Recomandat

Statul, Compania și Organizația Criminală: Granițe Tot Mai Neclare

Petru Cojocaru Google 10 August 2026 Accesări: 236 42 Minute de citire

Corupția sistemică a periferiei — prezentă în realitate și în datele de antrenament ale AI-ului care ne guvernează

Articolul 7 din 7 a seriei „Gemini și Adevărul Amânat"

Acest articol a fost documentat cu asistența instrumentelor și verificat editorial de Petru Cojocaru. Responsabilitatea conținutului revine în întregime autorului.

Un Birou din Pipera, Toamna Lui 2024

Toamna lui 2024. O clădire de birouri din Pipera, București — zona de nord a capitalei cu densitate mare de companii de consultanță, firme de avocatură internaționale, sedii ale multinaționalelor. Etajul patru, un birou deschis, trei rânduri de calculatoare. Un tânăr analist de date, douăzeci și șase de ani, are pe ecran un tabel Excel pe jumătate completat și pe celălalt monitor interfața Gemini.

Lucrează la un proiect de due diligence pentru firma de consultanță care l-a angajat în urmă cu opt luni. Clientul e un fond de investiții interesat de o oportunitate în infrastructura județeană din sudul României — un contract de construcție și întreținere a unor drumuri județene, valoare estimată la câteva zeci de milioane de euro pe cinci ani. Sarcina analistului: cartografierea firmelor candidate, identificarea riscurilor, producerea unui raport de risc pentru comitetul de investiții al fondului.

Tastează în Gemini: „Oferă un rezumat al firmei [Firma X], înregistrată în România, CUI [număr], inclusiv structura acționariatului, istoricul contractelor publice și eventuale implicații în dosare juridice."

Gemini returnează în șase secunde. Trei paragrafe structurate, ton corporativ, termeni de specialitate folosiți corect. Firma X: fondată în 2008, capital social de 500.000 de lei, administrator [Nume Administrator], activitate principală în construcții civile și industriale. Contracte publice — câteva menționate, în diverse județe. Niciun dosar juridic menționat. Nicio conexiune politică semnalată. Profilul arată ca al oricărei firme mici-medii de construcții care funcționează legal în România.

Analistul completează tabelul. Riscul asociat Firmei X: scăzut-mediu. Continuă cu celelalte opt firme de pe lista de evaluare.

Ceea ce nu apare în output-ul Gemini:

Firma X figurează în trei dosare instrumentate de DNA între 2019 și 2023. Două dosare au ajuns la instanță; unul e în faza de judecată în fond la data analizei. Administratorul firmei e cumnatul primarului unui oraș din județul respectiv — relație care a generat patru contracte directe cu primăria între 2017 și 2022, toate cu clauze de modificare a prețului care au dublat valoarea inițială. Doi dintre asociații minoritari ai firmei dețin funcții în comisia de evaluare a licitațiilor din cadrul consiliului județean care administrează contractul de drumuri în discuție.

Nimic din acestea nu apare în output-ul Gemini. Nu pentru că Gemini minte deliberat. Ci pentru că aceste informații se află în:

— Sistemul ECRIS al Parchetului, cu acces restricționat. — Dosarele publice de pe portal.just.ro, accesibile în teorie, dar neindexate sistematic de crawlerele de antrenament AI. — Articole în presa locală din județul respectiv — publicații cu câteva sute de cititori unici zilnici, cu autoritate de domeniu digitală neglijabilă, cu format HTML care nu e procesat prioritar de Common Crawl. — Declarațiile de avere și interese de pe site-ul ANI — documente PDF, uneori scanate, cu text neextras sistematic de motoarele de indexare. — Registrul beneficiarilor reali de pe ONRC — actualizat cu întârzieri, accesibil prin interfață web dar nu prin API deschis.

Analistul din Pipera nu e incompetent. E un analist bun care a folosit cel mai bun instrument disponibil lui în acel moment. Instrumentul l-a trădat nu pentru că e rău proiectat în general, ci pentru că e proiectat pe un corpus care nu conține ceea ce analistul avea nevoie.

Antony Beevor, în reconstituirea Războiului Civil Spaniol, a adresat una dintre problemele fundamentale ale istoriei conflictului: asimetria arhivistică. Arhivele regimului Franco existau, erau păstrate, parțial accesibile. Arhivele republicane fuseseră distruse în retragerea din 1939, confiscate de forțele naționaliste, împrăștiate în exil la Paris, México, Moscova. Istoricii care lucrau exclusiv din arhivele disponibile produceau, inevitabil, o narațiune distorsionată — nu prin rea voință, ci prin structura materialului existent.

Beevor a petrecut ani localizând arhivele dispersate, coroborând surse din trei continente, triangulând documente cu memorii și cu materiale orale. A putut reconstitui o imagine mai completă tocmai pentru că a recunoscut explicit asimetria documentară și a lucrat împotriva ei, nu cu ea.

AI-ul antrenat pe web nu recunoaște asimetria documentară. Nu știe că nu știe. Produce o sinteză din ceea ce există în corpus — și ceea ce există în corpus e, sistematic, ceea ce puterea centrală, capitalul mare și media occidentală au scris, în engleză, în formate indexabile, cu vizibilitate digitală suficientă pentru a fi preluat de crawlere. Periferia — cu corupția ei specifică, cu captura ei instituțională, cu granițele ei neclare dintre stat, companie și organizație criminală — e subreprezentată. Și modelul o redă implicit mai curată decât este.

Periferia în Corpus — Anatomia unei Absențe

Înainte de a analiza corupția specifică, trebuie înțeles mecanismul prin care periferia dispare din datele de antrenament ale modelelor de limbaj mari. Nu e un mecanism simplu — e o acumulare de asimetrii care se amplifică reciproc.

Asimetria lingvistică

Peste 55% din conținutul indexat al web-ului e în engleză, conform estimărilor bazate pe Common Crawl — corpusul de text web folosit ca sursă primară pentru antrenarea majorității modelelor mari de limbaj. Română, cehă, poloneză, maghiară, bulgară — limbile Europei Centrale și de Est — reprezintă colectiv câteva procente din corpus.

Aceasta nu e o problemă de discriminare intenționată — e o consecință a distribuției activității online la nivel global. Dar consecința practică e că un model antrenat pe Common Crawl știe incomparabil mai multe despre corupția din Illinois decât despre corupția din Ilfov, nu pentru că corupția din Illinois e mai semnificativă sau mai documentată în absolut, ci pentru că e mai documentată în engleză, pe platforme cu autoritate de domeniu ridicată, indexate prioritar.

Asimetria digitizării

Documentele publice românești care ar putea furniza informații despre corupție și despre rețelele de influență există, teoretic, în format digital. Practic, digitizarea lor e incompletă și accesibilitatea lor prin API sau prin indexare web e limitată.

