एलन मस्क के डिपार्टमेंट ऑफ़ गवर्नमेंट एफ़िशिएंसी (DOGE) ने सरकार में 2 ट्रिलियन डॉलर की धोखाधड़ी का पता नहीं लगाया, जो मस्क ने शुरू में संभव बताया था, लेकिन मस्क के सहयोगियों का मानना है कि इस प्रयास का अभी भी महत्व है। DOGE की सफलता का आकलन अलग-अलग है, लेकिन यह तर्क देना तेजी से मुश्किल होता जा रहा है कि इस पहल ने संघीय खर्च को काफी कम कर दिया, जो इसका प्राथमिक उद्देश्य था।

मस्क ने खुद हाल ही में एक पॉडकास्ट पर DOGE के प्रभाव को कम करके आंका, और इसे केवल "थोड़ा सफल" बताया। यह बयान DOGE की सरकारी कार्यों को सुव्यवस्थित करने की क्षमता के बारे में उनकी पहले की, अधिक आशावादी घोषणाओं से एक प्रस्थान था। अपने स्वयं के विभाग की स्पष्ट कमियों के बावजूद, मस्क ने व्यापक सरकारी धोखाधड़ी के दावों को पुनर्जीवित किया है।

X पर, मस्क ने अनुमान लगाया कि "राष्ट्रीय स्तर पर जितनी धोखाधड़ी है, उसके लिए मेरा निचला अनुमान संघीय बजट का लगभग 20 प्रतिशत है, जिसका अर्थ है प्रति वर्ष 1.5 ट्रिलियन। शायद बहुत अधिक।" बिना किसी विशिष्ट प्रमाण के किए गए ये दावे, डोनाल्ड ट्रम्प के लिए प्रचार करते समय किए गए समान दावों को दोहराते हैं।

मस्क ने सार्वजनिक रूप से मई में DOGE छोड़ दिया, जिसमें ट्रम्प के साथ एक बजट विधेयक पर असहमति का हवाला दिया गया, जिसके बारे में मस्क का मानना था कि यह DOGE के काम को कमजोर कर देगा। उनका प्रस्थान पूर्व राष्ट्रपति के साथ टकराव के बाद हुआ, और उन्होंने चिंता व्यक्त की कि प्रस्तावित बजट बेकार खर्च की पहचान करने और उसे खत्म करने के प्रयासों में बाधा डालेगा।

DOGE के पीछे की अवधारणा सरकारी एजेंसियों के भीतर अक्षमताओं और धोखाधड़ी वाली गतिविधियों की पहचान करने के लिए डेटा विश्लेषण और संभावित रूप से कृत्रिम बुद्धिमत्ता के सिद्धांतों को लागू करना था। विचार यह था कि AI एल्गोरिदम वित्तीय डेटा की विशाल मात्रा को छानकर धोखाधड़ी के संकेत देने वाली विसंगतियों और पैटर्न का पता लगा सकते हैं, जैसे कि निजी क्षेत्र में धोखाधड़ी का पता लगाने और जोखिम प्रबंधन के लिए AI का उपयोग किया जाता है। हालांकि, सरकारी सेटिंग्स में AI का अनुप्रयोग अक्सर डेटा एक्सेस, गोपनीयता संबंधी चिंताओं और सरकारी नियमों की जटिलता से संबंधित चुनौतियों का सामना करता है।

धोखाधड़ी का पता लगाने के लिए AI का उपयोग एक बढ़ता हुआ क्षेत्र है, जिसमें वित्तीय लेनदेन से लेकर स्वास्थ्य सेवा दावों तक के अनुप्रयोग हैं। ये सिस्टम आमतौर पर असामान्य पैटर्न की पहचान करने और आगे की जांच के लिए संभावित धोखाधड़ी वाली गतिविधियों को चिह्नित करने के लिए मशीन लर्निंग एल्गोरिदम का उपयोग करते हैं। इन प्रणालियों की प्रभावशीलता उपलब्ध डेटा की गुणवत्ता और मात्रा के साथ-साथ उपयोग किए गए एल्गोरिदम की परि Sophistication पर निर्भर करती है।

मस्क का वर्तमान रुख DOGE के समग्र प्रभाव में आत्मविश्वास की कमी का सुझाव देता है, जिससे सरकारी नौकरशाही की जटिलताओं के लिए निजी क्षेत्र की दक्षता मॉडल को लागू करने की व्यवहार्यता के बारे में सवाल उठते हैं। इसी तरह की पहलों का भविष्य अनिश्चित बना हुआ है, जो AI तकनीक में आगे के विकास और राजकोषीय निरीक्षण के लिए नए दृष्टिकोणों को अपनाने के लिए सरकार की इच्छा पर निर्भर करता है।