Kyberuhka on todellinen syy, mutta se ei välttämättä ole ainoa asia, joka hermostuttaa vallankäyttäjiä
Kesällä 2026 nähtiin poikkeuksellinen käänne: Yhdysvaltain hallinto rakensi vapaaehtoiseksi nimetyn, mutta käytännössä erittäin vaikutusvaltaisen mallin, jossa “covered frontier model” -tason tekoälymalleille annetaan jopa 30 päivän ennakkopääsy viranomaisille ja vain valituille “trusted partners” -toimijoille ennen laajempaa julkaisua. Valkoisen talon virallinen perustelu oli kyberpuolustus, kriittisen infrastruktuurin suojaaminen ja mallien kehittyneiden kyberkyvykkyyksien arviointi. Reutersin ja AP:n raportoinnin mukaan tämä kehys johti nopeasti siihen, että sekä OpenAI että Anthropic rajasivat uusimpien mallien saatavuutta pienelle, hallinnon hyväksymälle joukolle.
Tätä ei pidä kuitata pelkkänä poliittisena savuverhona, koska kyberperusteelle on painavat faktat. Anthropicin oman teknisen arvion mukaan Claude Mythos Preview osoitti poikkeuksellisen vahvaa suorituskykyä tietoturvatehtävissä, ja yhtiö kuvasi mallia “watershed moment” -tasoisena käännekohtana turvallisuudelle. Yhtiön mukaan malli kykeni löytämään ja hyödyntämään nollapäivähaavoittuvuuksia suurissa käyttöjärjestelmissä ja selaimissa, eikä kyse ollut vain pienestä tasoparannuksesta aiempiin malleihin nähden. Britannian AI Security Institute puolestaan raportoi, että Mythos Preview oli ensimmäinen testaamansa malli, joka suoritti päästä päähän 32-vaiheisen yritysverkon hyökkäyssimulaation; se onnistui koko ketjun läpiviennissä kolmella kymmenestä yrityksestä ja suoritti keskimäärin 22 askelta 32:sta.
Sama kehityskulku näkyi jo aiemmin Anthropicin muissa malleissa. Claude Opus 4 vietiin varotoimena ASL-3-turvatasolle, koska yhtiö ei pystynyt sulkemaan pois siihen liittyviä korkeamman riskin skenaarioita, vaikka ei arvioinut mallin ylittäneen vielä kaikkein korkeinta kynnystä. Tämä kertoo siitä, että rajoitukset eivät syntyneet tyhjästä: mallitoimittajat itsekin ovat alkaneet kohdella frontier-luokan järjestelmiä kyvykkyyshinnoiteltuina ja riskiohjattuina järjestelminä. Samansuuntaista sääntelykehystä on nähty myös EU:ssa, jossa yleiskäyttöisille, systeemisiä riskejä aiheuttaville GPAI-malleille on asetettu velvoite arvioida ja lieventää riskejään, sekä Australiassa, jossa valtion kyberturvallisuusviranomainen on antanut erillistä ohjeistusta frontier-mallien kybervaikutuksista.
Silti juuri tässä kohdassa alkaa se kiinnostavampi ja epämukavampi analyysi. Julkisista lähteistä ei löydy näyttöä siitä, että mallien rajaamisen virallisena tarkoituksena olisi estää korruption tutkimista. Virallinen ja dokumentoitu syy on kyberturvallisuus. Mutta sama tekninen ominaisuus, joka tekee mallista vaarallisen kyberhyökkäyksissä, tekee siitä vaarallisen myös suljetuille eliittiverkostoille: kyky käsitellä valtavia dokumenttimassoja, yhdistää hajanaisia tietolähteitä, purkaa omistusketjuja, löytää poikkeamia sopimusdatasta, tunnistaa poliittisesti vaikutusvaltaisia henkilöitä ja rakentaa verkostokuvia. Tässä mielessä ajatus siitä, että vallan huipulla nähdään AI-kiihdytetty tutkiva journalismi kiusallisena kehityksenä, on rationaalinen päätelmä — mutta edelleen päätelmä, ei dokumentoitu päätösperuste.
