Τα στοιχεία για τις δημόσιες δαπάνες υπάρχουν σε μεγάλο βαθμό ήδη. Η μεγάλη αλλαγή που φέρνουν η τεχνητή νοημοσύνη και η ανάλυση δεδομένων είναι ότι μπορούμε πλέον να τα συνδέσουμε, να τα συγκρίνουμε και να εντοπίσουμε όσα πραγματικά αξίζουν έλεγχο.
Ας υποθέσουμε ότι δέκα δήμοι αγοράζουν περίπου τον ίδιο εξοπλισμό.
Ο ένας πληρώνει 20.000 ευρώ. Ο δεύτερος 22.000. Ο τρίτος 45.000.
Η διαφορά μπορεί να έχει απολύτως λογική εξήγηση. Μπορεί να πρόκειται για διαφορετικές ποσότητες, διαφορετικές προδιαγραφές, μεταφορικά έξοδα ή άλλους όρους της σύμβασης.
Αξίζει όμως να τη δει κάποιος.
Και εδώ βρίσκεται ένα από τα μεγαλύτερα προβλήματα της διαφάνειας σήμερα. Μπορεί οι αποφάσεις και οι συμβάσεις να είναι δημόσιες, αλλά αυτό δεν σημαίνει ότι είναι εύκολο να δούμε τη συνολική εικόνα.
Μια σημαντική πληροφορία μπορεί να βρίσκεται μπροστά μας και παρ’ όλα αυτά να χάνεται μέσα σε χιλιάδες αναρτήσεις.
Η τεχνητή νοημοσύνη και η σύγχρονη ανάλυση δεδομένων μπορούν να βοηθήσουν ακριβώς σε αυτό.
Τα στοιχεία υπάρχουν. Αυτό που λείπει είναι η σύνδεσή τους
Οι δημόσιες συμβάσεις αποτελούν τεράστιο κομμάτι της οικονομικής δραστηριότητας. Στην Ευρωπαϊκή Ένωση περισσότερες από 250.000 δημόσιες αρχές δαπανούν κάθε χρόνο περίπου 2 τρισεκατομμύρια ευρώ για έργα, υπηρεσίες και προμήθειες — ποσό που αντιστοιχεί περίπου στο 13,6% του ΑΕΠ της ΕΕ.
Πίσω από αυτά τα ποσά υπάρχουν εκατομμύρια δεδομένα: διαγωνισμοί, αναθέσεις, συμβάσεις, τροποποιήσεις, πληρωμές, προμηθευτές και αποφάσεις δημόσιων φορέων.
Κανένας άνθρωπος δεν μπορεί να τα διαβάσει και να τα συγκρίνει όλα.
Ένα σύγχρονο πληροφοριακό σύστημα όμως μπορεί να αναζητήσει σχέσεις και επαναλαμβανόμενα μοτίβα μέσα σε αυτόν τον τεράστιο όγκο πληροφορίας.
Έτσι, αντί να περιοριζόμαστε στην αναζήτηση μιας συγκεκριμένης σύμβασης, μπορούμε να αρχίσουμε να κάνουμε πιο ουσιαστικές ερωτήσεις:
Πόσα χρήματα δαπάνησε συνολικά ένας φορέας για μια συγκεκριμένη υπηρεσία; Ποιοι είναι οι μεγαλύτεροι προμηθευτές του; Πώς μεταβλήθηκαν οι δαπάνες του μέσα στα τελευταία χρόνια; Πόσο πληρώνουν διαφορετικοί δήμοι για παρόμοιες προμήθειες;Υπάρχουν πολλές αναθέσεις παρόμοιου αντικειμένου στον ίδιο προμηθευτή;Υπάρχουν συμβάσεις των οποίων το τελικό κόστος αποκλίνει σημαντικά από το αρχικό;
Αυτή ακριβώς η μετάβαση —από τη δημοσίευση δεδομένων στην πραγματική αξιοποίησή τους— βρίσκεται ήδη στο επίκεντρο ευρωπαϊκών πρωτοβουλιών. Ο Ευρωπαϊκός Χώρος Δεδομένων Δημοσίων Συμβάσεων δημιουργήθηκε για να συνδέει στοιχεία από διαφορετικές πηγές και να επιτρέπει καλύτερη ανάλυση των δημοσίων συμβάσεων.
Από μία σύμβαση σε ένα μοτίβο
Η πραγματική δύναμη της τεχνολογίας δεν βρίσκεται στο να μας πει αν μία μεμονωμένη σύμβαση είναι σωστή ή λάθος.
