El Departamento de Eficiencia Gubernamental (DOGE) de Elon Musk no descubrió los 2 billones de dólares en fraude gubernamental que Musk sugirió inicialmente que eran posibles, pero los aliados de Musk sostienen que el esfuerzo aún valió la pena. La evaluación del éxito de DOGE varía según la fuente, pero la evidencia sugiere que la iniciativa no logró reducir significativamente el gasto federal, su objetivo principal.

El propio Musk recientemente minimizó los logros de DOGE, describiéndolo como solo "un poco exitoso" en un podcast. Esto marcó una desviación de sus declaraciones anteriores, más optimistas, sobre el impacto potencial del proyecto. Más recientemente, Musk revivió afirmaciones infundadas, alegando un fraude gubernamental generalizado e incontrolado, aparentemente contradiciendo cualquier impacto positivo que DOGE pudiera haber tenido. En X, estimó que "mi estimación mínima de cuánto fraude hay a nivel nacional es de aproximadamente el 20 por ciento del presupuesto federal, lo que significaría 1,5 billones por año. Probablemente mucho más".

La participación de Musk con DOGE terminó en mayo después de desacuerdos con el expresidente Donald Trump, citando preocupaciones de que un proyecto de ley de presupuesto de Trump socavaría el trabajo de DOGE. Las declaraciones actuales de Musk sugieren una falta de confianza en el valor de su incursión en los esfuerzos de eficiencia gubernamental.

El concepto de utilizar la IA, incluso en un ámbito limitado como DOGE, para identificar el fraude y el despilfarro en el gasto público refleja una tendencia creciente. Los algoritmos de IA pueden analizar vastos conjuntos de datos para detectar anomalías y patrones indicativos de actividad fraudulenta, una tarea que sería imposible de realizar manualmente para los humanos. Sin embargo, la eficacia de tales sistemas depende en gran medida de la calidad y la integridad de los datos, así como de la sofisticación de los algoritmos utilizados.

Las implicaciones de la detección de fraude impulsada por la IA se extienden más allá del gobierno. Las instituciones financieras, los proveedores de atención médica y otras organizaciones están adoptando cada vez más la IA para combatir el fraude y mejorar la eficiencia. Sin embargo, persisten las preocupaciones sobre el potencial de sesgo en los algoritmos de IA y la necesidad de transparencia y rendición de cuentas en su implementación. Los últimos desarrollos en este campo incluyen el uso del aprendizaje federado, que permite que los modelos de IA se entrenen en datos descentralizados sin comprometer la privacidad, y el desarrollo de técnicas de IA explicable (XAI), que tienen como objetivo hacer que la toma de decisiones de la IA sea más transparente y comprensible.