Miksi juuri korruptio ja hyvä veli -verkostot ovat tekoälylle luonteva maali
Korruptio on datan näkökulmasta harvoin yksi savupiipusta nouseva tosiasia. Se on useammin verkosto-ongelma: toistuvia voittajia julkisissa hankinnoissa, poikkeuksellisen vähäistä kilpailua, omistusrakenteita joiden taakse kätkeytyy samoja nimiä, nopeita omistusmuutoksia, puuttuvia edunsaajatietoja, poliittisia yhteyksiä ja epäilyttävän samanlaisia tarjouskäyttäytymisiä. OECD kuvaa nimenomaan näin: digitaalinen analytiikka ja koneoppiminen auttavat tunnistamaan korkean riskin hankintoja muun muassa epätavallisten voittoprosenttien, pysyvästi matalan kilpailun ja tiettyjen toimittajien suosimisen perusteella, ja havaitsemista voidaan vahvistaa yhdistämällä hankintadataa talousilmoituksiin ja tosiasiallisen edunsaajan tietoihin. OECD:n AI-sivu tiivistää tämän vielä täsmällisemmin: tekoäly voi auttaa “hidden networks of influence” -rakenteiden tunnistamisessa.
Tämä on tärkeä havainto, koska niin sanottu hyvä veli -verkosto ei useinkaan näy yhdessä tiedostossa tai yhdessä vuotaneessa sähköpostissa. Se näkyy, kun yhdistetään useita tavallisen tylsiä aineistoja: tarjousasiakirjoja, yritysrekistereitä, edunsaajatietoja, poliittisesti vaikutusvaltaisten henkilöiden tietoja, sanktiolistoja, oikeudenkäyntiasiakirjoja, tilintarkastusraportteja, kiinteistörekistereitä ja pankki- tai maksuliikenteeseen liittyviä johtolankoja. OpenOwnershipin mukaan edunsaajatietoon perustuvat punaiset liput voivat sisältää esimerkiksi yhden henkilön poikkeuksellisen laajan omistusoton monissa yrityksissä, tiheät omistajavaihdokset, puuttuvat tai ulkomaiset omistajatiedot sekä PEP-kytkennät. Kuuden Euroopan maan aineistoa käyttänyt tutkimus yhdisti 8 miljoonaa julkista sopimusta ja 11 miljoonaa yrityksen tosiasiallisen edunsaajan tietuetta, ja totesi useiden tällaisen riskisignaalien toimivan käytännössä tutkinnan ja politiikan tukena.
Juuri tässä tekoäly lyö läpi. Ihminen väsyy kymmenennessä Excelissä, kahdessadas yritysrekisteriotteessa ja kolmannessa kielessä. Malli ei väsy. Malli myös kääntää, nimeää, ryhmittelee, rakentaa aikajanoja ja ehdottaa kysymyksiä. Siksi korruption torjunnassa tekoälyn merkittävin vaikutus ei ole ollut mikään science fiction -tyylinen “autonominen syyllisten paljastaja”, vaan hyvin käytännöllinen kyky halkaista analyysityön kustannus ja aika. Transparency Internationalin 2025 katsauksen mukaan tekoälyn suurimmat hyödyt korruption torjunnassa liittyvät skaalautuvuuteen, resurssien kohdentamiseen ja siihen, että vahinkoon voidaan puuttua jo ennen kuin se toteutuu esimerkiksi ennen hankintasopimuksen myöntämistä. Samassa katsauksessa korostetaan, että tekoälyvälineet voivat tunnistaa korkean riskin tarjouskilpailuja, vale- tai peiteyrityksiä ja eturistiriitoja.
Tästä seuraa vallankäyttöön liittyvä epämiellyttävä johtopäätös: mitä enemmän yhteiskunnan eliitti nojaa muodollisesti laillisiin mutta verkostomaisesti suljettuihin rakenteisiin, sitä enemmän juuri dokumenttien, rekisterien ja sopimusdatan koneellinen yhdistäminen muuttuu uhaksi. Kyse ei ole vain “korruption paljastamisesta” perinteisessä rikosoikeudellisessa mielessä. Kyse on myös vaikutusvallan arkkitehtuurin tekemisestä näkyväksi: kuka voittaa, kuka hyötyy, kuka tuntee kenet, kuka omistaa välillisesti mitäkin, ketä ei koskaan nähdä samassa pöydässä mutta jotka silti toistuvat samoissa rahavirroissa. Tämän vuoksi narratiivi “korruptoituneet poliitikot ja liike-elämä kohtaavat tekoälyllä boostatun tutkivan journalismin” ei ole liioittelua vaan realistinen kuvaus kehityssuunnasta. Sen todenperäisyys ei nojaa salattuun motiiviin vaan siihen, mitä välineet jo pystyvät tekemään.