Βρίσκεται στο ότι μπορεί να συγκρίνει πολλές χιλιάδες συμβάσεις ταυτόχρονα.
Ένα σύστημα θα μπορούσε, για παράδειγμα, να επισημάνει ότι:
- ένας φορέας αγοράζει συστηματικά ένα προϊόν πολύ ακριβότερα από άλλους συγκρίσιμους φορείς,
- ο ίδιος προμηθευτής συγκεντρώνει ασυνήθιστα μεγάλο μέρος των συμβάσεων ενός οργανισμού,
- σε συγκεκριμένους διαγωνισμούς εμφανίζεται επανειλημμένα πολύ μικρός αριθμός συμμετεχόντων,
- μία σύμβαση τροποποιείται πολλές φορές μετά την αρχική ανάθεση,
- εμφανίζονται πολλές μικρές αναθέσεις παρόμοιου αντικειμένου σε μικρό χρονικό διάστημα.
Τίποτε από αυτά δεν αποδεικνύει από μόνο του παρανομία.
Η υψηλότερη τιμή μπορεί να οφείλεται σε καλύτερες προδιαγραφές. Ένας προμηθευτής μπορεί να κερδίζει συχνά επειδή προσφέρει πράγματι καλύτερες τιμές. Μια τροποποίηση σύμβασης μπορεί να προέκυψε από πραγματικές και απρόβλεπτες ανάγκες.
Όμως όλα αυτά αποτελούν περιπτώσεις που μπορεί να αξίζουν μια δεύτερη ματιά.
Διεθνώς χρησιμοποιείται ο όρος «red flags», δηλαδή ενδείξεις κινδύνου που βοηθούν στον εντοπισμό περιπτώσεων που χρειάζονται περαιτέρω έλεγχο. Η Open Contracting Partnership έχει καταγράψει 73 τέτοιους δείκτες σε διαφορετικά στάδια μιας δημόσιας σύμβασης.
Το σημαντικό είναι να μην ξεχνάμε τι σημαίνει μια τέτοια ένδειξη:
Red flag δεν σημαίνει ενοχή. Σημαίνει «κοίταξε εδώ πιο προσεκτικά».
Η μηχανή δείχνει. Ο άνθρωπος ελέγχει.
Αυτό είναι ίσως το σημαντικότερο όριο που πρέπει να μπει στη χρήση της τεχνητής νοημοσύνης στον δημόσιο έλεγχο.
Ένας αλγόριθμος δεν πρέπει να αποφασίζει ότι ένας δήμαρχος, ένας δημόσιος υπάλληλος ή μια επιχείρηση είναι «ύποπτοι» επειδή εντόπισε μια στατιστική απόκλιση. Μπορεί να βρει το ασυνήθιστο μοτίβο. Δεν γνωρίζει όμως πάντα το γιατί.
Αυτό απαιτεί πραγματικό έλεγχο της υπόθεσης, των τεχνικών προδιαγραφών, των προσφορών, της αγοράς και των ιδιαίτερων συνθηκών κάθε σύμβασης.
Ο ΟΟΣΑ επισημαίνει ότι η τεχνητή νοημοσύνη μπορεί να βοηθήσει σημαντικά στις δημόσιες προμήθειες, στην ανάλυση μεγάλου όγκου δεδομένων και στον εντοπισμό κινδύνων. Ταυτόχρονα όμως προειδοποιεί για προβλήματα όπως κακής ποιότητας δεδομένα, έλλειψη διαφάνειας και δυσκολία εξήγησης των αποτελεσμάτων ενός αλγορίθμου.
Η σωστή σχέση λοιπόν είναι απλή: η μηχανή εντοπίζει — ο άνθρωπος ερευνά και αποφασίζει.
Λιγότεροι τυχαίοι έλεγχοι, περισσότεροι στοχευμένοι
Υπάρχει και ένα ακόμη μεγάλο όφελος. Οι ελεγκτικοί μηχανισμοί δεν διαθέτουν απεριόριστο προσωπικό ούτε απεριόριστο χρόνο. Αν υπάρχουν, για παράδειγμα, 100.000 συμβάσεις και μπορούν να εξεταστούν αναλυτικά μόνο 1.000, το σημαντικό ερώτημα είναι ποιες 1.000 θα επιλεγούν.Η ανάλυση δεδομένων μπορεί να βοηθήσει ώστε να προηγούνται οι περιπτώσεις όπου εμφανίζονται περισσότεροι ή σοβαρότεροι δείκτες κινδύνου.
Δεν αντικαθίσταται έτσι ο έλεγχος αλλά γίνεται πιο στοχευμένος.
