом примере важен порядок шагов. Сначала публичные данные о закупках в одном формате и без задержки, потом описанные правила риска, потом адресаты сигналов со сроком реакции. Без любого из трех звеньев робот превращается в отчет, который читают после оплаты.

Сильная сторона ALICE во времени: она смотрит торги, пока они идут, и аудитор успевает вмешаться до подписания контракта. Источники данных, типы рисков и результаты разобраны на странице о роботе ALICE.

Счетная палата Конгресса США (GAO) оценивает прямые потери федерального правительства от мошенничества в 233-521 млрд долларов в год, это 3-7% средних федеральных обязательств по данным 2018-2022 финансовых годов.

Министерство финансов в 2024 финансовом году предотвратило и вернуло 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 возврата, а приоритизация рискованных транзакций остановила 2,5 млрд.

Комитет PRAC проверил выборку 662 000 записей из 67,5 млн заявок на пандемийную помощь, по всей совокупности это около 1,4 млн сомнительных номеров социального страхования. Вывод комитета: сверка заявок до выплаты могла предотвратить около 79 млрд долларов возможных мошеннических выплат.

Три цифры описывают три уровня одной задачи. GAO показывает масштаб потерь, Минфин показывает, сколько возвращает машинное обучение на потоке платежей, а PRAC показывает упущенную возможность: сколько можно было не выплатить, если бы сверка стояла на входе.

Важная деталь отчетности: Минфин считает вместе мошеннические и неправомерные платежи. Ошибочная выплата тоже уходит из бюджета, поэтому система контроля полезна, даже когда за ней нет умысла.

Как устроена проверка до выплаты, разобрано на странице об опыте США.

Еврокомиссия ведет Arachne+, систему поиска мошенничества, конфликта интересов и нарушений с бюджетом ЕС. В ней 78 индикаторов риска, у прежней версии было 107, и данные о владельцах компаний, санкционных списках и публичных должностных лицах.

Система не принимает автоматических решений: она показывает риск, а решение остается за людьми, которые управляют программой.

Связка показывает разделение ролей. Arachne работает у тех, кто распределяет деньги, и помогает не выплатить их рискованному получателю, а EPPO подключается, когда есть признаки преступления. Данные о владельцах компаний нужны обеим сторонам: без них конфликт интересов не виден ни при выплате, ни при расследовании.

Расследования ведет Европейская прокуратура EPPO. На конец 2024 года у нее 2 666 активных расследований с ущербом бюджету ЕС около 24,8 млрд евро. Дела по НДС дают 18% расследований и 53% ущерба, арестовано имущество на 849 млн евро. Подробно о двух системах на странице про Arachne и EPPO.

Комиссия по справедливой торговле Кореи (KFTC) с 2006 года ведет систему BRIAS. Она собирает данные о госторгах выше порогов, от 100 млн вон для товаров и услуг, и считает по ним статистику.

В 2023 году BRIAS провела 40 170 анализов, в 2018 году 25 520. С декабря 2023 года данные обязаны передавать больше 700 организаций.

Корейский пример полезен тем, что для поиска сговора не нужно читать каждый документ. Достаточно статистики по заявкам: кто участвует, по какой цене, в какое время. Такие данные есть в любой системе электронных торгов, и их можно считать по каждой процедуре без исключений.

KFTC прямо говорит, что система не доказывает сговор, но дает следователям важные зацепки. Это честная формула для любой системы контроля. Как устроены признаки и пример дела, разобрано на странице о корейской BRIAS.

Генеральная контролерия Колумбии запустила платформу Océano для анализа госконтрактов. Платформа разобрала 8 678 464 госконтракта 2014-2019 годов.

В этих данных Océano отметила 45 контрактов с умершими людьми, 54 155 случаев, когда один представитель стоит в нескольких компаниях, и 8 749 компаний с одним телефоном. Чтобы увидеть такое, контракты пришлось сверить с данными о людях и компаниях.

Каждая такая находка это признак риска, а не вывод. Общий телефон бывает у компаний одной группы, а представитель может законно вести несколько фирм. Но когда такие компании соревнуются на одних торгах, это сигнал для проверки. Как искать скрытые связи участников, разобрано на странице об аффилированности.

Пример Колумбии показывает простую вещь: часть сигналов не требует сложной модели. Контракт с умершим человеком отмечается сверкой с реестром, общий телефон отмечается сравнением карточек компаний. Сложность в объеме: миллионы контрактов вручную не сверить. Подробнее о платформе на странице о колумбийской Océano.

В Великобритании контроль ведет Управление по борьбе с мошенничеством в госсекторе (Public Sector Fraud Authority, PSFA) вместе с Кабинетом министров. Правительство сообщило, что за двенадцать месяцев с апреля 2024 года у мошенников остановлено и возвращено больше 480 млн фунтов.

