La corrupción ha crecido en América Latina a lo largo de la pandemia. Los datos y la analítica se han convertido en factores clave en la lucha contra el Covid-19. Es claro decir que América Latina tenía problemas antes de la pandemia como: bajo crecimiento, baja productividad, alta informalidad y alta desigualdad; sin embargo, el problema más grave ha sido la corrupción endémica de la región, la cual ha canalizado los recursos fuera de los sistemas de salud y seguridad social. La corrupción ha debilitado la capacidad estatal y el espacio fiscal, los cuales son fundamentales para responder a la crisis de manera correcta.
La pandemia creó oportunidades para los funcionarios corruptos y grupos de crimen organizado a través de la creciente demanda de suministros médicos y la urgencia con la que estos productos son necesitados, haciendo que estas personas se beneficien de la crisis. Los ejemplos de fraude incluyen la falsificación de medicamentos muy necesarios y el suministro de equipos de salud de mala calidad, así como la colusión entre proveedores, incluidas las bolsas para cadáveres con precios excesivos.
La corrupción en la cadena de suministro de medicamentos y en la adquisición de equipos médicos ha ido creciendo en toda la región. Por ende, el control de las compras públicas de emergencia y los gastos de salud pública se han vuelto prioridad para los gobiernos e instituciones de seguridad. Sin embargo, la información se ha vuelto omnipresente y el mayor aliado de la transparencia a través de la expansión de los datos abiertos y el análisis de fraude.
El avance de las plataformas de contratación electrónica y la contratación abierta ha generado más y mejores datos que pueden extraerse para detectar y disuadir irregularidades. Los datos relacionados con los contratos y compras gubernamentales se han vuelto más abiertos, lo que permite un mayor recuento por parte de las agencias de supervisión, incluidos los 'técnicos cívicos' y los 'técnicos gubernamentales': empresas emergentes basadas en tecnología y basadas en datos que buscan hacer un impacto social y mejora de la gestión pública. Los datos abiertos se han convertido en una herramienta clave contra la corrupción y el fraude durante esta pandemia. La generación masiva de datos e información sobre adquisiciones públicas crea una oportunidad invaluable para las nuevas tecnologías, basadas en el análisis de datos, para detectar y distraer el riesgo de corrupción sistémica en la contratación pública, en lugar de perseguir casos aislados de corrupción. Como tal, proporciona una herramienta potente con la que las instituciones de integridad y las agencias de supervisión, incluidos los sistemas de control interno, pueden abordar las fallas de las políticas y las vulnerabilidades institucionales.
¿Cuáles son las medidas a establecer para el control de la información?
-
Abrir los datos de contratación del gobierno en un formato abierto que permita su reutilización: Esto se puede lograr adoptando el Estándar de Datos de Contratación Abierta (OCDS), promovido por la Asociación de Contratación Abierta, una red global de promoción. La OCDS establece cómo publicar información y documentos en todas las etapas del proceso de contratación pública, lo que permite un análisis más completo de los conjuntos de datos más allá de las transacciones individuales o los cuellos de botella críticos.
-
Implementar herramientas avanzadas de análisis e inteligencia artificial en una variedad de datos, tanto estructurados y no estructurados: Tener datos de calidad, abiertos y reutilizables permite una implementación más ágil de técnicas analíticas avanzadas.
Al final, el análisis de datos permite pasar de un enfoque reactivo y motivado por quejas a uno proactivo y preventivo. El poder de las máquinas y los programas de procesamiento de datos aumenta la velocidad de las investigaciones judiciales y administrativas. Sin embargo, su éxito se basa en gran medida en la disponibilidad de datos de alta calidad. A menos que las herramientas de inteligencia artificial puedan confiar en datos precisos, el riesgo es generar resultados inexactos o, peor aún, sesgados, siguiendo el principio de "basura dentro, basura". De hecho, la mayor parte de la inversión en análisis avanzados y proyectos de aprendizaje automático se destina a "limpiar" conjuntos de datos, y solo dedica el 18% del tiempo al desarrollo de algoritmos y modelos de prueba.