Mitä tekoälyllä on jo pystytty tekemään korruption torjunnassa
Konkreettisin ja kypsin käyttöalue on julkiset hankinnat. Brasilian valtion tarkastus- ja valvontakoneistoa palveleva Alice-järjestelmä analysoi OECD:n tapauskuvauksen mukaan vuonna 2023 yhteensä 190 923 hankintaa, joista syntyi 203 auditointitoimeksiantoa noin 27 miljardin Brasilian realin arvosta. Samalla järjestelmä kutisti ennaltaehkäisevän tarkastuksen läpimenoajan yli 400 päivästä kahdeksaan kalenteripäivään. Tämä on juuri sitä käytännön anti-korruptiotyötä, jossa tekoäly ei korvaa tutkijaa, mutta se muuttaa tutkinnan mittakaavan.
Kolumbiassa Bogotán kaupungin käyttämä VigIA-järjestelmä analysoi sopimuksia ja liputtaa korkean korruptioriskin hankintoja ennen kuin mahdollinen lainvastainen menettely ehtii realisoitua. OECD on nostanut tämän esiin nimenomaan esimerkkinä siitä, miten AI siirtää valvontaa jälkikäteisestä reaktiosta ennakoivaan riskinhallintaan. Portugalissa puolestaan Tribunal de Contas kehittää OECD:n tuella data-analytiikkaan ja koneoppimiseen perustuvaa riskinarviointia, jonka tarkoitus on parantaa hankintavalvonnan tehokkuutta ja läpinäkyvyyttä. Paraguaysta on puolestaan kuvattu Inter-American Development Bankin raportissa järjestelmä, joka yhdistää sääntöpohjaiset tarkistukset ja koneoppimisen reaaliaikaisten hankintapoikkeamien tunnistamiseen.
Yksi kiinnostavimmista esimerkeistä on OECD:n Tech Connect for Integrity -ohjelman puitteissa toteutettu Project Helene, jossa Oracle ja Brasilian CGU rakensivat julkiseen dataan perustuvan mallin ennustamaan, mitkä valtion toimittajat ovat kohonneessa sanktioriskissä petoksen, sopimusrikkomusten tai muiden laiminlyöntien vuoksi. Hankkeen yhteenvedon mukaan malli tunnisti korkean sanktioriskin 611 tapauksessa 624:stä, jotka myöhemmin todella sanktioitiin, mikä tarkoitti 97,9 prosentin osumatarkkuutta kyseisessä reaalimaailman testissä. Tämä ei vielä tarkoita “korruption tuomitsemista algoritmilla”, mutta se on erittäin vahva näyttö siitä, että julkisen sektorin riskiseulonta voidaan nostaa aivan uuteen luokkaan.
Myös akateeminen näyttö on vahvistunut. OECD:n vuoden 2026 anti-corruption -katsauksen mukaan Meksikon CompraNet-aineistolla koulutettu hyper-forests-malli tunnisti korruptoituneet sopimukset 88 prosentin tarkkuudella ja ei-korruptoituneet 94 prosentin tarkkuudella. Tämän lisäksi uusi eurooppalainen tutkimus osoitti, että edunsaajatiedon avulla rakennetut riskiliput ovat käyttökelpoisia laajamittaisessa hankintakorruption riskinarvioinnissa, ja Government Transparency Institutella on jo tutkimusnäyttöä myös Meksikon sanktioituihin toimittajiin sovelletuista koneoppimis- ja verkostotieteen malleista. Toisin sanoen: käytössä ei ole enää vain yksittäisiä pilotteja, vaan syntymässä on oikea menetelmäperhe.
Valtiolliset toimijat ovat myös alkaneet operoida tällä logiikalla. Reuters raportoi helmikuussa 2026, että Kiina antoi ohjeistuksen käyttää tekoälyä julkisissa tarjous- ja kilpailutusprosesseissa epäselvyyksien, tarjouskartellien ja korruption vihjeiden havaitsemiseen, ja Zhejiangin maakunnassa AI:n tuottama havainto johti virkamiehen tutkintaan ja tuomioon. Samalla UNODC koulutti Kazakstanissa viranomaisia käyttämään tekoälyä ja OSINT-menetelmiä taloussuhteiden rekonstruointiin, yritys- ja transaktioverkkojen visualisointiin, poikkeamien tunnistamiseen ja tosiasiallisten edunsaajien jäljittämiseen varojen takaisinperinnässä. Näissä esimerkeissä näkyy sama kaava: kone tekee ylilentoa, ihminen tekee iskun.