Больше трети, 186 млн фунтов, связано с мошенничеством в пандемию. Остальное дали сверки разных государственных данных: остановлено больше 37 000 ложных заявок на скидку муниципального налога для одиноко проживающих (36 млн фунтов), предотвращено больше 68 млн фунтов пенсионных выплат после смерти получателя.

Новый ИИ-инструмент Fraud Risk Assessment Accelerator проверяет проекты новых программ на слабые места до запуска. В первых тестах он на 80% сократил время на поиск рисков мошенничества, контроль остался за человеком, а Великобритания будет передавать инструмент другим странам по лицензии.

Британский опыт добавляет к контролю выплат вторую линию: проверку самой программы до запуска. Если правила новой выплаты оставляют лазейку, ее дешевле закрыть в проекте, чем потом искать нарушителей среди получателей. Как устроены инструменты PSFA, разобрано на странице о Великобритании.

Индия перевела социальные выплаты на прямые переводы с проверкой получателя по Aadhaar, системе цифровой идентификации. Сверка убрала несуществующих получателей; по оценке правительства, сокращение утечек сэкономило 3,48 трлн рупий по данным 2009-2024 годов.

Нигерия сверила платежную ведомость госслужащих с биометрией и банковскими идентификаторами (BVN). Из ведомости убрали 23 846 несуществующих работников, а фонд зарплаты в феврале 2016 года стал на 2,29 млрд найр меньше, чем в декабре 2015 года.

Для российских ведомств, которые платят пособия, субсидии или зарплату, порядок тот же: сначала связать получателя с реестрами и счетом, потом искать сложные признаки. Ошибка на этом шаге стоит дороже всего, потому что повторяется в каждом следующем платеже.

Обе истории не про сложные модели, а про сверку: существует ли человек и совпадает ли он с банковским счетом. Это первый уровень любой системы контроля выплат, и без него модели риска работают на грязных данных. Как ищут мертвые души в ведомостях, разобрано на отдельной странице.

В России систему контроля торгов строит ФАС. Первый модуль системы «Большой цифровой кот» запущен осенью 2019 года. ГИС «Антикартель» работает с 1 августа 2025 года и ежедневно анализирует данные ЕИС и ГИС «Торги» с элементами машинного обучения, по словам ФАС, 100% закупочных процедур.

В Казахстане Антикоррупционная служба отслеживает завышенные цены в «Едином окне закупок». За два года мониторинг предотвратил неэффективные расходы больше чем на 67 млрд тенге: 29 млрд в 2022 году и 38,4 млрд за 10 месяцев 2023 года.

Подходы у двух стран разные. ФАС смотрит на торги целиком и ищет признаки картеля, Казахстан начал с цены и проверяет, не завышена ли она относительно рынка. Как система отмечает завышенную цену, разобрано на странице о завышении цен.

Министерство финансов Казахстана отбирает поставщиков рейтинговой системой с ИИ и 28 базами данных. Подробнее о системах контроля в России и странах СНГ на отдельной странице.

Системы из разных стран построены на разных данных, но у тех, что показали результат в цифрах, шесть общих черт:

1. Данные сведены вместе. ALICE читает объявления о закупках, Arachne подтягивает владельцев компаний, Нигерия сверила ведомость с биометрией. Признак риска виден только на стыке баз.

2. Проверка идет до оплаты. Бразилия останавливает торги до подписания контракта, а PRAC показал, что сверка заявок до выплаты могла предотвратить около 79 млрд долларов возможных мошеннических выплат.

3. Система отмечает, человек решает. Arachne не принимает автоматических решений, BRIAS не доказывает сговор, а дает следователям зацепки.

4. Сигналы адресные. ALICE рассылает их больше чем 500 аудиторам, а не складывает в общий отчет, который никто не читает.

5. Результат считают в деньгах: возвращенные доллары, остановленные реалы, сэкономленные рупии и тенге. Так видно, окупается ли контроль.

6. Правила риска описаны. У ALICE около 40 типов рисков, у Arachne+ 78 индикаторов. Описанное правило можно проверить, оспорить и поправить, а черному ящику проверяющие не доверяют.

Есть и обратная сторона: модели ошибаются, а ошибка в контроле бьет по честным людям. Исследования о точности таких моделей и их ошибках собраны на странице об исследованиях.

Ошибка модели в контроле обходится дорого: проверку получает честный поставщик, а выплату задерживают тому, кто имел на нее право. Поэтому у всех систем выше последнее слово остается за человеком, а флаг означает только повод посмотреть внимательнее. О том, как такие ошибки случаются и как их снижать, на странице о рисках и ошибках.