ประตู OECD เปิดรออยู่ — แต่ไทยจะผ่านได้ไหม ถ้ายังแก้ทุจริตไม่ได้?

พร้อมกันนี้เรายังได้ยื่นหนังสือแสดงเจตจำนงเริ่มกระบวนการเข้าเป็นภาคี อนุสัญญาว่าด้วยการต่อต้านการให้สินบนแก่เจ้าหน้าที่ของรัฐต่างประเทศในการทำธุรกรรมทางธุรกิจระหว่างประเทศ (OECD Anti-Bribery Convention) อย่างเป็นทางการอีกด้วย

ตามแนวทางที่ฝรั่งบอกว่า “Do not reinvent the wheel” จึงจะขอเริ่มที่ข้อมูลความสำเร็จของประเทศบราซิลจากการใช้เทคโนโลยี predictive AI เข้ามาจัดการในโครงการ PROJECT HELENE และเสริมด้วยเอกสาร working paper ของ OECD ที่ได้ให้แนวทางการใช้ Generative AI เพื่อจัดการกับความท้าทายนี้

ทำไม AI จึงเป็นเทคโนโลยีที่น่าจะนำมาใช้จัดการกับปัญหาการทุจริตคอร์รัปชันได้อย่างมีประสิทธิภาพ

ไม่ใช่เพราะ AI ฉลาดกว่าคน แต่เป็นเพราะ AI ทำงานแบบตรงไปตรงมา ไม่มีความสัมพันธ์ที่ต้องเกรงใจใคร ไม่มีเส้นสายให้วิ่งเต้น และไม่มีความโลภต่อผลประโยชน์ใด ๆ ทั้งสิ้น

จากตัวอย่าง PROJECT HELENE อันเกิดจาก Oracle และสำนักงานผู้ตรวจการแผ่นดินแห่งสหพันธ์สาธารณรัฐบราซิล (CONTROLADORIA-GERAL DA UNIÃO, CGU) ได้ร่วมกัน พัฒนาโมเดลประเมินความเสี่ยงด้วยระบบ Machine Learning

เพื่อวิเคราะห์โปรไฟล์ของบริษัทที่เคยถูกลงโทษโดย CGU และนำข้อมูลนั้นมาคาดการณ์แนวโน้มที่บริษัทอื่นๆ อาจจะถูกลงโทษในอนาคต 

โจทย์ดูเหมือนง่าย ๆ ตรงไปตรงมา แต่อุปสรรคที่ต้องฝ่าฟันมีหลายประการ ได้แก่

1.ข้อมูลมีมากพอแต่ยังไม่พร้อมใช้ - ทีมเริ่มต้นด้วยการรวบรวมข้อมูลสาธารณะจากหลายแหล่ง ทั้งข้อมูลสัญญาและการประมูลย้อนหลังกว่า 20 ปี ทะเบียนบริษัท ข้อมูลผู้ถือหุ้น สถานะทางภาษี การรับสวัสดิการของรัฐ และรายชื่อบริษัทที่เคยถูกลงโทษแล้ว รวมกันได้ประมาณ 65 ล้าน records

แต่ข้อมูลดิบไม่สะอาด มีทั้งข้อมูลขาดหาย รูปแบบที่ไม่สม่ำเสมอ และข้อมูลที่ซ้ำซ้อน ฯลฯ ในขั้นตอน "ทำความสะอาดข้อมูล" ทำให้เหลือข้อมูลที่ใช้งานได้จริงเพียง 4 ล้าน records แต่สุดท้ายข้อมูลบริษัทที่เข้าเงื่อนไขครบถ้วนสำหรับการวิเคราะห์มีเพียง 440,720 ราย เท่านั้น

2.ข้อมูลบิดเบี้ยวมาก – ในจำนวนบริษัทสี่แสนกว่ารายนั้น มีเพียง 7.3% เท่านั้นที่เคยถูกลงโทษ ทำให้การสร้างโมเดล AI ที่เรียนรู้จากข้อมูลที่บิดเบี้ยวมาก ๆ จะไม่มีประโยชน์อะไรเลยในทางปฏิบัติ

ทีมงานจึงต้องใช้เทคนิคที่เรียกว่า Synthetic Minority Oversampling Technique (SMOTE) ซึ่งเปรียบได้กับการ "สร้างตัวอย่างจำลอง" ของบริษัทที่มีความเสี่ยงขึ้นมาเพิ่ม เพื่อให้โมเดลได้เรียนรู้รูปแบบจากทั้งสองฝั่งอย่างสมดุล

3.ต้องอธิบายได้ (Explainable AI) – นี่คือความท้าทายที่หลายคนมองข้าม AI หลายตัวทำนายได้แม่น แต่ตอบไม่ได้ว่า "ทำไม" มันถึงตัดสินใจแบบนั้น

ทีมงานเลือกใช้ Decision Tree ซึ่งทำงานเหมือนแผนผังการตัดสินใจ เริ่มจากคำถามง่าย ๆ เช่น "บริษัทนี้มีอายุน้อยกว่า 2 ปีไหม?" --> ถ้าใช่ไปทางซ้าย --> "มีสัญญากับรัฐเกิน 50 สัญญาไหม?" --> และไล่ต่อไปเรื่อย ๆ จนได้คำตอบ