Tutkiva journalismi on jo saanut tekoälyvahvistuksen
Jos joku kuvittelee, että nämä kyvykkyydet elävät vain viranomais- tai compliance-maailmassa, hän katsoo liian kapeasti. Kansainvälinen tutkiva journalismi käyttää jo nyt hyvin samankaltaisia työkaluluokkia. ICIJ:n Luanda Leaks -selvityksessä 715 000 dokumenttia vietiin Datashare-alustaan, joka tunnisti automaattisesti nimiä, organisaatioita ja paikkoja, poimi tekstiä skannatuista asiakirjoista ja tuki massahakuja useilla kielillä. Lisäksi aineistosta rakennettiin verkostovisualisointeja Neo4j:n ja Linkuriousin avulla, ja koneoppimista käytettiin samankaltaisten dokumenttiryhmien, kuten sopimusten ja talousasiakirjojen, löytämiseen. ICIJ korostaa itse, että ilman tätä teknologista pinoa yksittäinen toimittaja ei pystyisi koskaan lukemaan koko aineistoa, saati yhdistämään kaikkia relevantteja yhteyksiä.
Sama näkyy Pandora Papers -kokemuksessa. ICIJ:n mukaan Datashare on ladattu yli 20 000 kertaa eri toimijoiden käyttöön, se käsittelee miljoonia eri formaattisia dokumentteja ja poimii niistä nimet ja muut keskeiset entiteetit tehokkaammin kuin aiemmat työkalut. ICIJ:n teknologiajohtaja sanoi suoraan: “We wouldn’t have been able to do Pandora Papers without it.” Vielä olennaisempaa on, että ICIJ tekee nyt koneoppimisella myös hyvin täsmällisiä tehtäviä, kuten passiskannausten automaattista tunnistamista vuotoaineistoista, jotta toimittajat voivat kytkeä offshore-rakenteita oikeisiin henkilöihin, syntymäaikoihin ja kansallisuuksiin. Tämä on täsmälleen sellaista analyysia, joka tekee omistusketjujen läpi porautumisesta aiempaa halvempaa, nopeampaa ja vaikeammin pysäytettävää.
OCCRP:n verkkosivuilla ja strategiadokumenteissa näkyy sama suunta. Järjestö kuvaa tehtäväkseen rikollisuuden ja korruption paljastamisen, jotta yleisö voi pitää valtaa tilivelvollisena, ja sen teknologiainfrastruktuuriin kuuluu Aleph, jota OCCRP kuvaa dataplatformiksi, jossa on yli 4 miljardia dokumenttia. GIJN:n analyysin mukaan AI-avusteiset työkalut ovat tutkivassa journalismissa tehokkaimmillaan juuri silloin, kun ne kytketään suuriin dokumenttivuotoihin, rakenteistamattomien tiedostojen jäsentämiseen, aikajanojen rakentamiseen, entiteettilistojen tuottamiseen ja verkostojen kartoittamiseen. Samassa yhteydessä korostetaan, että AI toimii parhaiten “narrowly scoped, problem-driven, and embedded in a human-led investigative process”. Toisin sanoen: kone ei korvaa toimittajaa, mutta se moninkertaistaa tämän läpäisykyvyn.
Myös Reuters Institute ja CNTI kuvaavat saman muutoksen eri suunnista. Reuters Instituten tapausesimerkissä toimittaja rakensi auditointiraportteja seulovan Custom GPT -työkalun, jonka tarkoitus oli nopeuttaa vahtikoirajournalismia valtion tarkastusraporttien pohjalta; CNTI puolestaan toteaa, että AI laajentaa tutkivan journalismin kykyä käsitellä suuria datamassoja ja tutkia monimutkaisia järjestelmiä, mutta ei korvaa ydintehtäviä, jotka pysyvät inhimillisinä. Tämä on olennainen huomio: juuri korruptiojournalismissa läpimurto ei synny siitä, että LLM “tietää totuuden”, vaan siitä, että se tuo samaan analyysikehykseen kontraktit, laskut, omistukset, sähköpostit, julkiset lausunnot, sanktiolistat ja tilintarkastushavainnot.