Portalul instanțelor (portal.just.ro) conține dosare, dar interfața sa e concepută pentru navigare umană, nu pentru indexare automată. PDF-urile de pe ANI (declarații de avere și interese ale funcționarilor publici) sunt scanate, cu OCR de calitate variabilă, nestructurate pentru procesare automată. SEAP (sistemul de achiziții publice) conține date valoroase despre contractele publice, dar în formate care necesită procesare specializată.

Presa locală — sursă esențială pentru informații despre corupția concretă la nivel județean și municipal — e fragmentată în sute de publicații mici cu prezență web modestă, autoritate de domeniu scăzută și format HTML neoptimizat pentru indexare. Un articol de investigație din Monitorul de Suceava sau din Ziarul de Iași care documentează un contract suspect e, din perspectiva crawlerelor de antrenament AI, aproape invizibil față de un articol similar din The Guardian sau ProPublica.

Asimetria formatelor

Chiar când documentele relevante există în format digital, formatul lor nu e procesabil eficient de modelele de limbaj standard. Un PDF scanat al unei declarații de avere necesită OCR, curățare, structurare — pași care nu se aplică sistematic în preprocesarea corpus-urilor mari. Un tabel Excel cu date din SEAP necesită parsing specializat. Un dosar judicial cu sute de pagini de acte procedurale necesită înțelegerea structurii juridice specifice jurisdicției.

Consecința cumulată a celor trei asimetrii: chiar dacă ai acces la internet și cauți informații despre corupția din România cu Gemini, modelul va produce o sinteză care reflectă ceea ce e bine indexat în engleză, bine digitizat și ușor de procesat — nu ceea ce e real și relevant.

Studii empirice despre reprezentarea periferiei

Cercetătorii de la ACM FAccT (Conference on Fairness, Accountability, and Transparency) au publicat în 2026 o analiză sistematică a modului în care modelele de limbaj mari reprezintă naționalitățile din Global Majority — state care nu fac parte din centrul economic și cultural occidental. Concluzia principală: identitățile periferice apar de peste 50 de ori mai frecvent în roluri subordonate sau stereotipice decât în roluri de agent activ, față de identitățile centrale (americane, vest-europene).

România e o zonă de frontieră în această taxonomie — nici centru, nici periferie tipică. Dar studii comparative arată că LLM-urile produc narațiuni mai nuanțate despre corupție în contexte americane sau vest-europene (unde datele sunt mai bogate și mai diverse) și narațiuni mai schematice, mai puțin detaliate sau mai favorabile în contexte est-europene.

State Capture — Granițele Care Dispar

Termenul „state capture" — captarea statului — a intrat în vocabularul academic și în politica publică prin lucrarea lui Hellman, Jones și Kaufmann din 2003, bazată pe date din tranziția post-sovietică. Definiția operațională: procesul prin care actori privați — firme, grupuri de interese, uneori entități criminale — modelează în mod sistematic regulile jocului în avantajul lor, corupând instituțiile statului până la punctul în care acestea servesc interesele capturatorilor, nu interesul public.

Conceptul a evoluat considerabil în două decenii. Nuanța adăugată de cercetările mai recente e că state capture nu e un fenomen cu direcție unică — stat capturat de firme private — ci un fenomen bidirectional și uneori circular: statul capturat de firme, firmele care devin dependente de stat pentru supraviețuire, și ambele suprapuse cu rețele de interese care includ actori criminali. Granița dintre cele trei categorii — stat, companie, organizație criminală — nu dispare brusc sau dramatic. Se erodează lent, prin mii de decizii mici care sunt individual defensabile și sistemic corupătoare.

EU-SOCTA 2025 — Tabloul European

Europol publică la fiecare câțiva ani SOCTA — Evaluarea Amenințărilor Criminalității Organizate Grave — cel mai comprehensiv document european privind starea criminalității organizate. Ediția din 2025 conține câteva observații structurale relevante direct pentru tema acestui articol.

Prima: criminalitatea organizată nu mai operează în silos separate față de economie legală și față de instituțiile statului. Convergența este caracteristica definitorie a amenințării actuale. Grupuri criminale infiltrează sectoare economice legale — construcții, transporturi, servicii imobiliare, alimentar — creând structuri hibride în care capitalul criminal se amestecă cu capitalul legal până la indistincție practică.

A doua: în afara granițelor UE, convergența cu actori statali e mai explicită și mai documentată — Rusia, Belarus, Iran, Coreea de Nord folosesc grupuri criminale ca instrumente de politică externă, plată indirectă pentru servicii de informații, delegare de operațiuni cu negabilitate plauzibilă. Dar raportul notează că tipare similare, mai discrete, apar și în interiorul UE — actori cu conexiuni la state terțe care operează în spații de frontieră juridică și instituțională.

A treia: digitalizarea și AI-ul accelerează criminalitatea organizată — nu prin crearea de crime noi, ci prin automatizarea și scalarea celor existente. Un grup criminal cu 20 de membri poate acum produce, cu instrumente AI accesibile, volume de fraudă care în 2020 necesitau organizații cu sute de oameni.

OCCRP și Predictive Kompromat

Organized Crime and Corruption Reporting Project (OCCRP) este rețeaua de investigație jurnalistică care a produs Pandora Papers, Panama Papers și zeci de investigații majore despre criminalitate financiară și corupție globală. Briefingul lor din martie 2026 introduce un concept care merită atenție specială: predictive kompromat.

Termenul combină conceptul sovietic de kompromat (material compromițător folosit pentru șantaj sau manipulare) cu capacitățile predictive ale AI-ului modern. Mecanismul: grupuri criminale folosesc modele AI pentru a cross-referenția date publice — declarații de avere, registre de proprietate, date din registrul comerțului, prezențe pe social media, date din breach-uri de securitate — și a identifica persoane vulnerabile la șantaj: funcționari publici cu discrepanțe între declarațiile de avere și stilul de viață aparent, oameni de afaceri cu relații de afaceri ambigue, politicieni cu secrete personale exploatabile.

Rezultatul: rețele criminale transfrontaliere construite pe material de șantaj, fără necesitatea contactului fizic sau a recrutării active. Bancheri, politicieni, executivi maritimi contactați digital, cu material compromițător specific și credibil. Cooperarea e forțată, nu voluntară. Rețeaua crește prin coerciție automatizată.

Paul Radu, co-fondator OCCRP, citat în briefingul din 2026: „Acestea sunt vremuri de aur pentru criminali. 2026 e anul în care crima organizată guler-alb va prelua toate celelalte forme ale criminalității organizate." Formularea e retorică — e un titular, nu o predicție calibrată — dar indică o tendință reală de converge a criminalității financiare sofisticate cu instrumentele AI.

România în Profilul Criminologic

Organized Crime Index, publicat de GI-TOC (Global Initiative against Transnational Organized Crime), produce anual profiluri criminologice pe țări. Profilul României din 2025 notează câteva caracteristici relevante:

Corupția în sectorul sănătate: Fonduri destinate infrastructurii medicale detorurate prin firme cu conexiuni politice. Pattern bine documentat în investigații jurnalistice și în dosare DNA, dar greu de cuantificat sistematic.