หนึ่งในผลลัพธ์ที่น่าสนใจของโครงการนี้คือ การมองเห็นตัวแปรที่ใช้ทำนายว่าบริษัทไหนเสี่ยงต่อการกระทำทุจริต ทำให้การตรวจสอบเป็นแบบ proactive ซึ่งแน่นอว่าจะดีกว่าเกิดการทำผิดแล้วมาตามตรวจสอบภายหลัง ตัวอย่างตัวแปรบางตัวที่สำคัญในระดับต้นๆ ได้แก่

• จำนวนครั้งที่เข้าร่วมประมูล - บริษัทที่เข้าประมูลบ่อยผิดปกติ อาจมีรูปแบบที่น่าสงสัย
• ทุนจดทะเบียน - ทุนที่ไม่สอดคล้องกับขนาดสัญญาที่ได้รับ
• จำนวนประเภทธุรกิจรอง - บริษัทที่จดทะเบียนทำได้ "ทุกอย่าง" อาจเป็นสัญญาณเสี่ยง
• อายุบริษัท - บริษัทที่อายุน้อยแต่ได้สัญญาใหญ่
• จำนวนผู้ถือหุ้น – โครงสร้างที่ซับซ้อนผิดปกติ

ส่วนเอกสารที่ 2 ในการนำ Generative AI มาใช้ก็จะอยู่ในแนวทางประมาณนี้

1.เพิ่มประสิทธิภาพการดำเนินงาน (Operational Efficiency) หน่วยงานตรวจสอบและต่อต้านการทุจริตต้องรับมือกับเอกสารและข้อมูลปริมาณมหาศาล LLM ช่วยลดภาระงานที่ซ้ำซ้อนและใช้เวลา

ทำให้เจ้าหน้าที่มีเวลาโฟกัสกับงานที่ต้องใช้วิจารณญาณของมนุษย์มากขึ้น เช่นการสรุปเอกสาร การหาคำตอบภายใน (RAG) การจัดการและประมวลผลข้อมูลแบบไม่มีโครงสร้างอย่าง ภาพ เสียง หรือข้อมูลเก่า ๆ เป็นต้น

2.สนับสนุนกระบวนการตรวจสอบและสอบสวน จากการสำรวจ OECD พบว่าหน่วยงานให้ความสำคัญสูงสุดกับการใช้ LLM ใน 2 กิจกรรมหลัก คือ การรวบรวมหลักฐานและการทบทวนเอกสาร ช่วยให้ผู้ตรวจสอบค้นหา เปรียบเทียบ และวิเคราะห์เอกสารหลายพันชิ้นได้พร้อมกัน รวมถึง การคัดเลือกการตรวจสอบและการสอบสวน เป็นต้น

3.ความท้าทายและความเสี่ยง

• เจ้าหน้าที่ยังขาดทักษะและความเชี่ยวชาญด้าน AI รวมถึงข้อจำกัดด้านงบประมาณและโครงสร้างพื้นฐาน IT
• ความเสี่ยงจาก "Hallucination" — LLM อาจสร้างข้อมูลที่ผิดพลาดแต่ดูน่าเชื่อถือ ซึ่งอาจกระทบกระบวนการสอบสวน
• ความกังวลเรื่อง Bias ความเป็นส่วนตัวของข้อมูล และการปฏิบัติตามกฎหมาย PDPA
• ความเสี่ยงใหม่อันเกิดจาก GenAI เช่น Deepfake, การปลอมแปลงเอกสาร, การโจมตีทางไซเบอร์ขั้นสูง และการใช้ AI เพื่อปกปิดการทุจริต

สำหรับการนำ AI มาใช้กับความท้าทายนี้ของประเทศไทย ไม่น่าจะใช่แค่ด้านเทคโนโลยีเท่านั้น โดยบ้านเราจะ “แก้ปัญหาทุกเรื่อง”โดยใช้ AI เป็นเครื่องมือ

ถ้าติดตามข่าวสารทั่วไปเราก็จะได้ยินประโยคยอดฮิตนี้เลยว่า หน่วยงานนั้น หน่วยงานนี้จะใช้ AI แก้ปัญหา แต่อุปสรรคแท้จริงคือ ข้อมูลภาครัฐที่ยังกระจัดกระจายและเป็นแบบ silo คุณภาพของข้อมูลก็ไม่สมบูรณ์และไม่สมดุลแบบเดียวกับที่เจอกับประเทศบราซิล

จนมาถึงคำถามสำคัญว่า ใครจะทำหน้าที่ตรวจสอบ AI โดยเฉพาะหาก AI ผิดพลาดใครจะเป็นคนรับผิดชอบ จบที่ประการสำคัญที่สุดคือ เจตจำนงทางการเมืองเพราะต้องมีการปฏิรูปโครงสร้างกฎหมายอีกหลายฉบับตามมา

Reference:

1) PROJECT HELENE An Oracle -CGU -OECD collaboration under the Tech Connect for Integrity program. (n.d.). Retrieved June 7, 2026, from https://www.oecd.org/content/dam/oecd/en/networks/galvanizing-the-private-sector/tech-connect-for-integrity/OECD-Tech-Connect-for-Integrity-Oracle-CGU_EN.pdf

2) Ugale, G. and C. Hall (2024), “Generative AI for anti-corruption and integrity in government: Taking stock of promise, perils and practice”, OECD Artificial Intelligence Papers, No. 12, OECD Publishing, Paris, https://doi.org/10.1787/657a185a-en.