evidoria

← Volver al listado

Buena práctica Importada

Triaje IA de la NACC — sistema automatizado de tramitación de denuncias de corrupción en Tailandia

Tailandia · Bangkok · Ver el perfil de Tailandia · Ver el perfil de Bangkok

Evidencia: Observacional / pre-post Top 83% 40/100 · Pregunte a Evidence Copilot sobre esta práctica

La NACC de Tailandia usa un sistema OCR-NLP-AM para preseleccionar denuncias de corrupción, reduciendo el tiempo de procesamiento en 78,6 %. Evaluación de 2025 con revisión por pares documentó un F1 del 81,8 % en OCR; los revisores humanos retienen la autoridad decisoria final.

81.8 %
Puntuación F1 del módulo OCR (2025 study)
84.2 %
Precisión del OCR (2025 study)
79.6 %
Exhaustividad (recall) del OCR (2025 study)
57.5 %
Precisión de clasificación de documentos (2025 study)
78.6 %
Reducción promedio del tiempo de procesamiento de denuncias (2025 study, vs manual baseline)
Triaje IA de la NACC — sistema automatizado de tramitación de denuncias de corrupción en Tailandia

Detalles

Madurez
Consolidada
Promotor
National Anti-Corruption Commission (NACC)
Período
2024–present
Palabras clave
anti-corruption, complaint management, document processing, public integrity

Contexto

La Comisión Nacional Anticorrupción (NACC) de Tailandia ha implementado un flujo de cribado de denuncias impulsado por IA que combina Reconocimiento Óptico de Caracteres (OCR), Procesamiento de Lenguaje Natural (PLN) y aprendizaje automático supervisado para automatizar la segmentación inicial de documentos, la clasificación de alegaciones y el enrutamiento del flujo de trabajo de las denuncias de corrupción entrantes — tareas anteriormente gestionadas manualmente. Los revisores humanos conservan la autoridad total sobre las decisiones finales de cribado; la IA se encarga de la etapa de preprocesamiento, que consume mucho tiempo.

Resultados

Un estudio revisado por pares publicado en 2025 en PubMed Central documentó el rendimiento del sistema en condiciones operativas: una puntuación F1 del módulo OCR de 81,8% (precisión 84,2%, exhaustividad 79,6%), una precisión de clasificación de documentos del 57,5%, y una reducción promedio del tiempo de procesamiento de denuncias del 78,6% frente a la línea base manual. La precisión de clasificación del 57,5% es reportada de forma transparente por los autores como una limitación actual; el sistema se posiciona explícitamente como una ayuda de triaje, no como un tomador de decisiones final. La adopción de IA por parte de Tailandia para la gestión de denuncias se menciona en el capítulo de Tailandia del OECD Anti-Corruption and Integrity Outlook 2026.

Implementación

Coste indicativo
Medio (50 000–500 000 €) — OCR-NLP-ML pipeline built for a single agency's complaint intake; no published budget figures.
Tiempo hasta resultados
Medio (1–3 años) — Operational since 2024; 2025 peer-reviewed evaluation published documenting performance under live conditions.
Personal y competencias
Thailand's National Anti-Corruption Commission (NACC) operates the pipeline; human reviewers retain full authority over final screening decisions

Condiciones para el éxito

  • Human-in-the-loop design preserves final decision authority for staff while automating pre-processing
  • Transparent academic disclosure of the 57.5% classification-accuracy limitation supports credible, incremental adoption

Modos de fallo comunes

  • 57.5% document classification accuracy is an acknowledged current limitation
  • No external algorithmic audit or redress mechanism is documented
  • No replication of the architecture in another jurisdiction is documented

Dónde encaja

Tipo de gobernanza
national anti-corruption agency
Escala
single national agency
Nivel de ingresos
upper-middle-income

Habitualmente financiado por

National / regional programmes

Vías de financiación indicativas para prácticas de este tipo: compruebe siempre las convocatorias vigentes y las reglas de elegibilidad de cada programa.

¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.

Fuentes de datos

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

Adjuntos

Prácticas similares que pueden serle útiles