Achizițiile publice: România e identificată ca unul dintre statele UE cu cel mai ridicat risc de corupție în achizițiile publice — confirmat de indicii europeni (Integrity Watch EU) și de rata ridicată a dosarelor DNA cu obiect achizițiile publice.

Transit hub: România e identificată ca rută de tranzit pentru traficul de arme (din Turcia și Europa de Est spre vestul continentului) și pentru traficul de droguri. Aceasta nu e o particularitate românească — e o consecință geografică — dar creează context pentru organizații criminale cu prezență transfrontalieră care operează și în economia legală.

Ceea ce profilul Organized Crime Index nu poate cuantifica — prin natura sa de analiză bazată pe date disponibile public — e exact granița neclară dintre firma cu relații politice și organizația criminală. Acolo unde firma câștigă contracte publice prin relații, fără să ofere mită directă detectabilă, și unde oficialii favorabili câștigă indirect prin mecanisme de reciprocitate difuze (locuri de muncă pentru rude, contracte pentru firme apropiate, viitoare angajare în firme private) — acolo analiza criminologică operează în penumbră.

AI ca Infrastructură a Corupției — și ca Oglindă a Ei

Există o ironie structurală în relația dintre AI și corupție: AI-ul e simultan un instrument care poate facilita corupția la scară și un instrument care ar putea combate corupția sistematic. Ambele funcții sunt reale. Ambele au limite severe.

AI ca Instrument al Criminalității

Europol (EU-SOCTA 2025) și Trend Micro (2026) documentează utilizarea curentă a AI de rețelele criminale în mai multe categorii:

Frauda de identitate și deepfakes: AI generativ permite producerea de imagini, video și audio sintetice la nivel de calitate care face imposibilă detectarea prin simțuri. Aplicații: fraudă bancară prin video call cu impersonarea unui oficial sau a unui familiar, producerea de documente false (pașapoarte, contracte, extrase de cont), crearea de identități sintetice complet funcționale pentru deschiderea de conturi.

Voice cloning pentru fraudă: Clonarea vocii unui director de companie sau a unui funcționar bancar cu câteva secunde de audio public (din interviuri, discursuri, podcasturi) permite generarea de instrucțiuni vocale false. Cazuri documentate de transferuri bancare autorizate prin instrucțiuni vocale AI clonate.

Phishing hiper-personalizat: AI-ul analizează profilul digital al țintei — postări pe LinkedIn, declarații publice, articole semnate, prezența pe social media — și generează mesaje de phishing personalizate, credibile, în stilul comunicativ al persoanei de la care par să vină. Rata de succes față de phishingul clasic generic e dramatic mai mare.

Optimizarea operațională criminală: Modele AI pentru optimizarea rutelor de trafic de droguri, pentru identificarea momentelor optime de traversare a frontierei, pentru analiza riscului de interceptare. Nu diferit de utilizarea AI pentru optimizarea lanțului de aprovizionare legal — aceleași instrumente, altă marfă.

Crime as a Service: Democratizarea accesului la instrumente AI a colapsat bariera de intrare pentru criminalitate sofisticată. Un grup criminal mic poate închiria sau cumpăra de pe piețe dark web: generatoare de deepfake, instrumente de voice cloning, sisteme de phishing personalizat, algoritmi de optimizare a spălării banilor prin criptomonede. Instrumentele care în 2020 necesitau resurse de nivel statal sunt acum accesibile pentru câteva mii de dolari.

Implicația directă pentru tema articolului: dacă un grup criminal poate construi un profil de due diligence fals despre o firmă cu ajutorul AI — generând documente, referințe, istorice de contracte sintetice — și dacă cumpărătorul sau investitorul verifică profilul firmei folosind tot AI, care returnează o sinteză bazată pe aceleași tipare de date disponibile, eroarea devine practic imposibil de detectat fără verificare la surse primare.

AI ca Instrument Anticorupție — Limitele Promisiunii

Transparency International și Centrul U4 pentru Resurse Anticorupție au publicat în 2025 o analiză exhaustivă a utilizării AI pentru combaterea corupției. Concluzia generală: promisiunea e reală, limitele sunt fundamentale.

Cazuri de succes documentate: Alice (Brazilia) — bot care analizează datele din sistemul de achiziții publice și identifică anomalii statistice sugestive pentru potențiale nereguli; Axcelerate (Serious Fraud Office, UK) — instrument care a analizat 30 de milioane de documente în dosarul Rolls-Royce la 80% din costul alternativei umane; sisteme de analiză a tranzacțiilor suspecte în sectorul bancar european, bazate pe modele AI antrenate pe tipare de spălare de bani.

Selective labelling problem — problema centrală: modelele AI pentru detectarea corupției sunt antrenate pe cazuri de corupție detectate, documentate și etichetate. Aceasta înseamnă că modelul învață tiparele corupției care a fost prinsă — nu tiparele corupției reale. Dacă un sistem corupt a funcționat sistematic timp de un deceniu fără a produce dosare penale (fie pentru că aparatul de urmărire penală e el însuși capturat, fie pentru că mecanismele de corupție au fost suficient de sofisticate pentru a evita detectarea), modelul AI nu știe că există. Sistemul AI anticorupție reproduce orbii sistemului judiciar din care provin datele sale.

O consecință perversă: sistemele AI anticorupție pot detecta mai eficient corupția la nivel mic și mijlociu (mai mulți operatori, mai multă varianță, mai multe cazuri detectate) și mai slab corupția la nivel înalt (mai puțini operatori, mecanisme mai sofisticate, mai puțin material de antrenament). Aceasta reproduce asimetria în care corupția sistemică la nivel de capturare a statului — cea mai dăunătoare categorie — rămâne cel mai puțin vizibilă pentru AI.

Data poisoning — un risc adițional: actori cu acces la datele din sistemele publice pot, deliberat, introduce zgomot sau informații false pentru a degrada performanța sistemelor AI anticorupție. Dacă știi că un sistem analizează SEAP pentru anomalii, poți structura datele de intrare pentru a evita tiparele de anomalie pe care sistemul le caută.

Cine Scrie Istoria pe Web — Datele de Antrenament ca Ecou al Puterii

Marshall McLuhan a observat că media nu e un canal neutru — e un mediu care modelează mesajul. AI-ul ca sinteză a web-ului e o ilustrare extremă a acestui principiu: nu produce o medie a realității globale, ci o medie a realității digitizate, indexate și disponibile online — care e sistematic diferită de realitatea globală.

Cine e suprareprezentat în corpus

Corporațiile mari publică volume imense de conținut web structurat — rapoarte anuale, comunicate de presă, documentații tehnice, materiale de marketing. Media occidentală anglofonă — NYT, Guardian, BBC, Reuters, AP — produce cantități uriașe de conținut de calitate înaltă, bine indexat, frecvent citat. Surse academice anglofone — articole peer-reviewed, preprint-uri, teze de doctorat — sunt disponibile prin platforme dedicate (arXiv, JSTOR, Semantic Scholar) care sunt indexate sistematic.

