Департамент правительственной эффективности (DOGE) Илона Маска не обнаружил 2 триллиона долларов государственных средств, потраченных впустую, о которых Маск изначально говорил, но союзники Маска утверждают, что эти усилия все же имеют ценность. Оценки успеха DOGE разнятся, но становится все труднее утверждать, что эта инициатива значительно сократила федеральные расходы, что было ее основной целью.

Сам Маск недавно смягчил ожидания от DOGE. "По моим самым скромным оценкам, объем мошенничества в масштабах страны составляет около 20 процентов федерального бюджета, что составляет 1,5 триллиона долларов в год. Вероятно, намного больше", - заявил Маск в X, повторив более ранние заявления, сделанные во время кампании в поддержку Дональда Трампа. Это заявление последовало за более ранними замечаниями в подкасте, где Маск охарактеризовал DOGE как "немного успешный", что стало редким признанием того, что проект не оправдал своих первоначальных обещаний.

Маск внезапно покинул DOGE в мае, сославшись на разногласия с Трампом по поводу законопроекта о бюджете, который, по мнению Маска, поставит под угрозу работу DOGE. Его нынешняя позиция свидетельствует об отсутствии уверенности в общей ценности его участия в усилиях по повышению эффективности правительства.

Концепция использования ИИ, подобного тому, который потенциально предполагался для DOGE, для выявления мошенничества основана на распознавании образов. Алгоритмы ИИ обучаются на огромных наборах данных финансовых транзакций и государственных записей для выявления аномалий, которые могут указывать на мошенническую деятельность. Эти системы могут анализировать данные гораздо быстрее и полнее, чем аудиторы-люди, потенциально выявляя мошенничество, которое в противном случае осталось бы незамеченным. Однако эффективность таких систем во многом зависит от качества и полноты данных, используемых для обучения, а также от сложности самих алгоритмов.

Последствия использования ИИ в государственном надзоре значительны. С одной стороны, это открывает потенциал для повышения эффективности и сокращения отходов. С другой стороны, это вызывает опасения по поводу конфиденциальности данных, алгоритмической предвзятости и потенциальной возможности злоупотреблений. Последние разработки в области ИИ, такие как появление более сложных моделей машинного обучения, постоянно расширяют границы возможного в обнаружении мошенничества, но также требуют тщательного рассмотрения этических и социальных последствий.