Mitä lähitulevaisuudessa todennäköisesti nähdään
Todennäköisin kehityssuunta ei ole yksi supermalli, joka “paljastaa korruption”, vaan useamman kerroksen kokonaisuus. Ensimmäinen kerros on koneellinen seulonta: järjestelmät liputtavat poikkeavia hankintoja, yhden tarjoajan kilpailutuksia, outoja hintapoikkeamia, sanktiolistoihin tai PEP-tietoihin kytkeytyviä toimijoita ja äkillisiä muutoksia omistusrakenteissa. Toinen kerros on verkostoanalyysi: järjestelmä rakentaa graafeja siitä, ketkä toimijat toistuvat samoissa sopimuksissa, voittavat samoissa virastoissa, jakavat samoja osoitteita, hallituksen jäseniä tai tosiasiallisia omistajia. Kolmas kerros on generatiivinen käyttöliittymä: tutkija tai toimittaja kysyy luonnollisella kielellä, “näytä ne terveydenhuollon hankinnat, joissa sama henkilö kytkeytyy useaan voittajayhtiöön, kilpailu on ollut heikkoa ja omistajarakenne on muuttunut juuri ennen tarjouskilpailua”. Tällaisen kehityksen aineksia on jo OECD:n, Open Ownershipin, Open Contracting Partnershipin, OCCRP:n, ICIJ:n ja UNODC:n nykyisissä käytännöissä. Tämä tulevaisuuskuva on siis perusteltu ennuste, ei villi spekulaatio.
Toinen todennäköinen kehitys on se, että korruption torjunta siirtyy enemmän ex post -mallista ex ante -malliin. OECD ja Transparency International painottavat jo nyt sitä, että AI:n arvo syntyy erityisesti silloin, kun riskit havaitaan ennen sopimuksen syntymistä tai ennen kuin vahinko kasvaa institutionaaliseksi. Brasilian Alice, Bogotán VigIA ja Paraguayn red flags -ratkaisu osoittavat kaikki samaan suuntaan: kontrolli muuttuu jälkikäteisestä tutkinnasta jatkuvaksi varhaisvaroitusjärjestelmäksi. Tämä on poliittisesti merkittävä muutos, sillä jatkuva ennakkoseulonta tekee vanhanaikaisesta “toimitaan nopeasti ja selitellään myöhemmin” -verkostopolitiikasta vaikeampaa.
Kolmas kehitys koskee tutkivaa journalismia suoraan. On erittäin todennäköistä, että seuraavien vuosien isot paljastukset syntyvät hybridimallilla, jossa vuotoaineistot, hankintadata, yritysrekisterit, paikkatieto, satelliittikuva-aineisto, oikeusasiakirjat ja sosiaalisen median julkinen metadata yhdistyvät samaan työympäristöön. GIJN toteaa, että journalistit ovat jo siirtymässä RAG-pohjaisiin dokumenttikyselyihin, massiivisten vuotojen triageen, jäsentämättömien dokumenttien rakenteistamiseen ja yhteyksien automaattiseen tunnistamiseen. ICIJ:n ja OCCRP:n nykyinen teknologia osoittaa, että infrastruktuuri tälle on jo olemassa. Kun frontier-mallien kyky tulkita eri kieliä, asiakirjatyyppejä ja verkostorakenteita paranee, “kuka hyötyy?” muuttuu aiempaa useammin koneellisesti vastattavaksi ensikysymykseksi.
Samalla on kuitenkin syytä pysyä kylmänä. Tekoäly ei ole neutraali totuuskone. Transparency International varoittaa datan laadun, algoritmien läpinäkymättömyyden, väärien osumien, kapasiteettipulan ja perusoikeushuolten ongelmista. CNTI ja GIJN muistuttavat, että AI ei korvaa toimittajan eikä tutkijan ydintehtävää: lähteiden arviointia, kontekstualisointia, juridista varmistusta ja moraalista harkintaa. Huono data voi johtaa siihen, että järjestelmä vahvistaa vanhoja sokeita pisteitä, kohdistaa epäilyt väärin tai ohittaa kaikkein taitavimmat verkostot, jos ne ovat oppineet toimimaan datajälkensä kannalta “normaalisti”. Lähitulevaisuuden voittaja ei siksi ole se, jolla on pelkästään suurin malli, vaan se, jolla on paras yhdistelmä dataa, analytiikkaa, tutkivaa osaamista ja oikeudellista kestävyyttä.