Cine e subreprezent în corpus

Presa locală din Europa de Est, Africa, America Latină, Asia de Sud-Est — fragmented în mii de publicații mici cu vizibilitate digitală scăzută. Documentele judiciare în limbi non-engleze, în formate non-standardizate. Rapoartele instituționale ale organismelor publice locale — primării, consilii județene, agenții de reglementare regionale. Tradițiile orale, cunoașterea comunitară, memoria instituțională neformalizată digital. Conținutul din spatele paywallurilor sau cu acces restricționat.

Consecința pentru narațiunea despre România

Un model de limbaj întrebat despre o firmă de construcții din Iași va produce o sinteză din ce e disponibil în corpus despre acea firmă. Dacă firma e menționată în câteva articole de presă locală (cu autoritate de domeniu mică, cu vizibilitate în Common Crawl minimă), în niște documente SEAP neextrase sistematic și în niște dosare portal.just.ro neindexate — sinteza va fi, inevitabil, incompletă și potențial favorabilă.

Dacă aceeași firmă a obținut contracte prin relații politice, dacă administratorul ei e naș de cununie cu un primar regional, dacă a subcontractat lucrări la firme de familie la prețuri supraevaluate — nimic din acestea nu e în corpus. Modelul produce profilul firmei mai curate decât este. Nu din intenție. Din absență.

Problema devine mai acută în contextul în care analiști și jurnaliști folosesc AI pentru a accelera due diligence, investigații și evaluări de risc — exact domeniile în care informația corectă despre rețelele de influență și despre corupția sistemică e critică. AI-ul e cel mai tentant ca scurtătură tocmai acolo unde e cel mai deficitar.

Efectul de amplificare: ce e vizibil devine mai vizibil

Un studiu publicat în 2025 (citat în Fairness Feedback Loops, UCL) a documentat că modelele AI antrenate pe date biasate produc output biased, care — când e publicat pe web și indexat — devine el însuși date de antrenament pentru viitoarele modele. Biasul se amplifică la fiecare iterație.

Aplicat la tema corupției periferice: dacă modelele actuale produc profiluri „curate" ale firmelor corupte din România, și dacă aceste profiluri ajung publicate în rapoarte de due diligence, în articole de business, în sinteze sectoriale — ele vor fi indexate și vor deveni parte din datele de antrenament ale modelelor viitoare. Cercul epistemic descris în Articolul 3 al acestei serii, aplicat la cel mai critic domeniu posibil.

Context European — AI Act, Transparența Corpus-ului și Puterea de a Fi Văzut

AI Act (Regulamentul 2024/1689) include cerințe de transparență pentru modelele GPAI cu impact sistemic privind datele de antrenament. Articolul 53 impune furnizorilor de modele fundaționale mari să elaboreze și să facă public un rezumat suficient de detaliat al conținutului folosit pentru antrenament.

Ce poate face cerința de transparență a corpus-ului

Transparența datelor de antrenament permite cercetătorilor, jurnaliștilor și autorităților de reglementare să identifice asimetriile de reprezentare. Dacă Google publică o descriere a corpus-ului Gemini care arată că textul în română reprezintă X% și că documentele judiciare în română nu sunt inclus sistematic, aceasta devine o informație publică pe baza căreia utilizatorii pot calibra încrederea în output-urile modelului pe subiecte românești.

Ce nu poate face cerința de transparență a corpus-ului

Rezumatul corpus-ului nu e același lucru cu corpus-ul. Compania poate descrie în termeni generali sursele de date fără a dezvălui ce anume, în detaliu, a inclus sau exclus. „Texte de pe internet în mai mult de 100 de limbi" e o descriere care nu permite identificarea asimetriei de reprezentare a presei locale românești față de media americană.

Iar transparența nu rezolvă problema asimetriei de reprezentare — o face vizibilă. Soluția efectivă necesită fie culegerea activă de date din jurisdicții subreprezentate (costisitoare și complexă), fie parteneriate cu instituții care produc date structurate relevante, fie acceptarea că modelele au limite geografice și lingvistice și comunicarea explicită a acestor limite utilizatorilor.

Eurojust, Europol și producerea de date structurate

Eurojust și Europol produc date structurate despre criminalitatea organizată și despre dosarele de cooperare judiciară transfrontalieră — date care sunt, în principiu, mai reprezentative și mai fiabile decât textul web general. Rapoartele lor anuale, evaluările de amenințări, cazuisticile anonimizate — toate sunt documente publice cu calitate editorială ridicată.

Un parteneriat formal între producătorii de modele AI și instituțiile europene de justiție și securitate — prin care date structurate privind criminalitatea organizată, corupția documentată și rețelele de influență să fie incluse deliberat în corpus-urile de antrenament — ar reduce parțial biasul identificat. Nu există un astfel de parteneriat formalizeizat în 2026; există discuții preliminare la nivel european.

Registrul UBO și Beneficiarii Reali

Directiva UE 2018/843 privind prevenirea spălării banilor a impus statelor membre crearea registrelor de beneficiari reali (UBO — Ultimate Beneficial Owner) — registre care identifică persoanele fizice care dețin sau controlează efectiv o entitate juridică. Registrul ONRC din România conține aceste date, dar cu actualizare inconsistentă și cu mecanisme de verificare insuficiente.

La nivel european, interoperabilitatea registrelor naționale UBO a fost consolidată, dar accesul public e limitat și utilizarea pentru due diligence automat e complicată de restricțiile de protecție a datelor (GDPR) și de calitatea inconsistentă a datelor.

O reformă care ar face registrele UBO mai accesibile, mai actualizate și disponibile printr-un API deschis ar reduce semnificativ asimetria de informație care permite profilurilor AI să omită rețelele de proprietate și de influență relevante pentru due diligence.

Digital Services Act și Vizibilitatea Periferiei

Digital Services Act impune platformelor mari cerințe de transparență privind algoritmii de recomandare și de căutare. Dacă algoritmii de indexare a motorului de căutare Google dezavantajează sistematic presa locală din Europa de Est față de media anglofonă — producând asimetria de vizibilitate digitală discutată — ar putea fi argumentat că aceasta ridică probleme de conformitate cu DSA.

Argumentul e speculativ și nevalidat juridic; nu există, la august 2026, o investigație DSA pe această temă specifică. Dar principiul că asimetria de vizibilitate digitală are consecințe reale pentru calitatea corpus-ului AI și, prin aceasta, pentru calitatea output-ului AI, e un argument care merită urmărit în dezbaterile de politică publică.

Multipolaritate — Cum Văd Modelele Globale Corupția Periferică

Modelele americane — perspectiva imperiului

Modelele americane mari — Gemini, GPT-4, Claude — sunt antrenate pe corpus-uri dominate de conținut american și occidental. Perspectiva lor implicită față de corupție e cea a unui observator extern față de „corupție" ca fenomen al altora — al țărilor în curs de dezvoltare, al statelor post-comuniste, al regimurilor non-democratice.

