B’Odogwu — Nigeria’s AI-Driven Unified Customs Management System
Nigeria
B’Odogwu (Nigeria’s Unified Customs Management System) applies AI risk-profiling and ML pattern detection across 34 commands. Between Oct 2024 and …
Good practice
★ 73
★ 60
★ 53
★ 73
DNA do Paraguai — Aprendizagem Automática para Deteção de Fraude Aduaneira
Paraguay · Asunción · See the Paraguay profile
A DNA do Paraguai implementou pontuação de risco aduaneiro por ML, elevando a deteção de fraude de 18% para 73% com 70% menos inspeções. Um ECA da UC Berkeley/IGC validou os resultados; a implementação plena estima recuperar mais de USD 200 milhões anuais em direitos não pagos.
73 %
Taxa de deteção de fraude, inspeções selecionadas por ML
18 %
Taxa de deteção de fraude, inspeções selecionadas por humanos (referência)
70 %
Redução de remessas inspecionadas para cobertura de auditoria equivalente
200 million USD (researcher projection, not RCT-measured)
Potencial de recuperação anual estimado se alargado a todos os portos
Details
- Maturity
- Scaling
- Promoter
- Dirección Nacional de Aduanas (DNA)
- Period
- 2015–2022
- Keywords
- customs, tax administration, trade, public finance
Context
A Dirección Nacional de Aduanas (DNA) do Paraguai estabeleceu um sistema de seletividade baseado em risco para inspeções de importação através da Decisão n.º 643/2015, substituindo um processo de atribuição de inspeções totalmente manual. A DNA associou-se ao Center for Effective Global Action (CEGA) da UC Berkeley, à Universidade de Wisconsin-Madison e à Universidade de Harvard, com financiamento do International Growth Centre (IGC), para desenvolver e avaliar um algoritmo de aprendizagem automática destinado a identificar remessas com maior probabilidade de conter mercadorias não declaradas ou subvalorizadas.
Objectives
O objetivo era substituir o julgamento dos inspetores por uma pontuação de risco baseada em dados capaz de aumentar a taxa de deteção de fraude nas inspeções aduaneiras, ao mesmo tempo que reduzia o número de remessas inspecionadas fisicamente.
Activities
O algoritmo de ML foi testado num ensaio controlado e aleatorizado (RCT) integrado diretamente nas operações reais da DNA, utilizando dados administrativos estruturados — valores declarados, códigos pautais, histórico do importador e país de origem — em vez de dados biométricos ou sociais.
Results
O RCT verificou que o algoritmo de ML alcançou uma taxa de deteção de fraude de 73%, contra 18% nas inspeções selecionadas por humanos — uma melhoria de quatro vezes — enquanto os inspetores processaram menos 70% de remessas para alcançar uma cobertura de auditoria equivalente. Extrapolando para todos os portos aduaneiros paraguaios, os investigadores estimaram que o sistema poderia recuperar mais de 200 milhões de USD por ano em direitos aduaneiros não pagos.
Conclusions
Este é um dos sistemas de ML aduaneiros mais rigorosamente avaliados externamente num contexto de país de rendimento médio-baixo, mas não foi publicada nenhuma documentação oficial sobre monitorização contínua do desempenho, auditoria de enviesamento ou supervisão parlamentar, deixando o quadro de responsabilização pouco claro para além do período de avaliação académica.
Implementation
- Indicative cost
- Medium (€50k–€500k) — No public budget figures disclosed; estimated as medium given the multi-university research partnership and the operational integration required to embed the algorithm in live customs inspection workflows.
- Time to results
- Medium (1–3 years) — Built on a 2015 legal mandate; the RCT evaluation and multi-institution partnership represent a multi-year research-to-operations timeline.
- Staffing & skills
- DNA customs inspectors implement risk-based selection informed by the model, Research/technical partnership: UC Berkeley CEGA, University of Wisconsin-Madison, Harvard University, funded by the International Growth Centre (IGC), IDB has separately supported Paraguay's broader customs and tax modernisation via technical cooperation
Conditions for success
- Legal mandate for risk-based selectivity already in place via Decision No. 643/2015 before the ML evaluation
- Reliance on structured administrative data (declared values, tariff codes, importer history, origin) rather than biometric or social data, limiting certain fairness risks
- Embedding the RCT directly in live operations rather than a simulated/offline test
Common failure modes
- No public documentation of ongoing performance monitoring, bias auditing, or parliamentary oversight after the academic evaluation period
- The USD200m+ recovery figure is an extrapolation to full national deployment, not an RCT-measured outcome
Where it fits
- Governance type
- national customs agency
- Scale
- national, extrapolated from a subset of live operations to all ports
- Income level
- upper-middle-income
Data sources
Where this practice's information was retrieved from, and when.
- C-NAPSE web research — accessed 2026-06-26
- Dirección Nacional de Aduanas (DNA) — accessed 2026-06-26
- CEGA Berkeley — Countering Customs Fraud with ML — accessed 2026-06-26
- IGC — How can AI detect non-compliance? — accessed 2026-06-26
- IDB — Paraguay Customs & Tax Modernisation — accessed 2026-06-26
Attachments
Similar practices you may find useful
Ecuador SRI — Sistema Falcon: AI-Powered Tax Risk Scoring
Ecuador
Ecuador's SRI deploys Falcon, cross-referencing 400+ data types to assign each taxpayer a 0–1,000 risk score. In 2023 it identified …
Armenia SRC — ML-Powered Tax Compliance and CIT Gap Estimation
Armenia
Armenia's State Revenue Committee, with World Bank and AUA support, deployed ML to estimate the CIT gap (26–35%) and target …
NAV Online Számla — Hungary's real-time invoice reporting and AI-assisted VAT fraud detection
Hungary
Hungary requires all businesses to report invoices to NAV in real-time XML since 2021; ML risk-scoring targets suspicious companies before …