Και αυτό μπορεί να σημαίνει καλύτερη αξιοποίηση του προσωπικού, ταχύτερο εντοπισμό πραγματικών προβλημάτων και μικρότερη σπατάλη πόρων σε ελέγχους που γίνονται σχεδόν στα τυφλά.
Ένα εργαλείο και για τον πολίτη
Η τεχνολογία αυτή δεν αφορά μόνο τις ελεγκτικές αρχές. Μπορεί να αλλάξει και τη σχέση του ίδιου του πολίτη με το δημόσιο χρήμα.
Σήμερα, κάποιος που θέλει να ερευνήσει τις δαπάνες ενός δήμου ή ενός δημόσιου οργανισμού χρειάζεται συχνά να γνωρίζει πού ακριβώς θα ψάξει, ποιους όρους θα χρησιμοποιήσει και πώς θα συνδυάσει διαφορετικά στοιχεία.
Με σωστά οργανωμένα δεδομένα και σύγχρονα εργαλεία, θα μπορούσε να θέτει απλές ερωτήσεις:
«Πόσα ξόδεψε ο δήμος μου για καθαρισμό τα τελευταία πέντε χρόνια;»
«Ποιοι είναι οι μεγαλύτεροι προμηθευτές του;»
«Πώς συγκρίνεται το κόστος μιας υπηρεσίας με άλλους δήμους;»
«Πόσες αναθέσεις έγιναν στην ίδια κατηγορία δαπάνης;»
Τα μεγάλα γλωσσικά μοντέλα μπορούν να βοηθήσουν ιδιαίτερα στην εξαγωγή και κατανόηση πληροφοριών που σήμερα βρίσκονται μέσα σε έγγραφα, περιγραφές και άλλα μη δομημένα δεδομένα. Ο ΟΟΣΑ αναγνωρίζει ότι τέτοιες τεχνολογίες μπορούν να αξιοποιηθούν στις δημόσιες προμήθειες, επισημαίνοντας παράλληλα ότι η επιτυχία τους εξαρτάται από την ποιότητα και την τυποποίηση των δεδομένων.
Και εκεί αλλάζει πραγματικά η έννοια της διαφάνειας.
Γιατί διαφάνεια δεν είναι μόνο να υπάρχει κάπου ένα δημόσιο έγγραφο. Είναι να μπορεί ο πολίτης να καταλάβει τι σημαίνει.
Τρεις προϋποθέσεις για να λειτουργήσει σωστά
Όλα αυτά ακούγονται εντυπωσιακά. Αλλά μια κακή εφαρμογή μπορεί να δημιουργήσει περισσότερα προβλήματα από όσα λύνει.
Πρώτη προϋπόθεση: αξιόπιστα δεδομένα.
Αν διαφορετικοί φορείς καταχωρίζουν το ίδιο πράγμα με διαφορετικό τρόπο, αν υπάρχουν λάθη, ελλείψεις ή κρίσιμες πληροφορίες εγκλωβισμένες σε κακοσκαναρισμένα έγγραφα, η τεχνητή νοημοσύνη δεν μπορεί να διορθώσει μαγικά την πραγματικότητα.
Όσο καλύτερα και πιο τυποποιημένα είναι τα δεδομένα, τόσο πιο αξιόπιστη μπορεί να γίνει και η ανάλυση. Ο ΟΟΣΑ επισημαίνει ακριβώς την ανάγκη για ισχυρή διακυβέρνηση και τυποποίηση των δεδομένων στις δημόσιες προμήθειες.
Δεύτερη προϋπόθεση: οι ενδείξεις πρέπει να εξηγούνται.
Αν ένα σύστημα χαρακτηρίσει μια συναλλαγή ασυνήθιστη, πρέπει να μπορεί να εξηγηθεί γιατί.
«Η τιμή είναι 65% υψηλότερη από αντίστοιχες συμβάσεις».
«Ο συγκεκριμένος ανάδοχος έλαβε το 80% των συμβάσεων αυτής της κατηγορίας».
«Παρατηρήθηκαν δώδεκα συμβάσεις παρόμοιου αντικειμένου σε διάστημα δύο μηνών».
Αυτό είναι χρήσιμη πληροφορία.
Ένα αδιαφανές «risk score: 87/100» χωρίς εξήγηση είναι πολύ πιο προβληματικό.
Τρίτη προϋπόθεση: δεν χρειάζεται παντού τεχνητή νοημοσύνη.