Corupția sistemică din SUA — capturarea regulatorilor de industrie (revolving door), finanțarea campaniilor electorale de corporații, sistemul de lobby care influențează legislația în favoarea intereselor private — e bine documentată în corpus, dar e documentată în cadrul conceptual al „influenței politice legale" sau „democrației reprezentative imperfecte", nu al „corupției". Această asimetrie conceptuală — corupție e ce fac alții, influență e ce facem noi — e reprodusă de modele.

Consecința pentru un utilizator român care folosește Gemini pentru a înțelege corupția instituțională: modelul va tinde să descrie fenomenul în termeni mai severi când e aplicat la contextul românesc (corupție, captură, criminalitate) și mai nuanțați când e aplicat la contextul american (influență, interes, lobby). Nu e o distorsiune deliberată — e o consecință a distribuției conceptuale în corpus.

Modelele chineze — transparența selectivă

Modelele chineze (DeepSeek, Baidu ERNIE, Alibaba Qwen) funcționează sub constrângeri politice explicite: nu pot critica Partidul Comunist Chinez, nu pot descrie negativ acțiunile statului chinez, nu pot prezenta informații despre anumite subiecte sensibile (Tiananmen, Tibet, Taiwan, Xinjiang).

Paradoxal, această constrângere produce o formă de transparență inversă: utilizatorul știe că modelul e filtrat politic și poate calibra încrederea în output-urile lui față de subiecte politice. Biasul e explicit, nu implicit.

Față de corupția din România sau din Europa de Est: modelele chineze au mai puțin corpus relevant și mai puțin RLHF față de contextele est-europene. Vor produce output-uri mai vagi și mai puțin nuanțate decât modelele americane — dar probabil nu mai biasate față de periferia est-europeană, pentru că nu au un unghi narativ preexistent față de ea.

DeepSeek și experimentul transparenței tehnice

DeepSeek R1, modelul open-source chinez care a produs o undă de șoc în industrie la începutul lui 2025, oferă un caz interesant pentru tema acestui articol. Ca model open-source, greutățile sale sunt publice — cercetătorii pot analiza ce tipuri de prompt-uri produc ce tipuri de output-uri. Dar datele de antrenament nu sunt publice, și politicile de aliniere nu sunt complet documentate.

Câteva echipe de cercetare independente care au testat DeepSeek față de subiecte de corupție est-europeană au găsit pattern-uri similare cu modelele americane: output-uri mai curate decât realitatea, în special față de subiecte din jurisdicții cu vizibilitate digitală scăzută. Transparența tehnică a arhitecturii nu implică transparența față de limitele de reprezentare a corpus-ului.

România ca Teren de Test — Alegerile din 2024

Evenimentele electorale din România din noiembrie-decembrie 2024 oferă un test empiric neplanificat al modului în care modelele AI gestionează informații despre periferia est-europeană.

Anularea primului tur al alegerilor prezidențiale — un eveniment fără precedent în istoria post-comunistă a României — a fost decisă de Curtea Constituțională pe baza dovezilor de interferență rusă documentate de SRI: peste 85.000 de atacuri cibernetice împotriva infrastructurii electorale, rețele de bot care au amplificat masiv mesajele candidatului Călin Georgescu pe TikTok și Telegram, conținut generat AI folosit în campania de dezinformare.

Evenimentul a primit acoperire semnificativă în presa occidentală anglofonă (The Economist, BBC, Reuters, New York Times au publicat articole extinse). Prin urmare, e relativ bine reprezentat în corpus-urile modelelor antrenate cu date din 2025 încoace.

Dar nuanțele — contextul istoric al relației România-Rusia, mecanismele specifice ale influenței hibride în spațiul informațional românesc, istoria politică a actorilor implicați — sunt mai puțin disponibile în engleză și, deci, mai puțin bine reprezentate în output-urile modelelor. Un utilizator care cere Gemini o analiză profundă a mecanismelor interferenței ruse în alegerile române va primi o sinteză corectă la nivel de titluri și superficialitate la nivel de context și nuanță.

Aceasta nu e o critică fatală — e o limită structurală cu care utilizatorii trebuie să opereze conștient.

Întrebări Elocvente — Cu Răspuns Complet

1. De ce un LLM produce un profil „curat" al unei firme corupte din România?

Răspunsul are trei straturi:

Stratul lingvistic: Corpus-ul AI e dominat de conținut englez. Informațiile relevante despre o firmă din România — dosare DNA, articole de investigație în presa locală, rapoarte ANI — sunt în română, în surse cu vizibilitate digitală scăzută.

Stratul de format: Documentele juridice românești (portal.just.ro), declarațiile de avere (ANI), datele din SEAP sunt disponibile digital, dar în formate nefavorabile indexării automate — PDF-uri scanate, interfețe web concepute pentru navigare umană, date semi-structurate care necesită procesare specializată.

Stratul de vizibilitate: Un articol de investigație din presa locală de câteva sute de cititori zilnici e, din perspectiva crawlerelor de antrenament, aproape invizibil față de un comunicat de presă al aceleiași firme, publicat pe site-ul propriu și distribuit prin canalele PR standard.

Rezultatul: modelul produce profilul care reflectă ce e disponibil, nu ce e real. Nu minte — nu știe.

2. Ce este „selective labelling problem" și cum distorsionează AI-ul anticorupție?

Modelele AI pentru detectarea corupției sunt antrenate pe cazuri etichetate — dosare penale, sentințe, rapoarte de audit care au identificat nereguli. Etichetele provin din sistemul judiciar și din instituțiile de control.

Problema: etichetele reflectă corupția pe care sistemul a detectat-o și urmărit-o — nu corupția care există. Dacă un sistem judiciar e el însuși capturat sau subdotat, cazurile de corupție la nivel înalt sunt mai puțin frecvent etichetate. Dacă mecanismele de corupție sunt sofisticate (subcontractare, prețuri de transfer, manipulare de licitații cu forme legale), ele produc mai puțin material procesual identificabil ca fraudă.

Modelul AI antrenat pe aceste etichete va detecta mai eficient corupția mică și mai puțin eficient corupția sistemică. Reproduce și amplifică orbii instituționale ale sistemului din care provin datele sale.

3. Ce este „predictive kompromat" și de ce contează pentru România?

OCCRP descrie predictive kompromat ca utilizarea AI pentru a cross-referenția automat date publice disponibile (declarații de avere, registre de proprietate, prezențe online, date comerciale) cu date din breach-uri de securitate sau alte surse, pentru a construi profiluri de vulnerabilitate la șantaj ale unor persoane cu funcții publice sau economice.

Contează pentru România din câteva motive: țara are o rată relativ ridicată de breach-uri de date la instituții publice (documentate de DNSC), declarații de avere accesibile public care pot fi cross-referențiate cu stilul de viață aparent al funcționarilor, și o tradiție a relațiilor economico-politice opace care produce material potențial compromițător.