Mitä tästä pitäisi ajatella juuri nyt
Virallinen kertomus frontier-mallien rajaamisesta on tällä hetkellä yksiselitteinen: kyberuhka, kansallinen turvallisuus ja kriittisen infrastruktuurin suojaaminen. Siihen on myös vahvat faktapohjaiset perusteet. Mutta yhtä totta on, että nämä samat mallit ja niitä ympäröivät työkaluketjut muuttavat korruption tutkimisen taloudellista matematiikkaa. Se, mikä ennen vaati suuren toimituksen, kuukausien työn ja monikielisen erikoistiimin, voi pian alkaa yhden tutkijan alustavasta kysymyksestä ja koneen tekemästä ensimmäisestä seulonnasta.
Siksi todellinen jännite ei ehkä ole vain siinä, pelätäänkö tekoälyä hyökkäysvälineenä. Jännite on myös siinä, että sama teknologia madaltaa läpinäkyvyyden kustannusta. Ja kun läpinäkyvyyden kustannus laskee, korruptoituneiden poliitikkojen, hyvä veli -verkostojen ja liike-elämän suljettujen järjestelyjen suojaetäisyys lyhenee. Tätä ei tarvitse mystifioida salaliitoksi. Riittää, että ymmärtää vallan peruslogiikan: kaikki teknologia, joka tekee piilotetut verkostot helpommin näkyviksi, on uhka niille, jotka elävät niiden varassa.
Jos siis pitäisi tiivistää tämä yhteen lauseeseen: frontier-tekoälyä rajataan kyberriskien vuoksi, mutta samalla rajataan myös sellaista analyysivoimaa, jolla vallan omistajat voidaan entistä tehokkaammin pakottaa näkyville. Ensimmäinen väite on dokumentoitu fakta. Jälkimmäinen on vahva, lähteisiin nojaava johtopäätös siitä, mihin teknologia on menossa.
Lähteet ja inspiraatio
- Valkoinen talo, Fact Sheet: Promoting Advanced Artificial Intelligence Innovation and Security sekä varsinainen executive order, joissa kuvataan varhaisen hallintopääsyn, “covered frontier model” -kategorian ja trusted partner -mallin perustelut.
- Reuters ja AP, kesäkuu 2026, mallijulkaisujen käytännön rajoituksista, Anthropic Mythos 5:n rajatusta uudelleenavaamisesta ja OpenAI:n viivästetystä julkaisusta.
- Anthropic, Assessing Claude Mythos Preview’s cybersecurity capabilities ja Expanding Project Glasswing, joissa yhtiö perustelee Mythos-tason kyvykkyyksien rajaamista.
- UK AI Security Institute, Our evaluation of Claude Mythos Preview’s cyber capabilities, joka tarjoaa riippumatonta näyttöä mallin hyökkäysketjukyvystä.
- Anthropic, Claude 4 System Card, joka osoittaa frontier-mallien riskiperusteisen ASL-suojauksen taustalogiikkaa.
- Euroopan komissio ja Australian cyber-viranomainen frontier-mallien riskien ja GPAI-systeemiriskien sääntely- ja ohjaustaustasta.
- OECD, Anti-Corruption and Integrity Outlook 2026, AI in fighting corruption and promoting public integrity, Generative AI for anti-corruption and integrity in government sekä Portugalin hankintavalvontaa koskeva working paper.
- OECD OPSI, Robot Alice, sekä OECD/Oracle/CGU, Project Helene, konkreettisina esimerkkeinä tuotantokäytössä olevista anti-korruptiojärjestelmistä.
- Open Ownership ja Government Transparency Institute, edunsaajatiedon, PEP-kytkentöjen ja verkostoindikaattorien hyödyntämisestä korruptioriskien mittaamisessa.
- Reuters ja UNODC, tekoälyn käytöstä Kiinan tarjouskorruption seulonnassa sekä Kazakstanin talousrikos- ja varojenjäljityskoulutuksessa.
- ICIJ:n Datashare-, Luanda Leaks-, Pandora Papers- ja passitunnistusta käsittelevät artikkelit, jotka näyttävät miten tekoäly vahvistaa tutkivaa journalismia käytännössä.
- OCCRP:n strategia- ja AI-journalismia koskevat materiaalit sekä GIJN:n ja CNTI:n analyysit tutkivan journalismin tekoälytyökaluista, rajoista ja mahdollisuuksista.