США: ИИ против мошенничества в госсекторе и бюджетных выплатах

Счетная палата Конгресса США (GAO) в апреле 2024 года оценила прямые годовые потери федерального правительства от мошенничества в 233-521 млрд долларов. Оценка построена на данных 2018-2022 финансовых годов.

Это 3-7% средних федеральных обязательств. GAO оговаривает, что этот процент нельзя переносить на отдельные ведомства или программы: у каждой программы свой риск. Административно-бюджетное управление Белого дома (OMB) с оценкой не согласилось.

Широкий диапазон говорит о главном: точной суммы не знает никто, потому что мошенничество скрыто, пока его не нашли. При этом GAO считает только прямые финансовые потери, а косвенный ущерб в оценку не входит.

Для руководителя вывод практический. Если потери измеряются процентами расходов, выборочная проверка после оплаты не закрывает риск, и проверку приходится переносить на момент до выплаты.

Министерство финансов США в 2024 финансовом году предотвратило и вернуло больше 4 млрд долларов мошеннических и неправомерных платежей. Годом раньше результат был 652,7 млн долларов.

Сумма складывается из нескольких инструментов:

1. 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 вернуло 1 млрд долларов.

2. Выбор и приоритизация рискованных транзакций остановили 2,5 млрд.

3. Проверка по уровню риска предотвратила 500 млн.

4. Перестройка графика платежей дала еще 180 млн.

Работу ведет Управление платежной добросовестности (Office of Payment Integrity) при Минфине. По словам представителя ведомства, машинное обучение разбирает большие массивы данных и отмечает возможные мошеннические схемы. Подробностей Минфин не раскрывает, ссылаясь на характер схем.

Масштаб объясняет, почему проверка стоит именно здесь. Минфин ежегодно проводит больше 1,4 млрд платежей на сумму больше 6,9 трлн долларов больше чем 100 млн получателей, поэтому видит потоки всех программ сразу. Как такие сигналы выглядят в данных, разобрано на странице о двойных и ложных платежах.

Важная оговорка: 4 млрд это и мошенничество, и неправомерные платежи. Неправомерный платеж не всегда умысел: выплата могла уйти не тому получателю или не в той сумме, в том числе по ошибке самого ведомства.

Комитет по подотчетности пандемийных расходов (PRAC) в июне 2025 года подсчитал, сколько могла бы сохранить сверка заявок до выплаты. Его вывод: около 79 млрд долларов возможных мошеннических выплат пандемийной помощи.

Метод простой. Аналитики случайно отобрали 662 000 записей из 67,5 млн одобренных заявок и попросили Управление социального обеспечения (SSA) проверить номер социального страхования, имя, дату рождения и признак смерти.

SSA отметила почти 24 000 записей выборки как возможное мошенничество: номер не выдавался или не совпадал с именем либо датой рождения. По всей совокупности заявок это около 1,4 млн сомнительных номеров.

Еще больше 11 000 записей выборки относились к людям, умершим на дату ответа SSA. PRAC не включил их в оценку, потому что на момент подачи заявки эти люди могли быть живы. Это пример осторожности, без которой сверка превращается в обвинение.

Речь о трех программах: кредитах EIDL и программе PPP Администрации малого бизнеса и пандемийных пособиях по безработице Министерства труда на 888 млрд долларов. Еще в январе 2023 года PRAC показал 69 000 сомнительных номеров, по которым получили 5,4 млрд долларов кредитов и грантов. Как такие признаки ищут в программах поддержки, разобрано на странице о субсидиях и грантах.

Обе истории ведут к одному выводу: дешевле не заплатить, чем потом вернуть. PRAC прямо пишет, что проверять личность заявителя и отмечать аномалии в заявке нужно до того, как деньги ушли.

Для этого PRAC сверяет данные разных ведомств с тем, что указал заявитель: IP-адреса, даты рождения, банковские счета, домашние адреса. Например, один счет у многих заявителей или чужая дата рождения становятся признаком риска.

У Минфина для той же задачи есть сервис Do Not Pay. Ведомство сверяет получателя с несколькими источниками данных до выплаты поставщику, получателю гранта, заемщику или получателю пособия. Среди источников реестр умерших Управления социального обеспечения (Death Master File).

Сервисы Минфина открыты другим федеральным ведомствам и программам, которые штаты ведут на федеральные деньги. В 2024 году Министерство труда вместе с Минфином объявило упрощенный доступ к Do Not Pay для служб пособий по безработице штатов.

Каждая такая сверка дает сигнал, а не приговор. Несовпадение данных может оказаться опечаткой, поэтому решение задержать или отклонить выплату остается за сотрудником программы. Хорошая практика: дать заявителю способ подтвердить данные, прежде чем отказывать.

Опыт США дает четыре правила для любой госорганизации, через которую проходят выплаты, субсидии или оплата контрактов:

1. Сначала оценить масштаб. Оценка GAO в 233-521 млрд долларов в год превратила разговор о мошенничестве в цифру, с которой можно сравнивать стоимость контроля.

2. Сверять до выплаты. Пример PRAC показывает: проверка номера и даты рождения на входе могла предотвратить около 79 млрд долларов. Вернуть деньги после выплаты всегда труднее, чем не выплатить их.

3. Делать инструменты общими. Минфин держит проверку в одном месте и открывает ее другим ведомствам, поэтому каждой программе не нужно строить свою.

4. Отделять мошенничество от ошибки, но считать обе. Минфин отчитывается общей суммой, и это честно: ошибочная выплата тоже уходит из бюджета.

Как посчитать такой эффект для своей организации, разобрано на странице об эффекте ИИ в контроле.