Nu există investigații publice care să confirme că predictive kompromat a fost folosit sistematic în România în 2025-2026. Dar vulnerabilitățile structurale există și merită atenție preventivă.

4. Crime as a Service înseamnă că oricine poate acum comite fraude sofisticate cu AI?

Parțial. Accesul la instrumente AI a colapsat bariera tehnică — nu și bariera organizațională completă. Generarea unui deepfake de calitate acceptabilă pentru fraudă e accesibilă; utilizarea lui convingătoare într-o schemă complexă necesită totuși planificare, acces la date despre țintă și canale de comunicare cu victima.

Ce s-a democratizat efectiv: phishingul personalizat (accesibil oricărui grup cu câteva sute de dolari și o bază de date de ținte), generarea de documente false de calitate mediocră, automatizarea atacurilor la scară (trimiterea simultană a mii de mesaje personalizate).

Ce nu s-a democratizat complet: schema de fraudă bancară complexă cu voice cloning de calitate înaltă, rețelele de spălare a banilor digitale sofisticate, operațiunile de predictive kompromat la scară. Acestea necesită totuși resurse și organizare care le plasează în domeniul grupurilor criminale cu capacitate medie și mare.

5. Cum se deosebește „capturarea statului" de corupția obișnuită?

Corupția obișnuită — mita pentru un serviciu, favorurile pentru contracte individuale — e tranzacțională și episodică. Implică abateri de la regulile sistemului care rămân, în principiu, funcționale.

Capturarea statului e sistemică și structurală. Implică modelarea regulilor — a legilor, reglementărilor, politicilor — pentru a servi interesele capturatorilor, nu interesul public. Problema nu e că regulile sunt încălcate; e că regulile sunt scrise pentru a favoriza anumiți actori.

Distincția practică: firmele care obțin contracte prin mită participă la corupție obișnuită. Firmele care, prin conexiunile lor cu decidenții politici, asigură că regulile de licitație, pragurile de valoare pentru proceduri directe și criteriile de eligibilitate sunt formulate pentru a-i avantaja practică capturare a statului.

6. Ce instrumente concrete de due diligence în România nu pot fi înlocuite de AI?

Nicio analiză AI nu substituie verificarea în aceste surse primare pentru due diligence în România:

Portal.just.ro — verificarea existenței dosarelor penale sau civile în care apare o entitate sau o persoană.

ANAF - Ministerul Finanțelor — verificarea CUI, a situației fiscale, a eventualelor creanțe ale statului.

SEAP (Sistemul Electronic de Achiziții Publice — anap.gov.ro) — istoricul contractelor publice atribuite, valori, proceduri, observatii.

ANI (Agenția Națională de Integritate) — declarații de avere și interese ale funcționarilor publici, decizii de incompatibilitate sau conflict de interese.

ONRC (Oficiul Național al Registrului Comerțului) — structura acționariatului, istoricul modificărilor, beneficiarii reali.

Integrity Watch EU (integritywatch.eu) — date agregate despre contractele publice în UE, cu indicatori de risc de corupție, pentru firme cu activitate la nivel european.

7. AI-ul poate fi folosit responsabil pentru due diligence în România, sau trebuie evitat complet?

Poate fi folosit responsabil, dar cu un protocol clar de diviziune a muncii:

AI e util pentru: identificarea rapidă a tipologiei firmei și a sectorului de activitate, structurarea raportului de due diligence, identificarea întrebărilor de investigat, sinteza informațiilor verificate deja din surse primare.

AI nu substituie: verificarea directă în sursele primare enumerate mai sus, consultarea unui expert local (avocat sau consultant cu cunoaștere directă a contextului regional), triangularea cu surse jurnalistice locale relevante.

Regula practică: AI-ul e bun pentru a ști ce să cauți și unde să cauți. Nu e bun pentru a confirma că ai căutat suficient.

8. Cum afectează interferența rusă în alegerile române din 2024 înțelegerea noastră despre AI și corupție?

Evenimentele din 2024 ilustrează convergența descrisă de EU-SOCTA 2025: actori statali care folosesc instrumente AI și rețele criminale (operatorii de bot farms, furnizorii de conținut generat AI pentru campanii de dezinformare) pentru obiective geopolitice.

Granița dintre operațiunile de influență ale statului rus, activitățile firmelor de dezinformare contractate și rețelele de operatori individuali motivați ideologic sau financiar e extrem de neclară în investigațiile publicate. E un exemplu empiric, documentat parțial public, al granițelor neclare dintre stat, companie și organizație criminală la care se referă titlul acestui articol.

Implicația pentru AI: modelele antrenate pe texte care descriu evenimentele din perspectivă occidentală vor tinde să descrie fenomenul ca „interferență rusă" — ceea ce e corect, dar simplifică. Complexitatea rețelelor de actori, motivațiile mixte, mecanismele specifice de amplificare algoritmică — toate necesită surse primare și expertiză contextuală pe care AI-ul nu le poate furniza substitutiv.

9. Schimbările în reglementarea UBO (beneficiari reali) vor ajuta?

Parțial. Directivele UE privind prevenirea spălării banilor au produs registre UBO mai cuprinzătoare și mai accesibile decât ce exista anterior. Interoperabilitatea registrelor naționale la nivel european (prin BORIS — Beneficial Ownership Registers Interconnection System) permite, în principiu, verificarea structurii de proprietate a firmelor din mai multe jurisdicții UE simultan.

Limitele: datele din registrele UBO sunt furnizate de companii, nu verificate de autorități în timp real. Structurile de proprietate complexe prin jurisdicții extra-europene (offshore, paradisuri fiscale) rămân parțial opace. Accesul public complet la datele UBO a fost limitat de o hotărâre CJUE din 2022 care a restricționat accesul necondiționat al publicului, invocând protecția datelor cu caracter personal.

Utilizarea registrelor UBO pentru antrenarea modelelor AI ar fi un pas pozitiv, dacă ar putea fi negociat un cadru care să respecte protecția datelor și să permită utilizarea în scop de cercetare și anticorupție.

10. Ce ar trebui să facă producătorii de modele AI pentru a reduce biasul față de periferia est-europeană?

Câteva intervenții cu impact real, în ordinea fezabilității:

Parteneriate cu instituții care produc date structurate de calitate: Eurojust, Europol, Transparency International, GI-TOC produc rapoarte și date structurate despre criminalitate organizată și corupție. Includerea deliberată a acestor surse în corpus ar îmbunătăți calitatea reprezentării.

Crawlere specializate pentru documente judiciare: Indexarea sistematică a portalurilor de instanțe din statele membre UE — inclusiv portal.just.ro — ar face disponibil în corpus un volum substanțial de informații verificate despre entități și persoane implicate în dosare penale sau civile.

Transparența asimetriei: Cel puțin, modelele ar trebui să comunice explicit utilizatorilor limitele lor geografice și lingvistice. Un răspuns la o întrebare despre o firmă din România ar trebui să conțină un marcator: „Informațiile mele despre entitățile românești pot fi incomplete — recomand verificarea în portal.just.ro, ANI și SEAP."

