Le Département de l'Efficacité Gouvernementale (DOGE) d'Elon Musk n'a pas mis au jour les 2 000 milliards de dollars de fraude gouvernementale que Musk avait initialement suggérés comme possibles, mais les alliés de Musk maintiennent que l'effort valait tout de même la peine. L'évaluation du succès de DOGE varie selon la source, mais les preuves suggèrent que l'initiative n'a pas réussi à réduire significativement les dépenses fédérales, son objectif principal.

Musk lui-même a récemment minimisé les réalisations de DOGE, le décrivant comme seulement "un peu réussi" dans un podcast. Cela marquait un écart par rapport à ses déclarations antérieures, plus optimistes, sur l'impact potentiel du projet. Plus récemment, Musk a relancé des allégations non étayées, alléguant une fraude gouvernementale généralisée et incontrôlée, contredisant apparemment tout impact positif que DOGE aurait pu avoir. Sur X, il a estimé que "ma limite inférieure pour la quantité de fraude au niveau national est d'environ 20 % du budget fédéral, ce qui signifierait 1,5 billion par an. Probablement beaucoup plus."

L'implication de Musk dans DOGE a pris fin en mai après des désaccords avec l'ancien président Donald Trump, invoquant des préoccupations selon lesquelles un projet de loi budgétaire de Trump saperait le travail de DOGE. Les déclarations actuelles de Musk suggèrent un manque de confiance dans la valeur de son incursion dans les efforts d'efficacité gouvernementale.

Le concept d'utiliser l'IA, même dans un cadre limité comme DOGE, pour identifier la fraude et le gaspillage dans les dépenses publiques reflète une tendance croissante. Les algorithmes d'IA peuvent analyser de vastes ensembles de données pour détecter les anomalies et les schémas indicatifs d'une activité frauduleuse, une tâche qu'il serait impossible pour les humains d'accomplir manuellement. Cependant, l'efficacité de ces systèmes dépend fortement de la qualité et de l'exhaustivité des données, ainsi que de la sophistication des algorithmes utilisés.

Les implications de la détection de la fraude basée sur l'IA s'étendent au-delà du gouvernement. Les institutions financières, les prestataires de soins de santé et d'autres organisations adoptent de plus en plus l'IA pour lutter contre la fraude et améliorer l'efficacité. Cependant, des préoccupations subsistent quant au potentiel de biais dans les algorithmes d'IA et à la nécessité de transparence et de responsabilité dans leur déploiement. Les derniers développements dans ce domaine incluent l'utilisation de l'apprentissage fédéré, qui permet aux modèles d'IA d'être entraînés sur des données décentralisées sans compromettre la confidentialité, et le développement de techniques d'IA explicable (XAI), qui visent à rendre la prise de décision de l'IA plus transparente et compréhensible.