evidoria

← Volver al listado

Good practice

DOZORRO — El sistema de IA de detección de riesgos en la contratación pública de Ucrania

Ucrania · Kyiv · Ver el perfil de Ucrania

La IA de DOZORRO analiza licitaciones del sistema ucraniano Prozorro en busca de corrupción, detectando 26% más selecciones injustas y 298% más colusiones que los indicadores fijos en pruebas, y ayudó a evitar UAH 133 millones en gastos ineficientes en el 1er semestre de 2025.

+26%
Alertas de selección de ganador infundada en pruebas beta frente al sistema de indicadores fijos (2018 beta)
+37%
Alertas de descalificación sin fundamento en pruebas beta frente al sistema de indicadores fijos (2018 beta)
+298%
Alertas de casos de colusión en pruebas beta frente al sistema de indicadores fijos (2018 beta)
3,500 tenders assessed by 20 procurement experts
Licitaciones utilizadas para entrenar el modelo de riesgo
165
Procedimientos de contratación analizados (July 2025)
10 billion UAH
Valor de los procedimientos analizados (July 2025)
89 of 165
Procedimientos en los que se encontraron infracciones (July 2025)
133 million UAH
Gasto ineficiente estimado evitado (H1 2025)
DOZORRO — El sistema de IA de detección de riesgos en la contratación pública de Ucrania

Detalles

Madurez
Established
Promotor
DOZORRO civic-monitoring coalition (led by Transparency International Ukraine), with Ukraine's Ministry of Economy, integrated with Prozorro
Período
Model trained from July 2018; operational since Q1 2019
Palabras clave
public procurement, anti-corruption, compliance, AI

Contexto

Prozorro es el sistema electrónico obligatorio de contratación pública de Ucrania; DOZORRO es la capa de monitoreo cívico construida sobre él por una coalición liderada por Transparency International Ucrania, en cooperación con el Ministerio de Economía.

Objetivos

Utilizar el aprendizaje automático, entrenado a partir de cómo los expertos en contratación pública evaluaban las licitaciones, para señalar patrones de riesgo de corrupción que una lista fija de indicadores podría llegar a ser aprendida y eludida por los funcionarios.

Actividades

A partir de julio de 2018, los desarrolladores entrenaron el modelo con aproximadamente 3500 licitaciones evaluadas de forma independiente por 20 expertos en contratación pública. La herramienta entró en fase beta en noviembre de 2018 y alcanzó su pleno funcionamiento en el primer trimestre de 2019. Las licitaciones de alto riesgo identificadas por el modelo se remiten a supervisores de la sociedad civil, que deciden si deben escalarse a auditores o a las fuerzas del orden.

Resultados

En las pruebas beta, el modelo señaló un 26% más de licitaciones con selección de ganador infundada, un 37% más con descalificación sin fundamento y un 298% más de casos aparentes de colusión que el sistema independiente del Servicio Estatal de Auditoría, compuesto por 35 indicadores de riesgo fijos. Solo en julio de 2025, los supervisores analizaron 165 procedimientos por un valor de más de 10 000 millones de UAH y encontraron irregularidades en 89 de ellos; a lo largo del primer semestre de 2025, las intervenciones de la coalición ayudaron a evitar un gasto ineficiente estimado en 133 millones de UAH.

Conclusiones

Las características exactas del modelo subyacente y su tasa de falsos positivos no están documentadas públicamente, lo que limita la verificación independiente de los porcentajes de las pruebas beta más allá del propio relato de los desarrolladores.

Implementación

Coste indicativo
Medium (€50k–€500k)
Tiempo hasta resultados
Medium (1–3 years)
Personal y competencias
Procurement experts labelling training tenders, ML developers, Civil-society monitors reviewing flagged tenders

Condiciones para el éxito

  • A mandatory, centralised e-procurement system (Prozorro) already generating structured tender data to train on
  • A defined escalation pathway from flagged tenders to auditors and law enforcement
  • A named civil-society coalition plus the Ministry of Economy jointly operating the system

Modos de fallo comunes

  • Model features and false-positive rate are not published, limiting independent verification of the reported catch-rate improvements

Fuentes de datos

De dónde se obtuvo la información de esta práctica, y cuándo.

Adjuntos

Prácticas similares que pueden serle útiles