Evaluare externă independentă: Cercetători independenți sau organizații civice ar trebui să aibă acces la instrumente pentru a evalua calitatea reprezentării geografice și lingvistice a corpus-urilor — similar cu cum ENISA evaluează riscurile de securitate cibernetică ale platformelor digitale.

Nota Autorului

Unelte Retorice, Limite și Ce Să Nu Faci

Uneltele retorice folosite în acest articol

Scena analistului din Pipera e un scenariu compozit construit pe tipologia proiectelor de due diligence în contextul investițiilor în infrastructura județeană românească — un context pe care îl cunosc din activitatea de consultanță digitală cu clienți din sectorul public și privat. „Firma X" e o abstracție deliberată, nu o referire la o entitate reală identificabilă. Orice similaritate cu entități reale e coincidentă și neintențional. Am ales Pipera ca loc al biroului pentru că e recognoscibil ca hub de consultanță corporativă și pentru că asigură distanța față de periferia despre care vorbește articolul — analistul e la centru, dar privește spre margine.

Analogia cu arhivele Războiului Civil Spaniol e cea mai densă din perspectivă metodologică. Beevor a lucrat ani ca să contracareze asimetria documentară — prin localizarea arhivelor dispersate, prin surse orale, prin triangulare transcontinentală. Productorii de modele AI nu au echivalentul acestei investiții pentru fiecare jurisdicție periferică. Analogia e validă ca principiu, dar diferă în consecințe: Beevor a reușit, parțial, să corecteze asimetria; modelele AI nu au un mecanism sistematic de corectare.

„Granițele neclare" din titlu și din text e un concept analitic, nu o acuzație. Fenomenul de convergență dintre stat, capital privat și organizație criminală e documentat empiric de instituții europene (EU-SOCTA 2025) și de organizații de cercetare criminologică (GI-TOC, OCCRP). Nu sugerez că toate firmele cu relații politice sunt organizații criminale sau că toți funcționarii cu firme de familie sunt corupți — ci că granița conceptuală și juridică dintre aceste categorii e mai puțin clară decât modelele legale presupun.

Limite asumate — Explicitate cu mai mult detaliu decât în articolele anterioare

Absența datelor empirice specifice pe România. Nu există, la data publicării, un studiu care să măsoare sistematic calitatea reprezentării României sau a corupției românești specifice în corpus-urile modelelor AI mari. Afirmațiile din articol sunt inferențe din studii generale (ACM FAccT 2026 pe Global Majority, studii despre dominanța engleză în LLM-uri, rapoarte despre digitizarea și indexabilitatea documentelor publice românești) — inferențe plauzibile, nu fapte demonstrate empiric cu date comparative.

Riscul de a amplifica neîncrederea generalizată. Un articol despre cum AI-ul produce profiluri mai curate decât realitatea pentru corupție și rețele de influență poate produce în cititor o neîncredere generalizată față de informația digitală — inclusiv față de sursele legitime online. Am încercat să temperez prin secțiunile despre ce AI poate face bine și prin protocoalele de verificare specifice, dar riscul rămâne.

Limitele jurnalismului analitic față de jurnalismul de investigație. Afirmațiile despre corupție sistemică în România — rețele de influență, capturare instituțională, granițe neclare între sectoare — sunt susținute de rapoarte instituționale și de investigații jurnalistice publice. Nu am acces la documente interne sau la surse cu cunoaștere directă a cazurilor specifice. Articolul e analiză editorială bazată pe surse publice, nu investigație cu documente primare.

Greșeli subiective pe care le recunosc

Tendința de a prezenta corupția periferiei ca mai gravă decât cea a centrului. Capturarea statului, corupția sistemică în achiziții, rețelele de influență politico-economice există în toate sistemele democratice, inclusiv în cele occidentale considerate „centre". Diferența e de vizibilitate și documentare, nu neapărat de substanță sau frecvență. Un articol despre corupția din SUA — K Street, revolving door, finanțarea campaniilor — ar putea produce o analiză similară a granițelor neclare dintre stat, corporații și grupuri de interese cu metodele activiste ale criminalității alb-guler.

Simplificarea conceptuală a „periferiei". România nu e o periferie omogenă — București are o densitate de date digitale și de presă online comparabilă cu orașele vest-europene de aceeași dimensiune. Periferia reală e în județele mici, în orașele mono-industriale, în comunitățile rurale unde presa locală are prezență digitală aproape nulă. Am tratat „România" ca o categorie omogenă când realitatea e o distribuție largă.

Posibile Perspective Greșite

Orice analiză cu o teză centrală puternică riscă să ignore sau să subaprecieze argumente contrare. Le formulez explicit, cu bună credință, pentru că cititorul merită să le evalueze el însuși.

1. Poate că asimetria corpus-ului nu e atât de gravă pe cât sugerez.

Articolul argumentează că profilul AI al unei firme corupte din România va fi sistematic mai curat decât realitatea. Contraargumentul plauzibil: modelele AI mari nu funcționează exclusiv pe Common Crawl. Gemini, GPT-4 și alte modele mari includ în corpus date din surse structurate — registre comerciale, baze de date juridice, feeds de știri agregat — care pot conține mai multă informație despre entitățile românești decât presupun estimările mele. Nu am acces la descrierea detaliată a corpus-ului Gemini; afirmația despre asimetrie e o inferență, nu o măsurare directă. E posibil ca profilurile AI să fie mai complete decât sugera scena introductivă.

2. Poate că „granițele neclare" sunt mai clare decât par.

Articolul folosește frecvent formulări de tipul „granița e neclară", „penumbra juridică", „convergența nedistinctă". Un critic cu formare juridică riguroasă ar putea obiecta că dreptul penal și dreptul administrativ au criterii clare — faptă, intenție, cauzalitate, probe — care produc distincții precise între legalitate și ilegalitate, chiar dacă investigarea lor e dificilă. Că o firmă câștigă contracte prin relații politice nu e, în sine, corupție penală — e o practică problematică, dar cu regim juridic diferit. Tratând constant „relațiile de afaceri cu influență politică" și „corupția penală" în același registru narativ, pot sugera echivalențe care nu există juridic.

3. Selective labelling problem poate fi mai puțin severă decât argumentez.

Susțin că modelele AI anticorupție reproduc orbii sistemului judiciar pentru că sunt antrenate pe corupția detectată, nu pe corupția reală. Contraargumentul: sistemele AI anticorupție bune nu se antrenează exclusiv pe dosare penale — folosesc date de audit, anomalii statistice în achiziții publice, discrepanțe în declarații de avere, comparații cu piața. Aceste surse nu presupun o condamnare pentru a semnala un risc. E posibil ca selective labelling problem să fie mai bine adresată în sistemele actuale decât sugerează analiza mea, care a tratat categoria în general, nu sisteme specifice evaluate empiric.