Για να διαπιστώσουμε ότι ένας φορέας έκανε δέκα αναθέσεις στον ίδιο προμηθευτή μέσα σε τρεις μήνες, δεν χρειαζόμαστε απαραίτητα ένα πολύπλοκο μοντέλο AI.
Ένας απλός κανόνας σε μια βάση δεδομένων μπορεί να το κάνει καλύτερα, φθηνότερα και πιο διαφανώς.
Η τεχνητή νοημοσύνη αποκτά μεγαλύτερη αξία όταν χρειάζεται να κατανοηθούν χιλιάδες διαφορετικά κείμενα, να ομαδοποιηθούν συμβάσεις που περιγράφουν με διαφορετικά λόγια παρόμοια αντικείμενα ή να αναζητηθούν σύνθετα μοτίβα που δεν μπορούν να περιγραφούν εύκολα με έναν απλό κανόνα.
Το καλύτερο σύστημα επομένως δεν θα είναι εκείνο που θα χρησιμοποιεί την περισσότερη AI.
Θα είναι εκείνο που θα χρησιμοποιεί το σωστό εργαλείο στο σωστό σημείο.
Από τη δημοσίευση στην πραγματική διαφάνεια
Η τεχνητή νοημοσύνη δεν θα εξαφανίσει τη διαφθορά.
Δεν μπορεί να εγγυηθεί ότι κάθε δημόσιο ευρώ θα δαπανάται σωστά και δεν πρέπει ποτέ να μετατραπεί σε έναν αυτόματο «δικαστή» της δημόσιας διοίκησης. Μπορεί όμως να κάνει κάτι πολύ σημαντικό.
Να μετατρέψει εκατομμύρια διάσπαρτες πληροφορίες σε μια εικόνα που μπορεί να ελεγχθεί.
Να βοηθήσει έναν ελεγκτή να εντοπίσει πιο γρήγορα μια περίπτωση που αξίζει διερεύνηση.
Να επιτρέψει σε έναν δημοσιογράφο να δει ένα μοτίβο που διαφορετικά θα χανόταν μέσα σε χιλιάδες συμβάσεις.
Και να δώσει στον πολίτη τη δυνατότητα να καταλάβει καλύτερα πού πηγαίνουν τα χρήματα που διαχειρίζεται το κράτος στο όνομά του.
Αυτό μπορεί να είναι το επόμενο μεγάλο βήμα της ψηφιακής διαφάνειας: όχι απλώς να δημοσιεύουμε περισσότερα στοιχεία, αλλά να αποκτήσουμε τα εργαλεία για να τα καταλαβαίνουμε.
Γιατί η τεχνητή νοημοσύνη ίσως να μην μπορεί να μας πει από μόνη της πού υπάρχει παρανομία.
Μπορεί όμως να κάνει πολύ δυσκολότερο το να χαθεί ένα ασυνήθιστο μοτίβο μέσα σε χιλιάδες έγγραφα.
Πηγές και περαιτέρω ανάγνωση
ΟΟΣΑ – Governing with Artificial Intelligence: AI in public procurement. Διεθνής ανάλυση για τις δυνατότητες της AI στις δημόσιες προμήθειες, αλλά και για ζητήματα ποιότητας δεδομένων, διαφάνειας, εξηγησιμότητας και ανθρώπινης εποπτείας. OECD – AI in public procurement
Ευρωπαϊκή Επιτροπή – Public Procurement Data Space. Ευρωπαϊκή υποδομή για τη σύνδεση και αξιοποίηση δεδομένων δημοσίων συμβάσεων με στόχο μεγαλύτερη διαφάνεια, αποτελεσματικότητα και δυνατότητα ανάλυσης. European Commission – Public Procurement Data Space
Open Contracting Partnership – Red Flags in Public Procurement. Μεθοδολογία με 73 δείκτες κινδύνου για τον εντοπισμό περιπτώσεων στις δημόσιες συμβάσεις που χρειάζονται περαιτέρω έλεγχο. Open Contracting Partnership – Red Flags in Public Procurement
Δημοκράτες – Προοδευτικό Κέντρο – GovSpend/Διαύγεια. Ελληνική πρόταση που περιλαμβάνει συγκριτική ανάλυση δημοσίων δαπανών, παρακολούθηση προμηθευτών, εντοπισμό ασυνήθιστων μοτίβων, επαναλαμβανόμενων αναθέσεων και πιθανής κατάτμησης δαπανών, με ανθρώπινο έλεγχο και χωρίς αυτόματη απόδοση ευθυνών. GovSpend / Διαύγεια – Δημοκράτες Προοδευτικό Κέντρο