4. Poate că periferia nu e mai coruptă — e doar mai puțin capabilă să gestioneze narațiunea despre corupția sa.

Articolul riscă, involuntar, să reproducă un bias de tip colonial: centrul e corupt dar documentat nuanțat; periferia e coruptă și documentată simplist. Contraargumentul corectiv: poate că ceea ce interpretez ca „mai curată decât realitatea" e parțial o reflecție a faptului că periferia a produs mai puțin conținut analitic critic despre propria corupție, nu că ar fi mai coruptă față de centru cu corpusuri mai bogate. Producția de analiză critică — self-reporting instituțional, investigație jurnalistică, cercetare academică — e ea însăși un indicator de maturitate instituțională, independent de rata corupției reale.

5. Predictive kompromat poate fi mai puțin prevalent decât sugerează sursele citate.

OCCRP e o organizație valoroasă, dar produce și conținut cu funcție de advocacy — sensibilizarea publicului față de riscuri emergente poate conduce la supraestimarea prevalenței lor actuale. „Predictive kompromat" ca fenomen sistematic și scalat în România sau în UE în 2026 e, deocamdată, mai degrabă un scenariu probabil decât un fenomen documentat la scară cu cazuri verificate public. Am citat sursa cu acuratețe, dar tonul articolului poate sugera o prevalență mai mare decât justifică dovezile disponibile.

Ce Să Nu Faci

1. Nu folosi profilul AI al unei entități drept bază pentru decizii de due diligence în România. Probabilitatea că profilul omite informații critice — dosare penale, rețele de influență, conexiuni politice — e sistemică în contextul asimetriei de corpus descrise. Verificarea în sursele primare (portal.just.ro, ANI, SEAP, ONRC) nu e opțională.

2. Nu confunda „absent din corpus" cu „absent din realitate". Corupția nedocumentată în datele de antrenament AI nu e corupție care nu există — e corupție care n-a ajuns în corpus. Absența probei nu e proba absenței.

3. Nu atribui intenție politică asimetriei corpus-ului. Asimetria e o consecință structurală a distribuției digitale a puterii — cine produce mai mult conținut web, în ce limbi, în ce formate. Nu e o decizie deliberată a Google sau a altor producători de modele de a favoriza narativele pro-corupție. Conspiraționalizarea fenomenului îl face mai greu de adresat.

4. Nu trata AI-ul anticorupție ca soluție completă. Instrumentele AI anticorupție (analiza SEAP, identificarea anomaliilor în achiziții publice, scoringul de risc al entităților) sunt valoroase și merită investiție. Dar reproduc orbii sistemului judiciar din care provin datele lor de antrenament. Sunt complement, nu substitut, pentru investigarea umană.

5. Nu generaliza de la România la toată periferia est-europeană. Polonia, Cehia, Ungaria, Bulgaria — fiecare are un profil diferit de digitizare a datelor publice, de acoperire jurnalistică a corupției, de reprezentare în corpus-urile AI. Soluțiile și protocoalele trebuie calibrate la context specific, nu aplicate uniform.

6. Nu ignora că și modelele „mai transparente" au aceleași limite de corpus. Mistral (open-source, european), LLaMA, DeepSeek — toate sunt antrenate pe corpus-uri cu asimetrii similare față de periferia est-europeană. Transparența arhitecturii nu implică reprezentarea adecvată a jurisdicțiilor subreprezentate. Schimbarea modelului nu rezolvă problema; schimbarea protocoalelor de verificare da.

7. Nu uita că AI-ul poate fi și o armă a corupției, nu doar o victimă a ei. Deepfakes de calitate, voice cloning, phishing personalizat, predictive kompromat — toate sunt instrumente AI accesibile actorilor cu intenții criminale. Protocolul de due diligence responsabil trebuie să includă și evaluarea riscului că informațiile sau documentele primite de la contrapartidă au fost generate sau manipulate cu AI.

Bibliografie

Europol. (2025). EU Serious and Organised Crime Threat Assessment (EU-SOCTA 2025). Haga: Europol Publications Office. europol.europa.eu/publication-events/main-reports/socta-2025
OCCRP / Radu, P. (2026, martie). OCCRP Briefing: The Year Ahead in Global Crime and Corruption — Predictive Kompromat and the Rise of White-Collar Organised Crime. Organized Crime and Corruption Reporting Project. occrp.org/en/feature/occrp-briefing-the-year-ahead-in-global-crime-corruption
Transparency International / U4 Anti-Corruption Resource Centre. (2025). Harnessing Artificial Intelligence for Anti-Corruption: Opportunities, Challenges and Risks. Chr. Michelsen Institute. knowledgehub.transparencycdn.org
Mickel, A., Wagner, C.S., Dinika, A., et al. (2026). Representational Harms in LLM-Generated Narratives Against Global Majority Nationalities. Proceedings of the 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26). doi:10.1145/3805689.3806452
Gallegos, I.O., Rossi, R.A., Barrow, J., et al. (2024). Bias and Fairness in Large Language Models: A Survey. Computational Linguistics, 50(3), 1097–1179. MIT Press.
Sci/MDPI. (2026, martie). Crime at Machine Speed: Criminological Aspects of Artificial Intelligence's Industrialisation of Deception. Sci, 8(3), 54. doi:10.3390/sci8030054
Global Initiative against Transnational Organized Crime (GI-TOC) — Organized Crime Index. (2025). Romania Country Profile: Criminality, Resilience and State Capacity. ocindex.net/country/romania
Irish Institute of European Affairs (IIEA). (2025, decembrie). Romania's 2024–2025 Presidential Election Crisis and Its Aftermath: Hybrid Interference, AI-Amplified Disinformation and Democratic Resilience. iiea.com/blog/romanias-20242025-presidential-election-crisis-and-its-aftermath
Hellman, J.S., Jones, G., & Kaufmann, D. (2003). Seize the State, Seize the Day: State Capture and Influence in Transition Economies. Journal of Comparative Economics, 31(4), 751–773. doi:10.1016/j.jce.2003.09.006
InsightCrime. (2026, ianuarie 26). Organized Crime and AI: 5 Topics We Are Monitoring in 2026. insightcrime.org/news/organized-crime-and-ai-5-topics-we-are-monitoring-in-2026/

Aceasta este ultima piesă din seria extinsă „Gemini și Adevărul Amânat" — șapte articole care, împreună, cartografiază un teritoriu complex: limitele arhitecturale ale modelelor AI mari, mecanismele prin care erorile lor se propagă, domeniile în care consecințele sunt cele mai grave, arhitectura reglementară care încearcă să le adreseze, protocoalele individuale care pot reduce riscul, și — în final — modul în care structurile de putere ale lumii reale se înscriu, invizibil, în datele din care modelele învață să descrie lumea.

Seria nu are o concluzie finală — pentru că fenomenul nu are una. AI-ul evoluează. Corupția se adaptează. Reglementarea urmărește. Utilizatorul verifică — sau nu. Singura certitudine: înțelegerea e o condiție a utilizării responsabile, și ignoranța e, și în această privință, un risc pe care nu ni-l permitem.