AI and public integrity: algorithmic transparency and data protection in the fight against corruption
DOI:
https://doi.org/10.5281/zenodo.21464987Keywords:
artificial intelligence, transparencyAbstract
This essay addresses the question of how to ensure that the use of artificial intelligence in anti-corruption policies strengthens public integrity without undermining the principles of transparency and personal data protection that structure the constitutional rule of law. Based on a qualitative, analytical-normative, and functionally comparative methodology, it examines risks such as algorithmic opacity, the displacement of responsibility, and potential impacts on human rights, particularly regarding personal data protection. The analysis argues that automation does not eliminate discretion but rather reconfigures it in technical stages such as data acquisition, variable formulation, business-rule specification, and extraction, transformation, and loading (ETL) processes. As a result, it proposes a model of “AI with institutional integrity” based on express public purpose, verifiable transparency, algorithmic auditing, strict data governance, and non-delegable human responsibility. It concludes that artificial intelligence can only legitimately contribute to the fight against corruption if it is subject to enhanced standards of explainability, democratic oversight, data protection, and differentiated institutional supervision.
References
Aldana, A., Falcón-Cortés, A., & Larralde, H. (2022). A machine learning model to identify corruption in Mexico’s public procurement contracts. arXiv. https://arxiv.org/abs/2211.01478
Araujo, M. (2009). El derecho a la protección de datos personales como garantía constitucional. En M. Carbonell & R. Vázquez (coords.), Poder, derecho y corrupción. Siglo XXI.
Avaro, D., & Sánchez, C. (2021). Nuevos desafíos para la rendición de cuentas en tiempos de pandemia: populismo y algoritmocracia. Revista Mexicana de Ciencias Políticas y Sociales, 66(242), 167-187.
Barocas, S., & Selbst, A. D. (2016). Big data’s disparate impact. California Law Review, 104(3), 671-732. https://doi.org/10.15779/Z38BG31
Beck, U. (1998). La sociedad del riesgo. Paidós.
Brkan, M., & Bonnet, G. (2020). Legal and technical feasibility of the GDPR’s quest for explanation of algorithmic decisions: Of black boxes, white boxes and Fata Morganas. European Journal of Risk Regulation, 11(1), 18-50. https://doi.org/10.1017/err.2020.10
CAF. (2024). Inteligencia artificial y el sector público en América Latina y el Caribe. Banco de Desarrollo de América Latina y el Caribe. https://www.caf.com/
Calle, A. A., Baque, E., & Muñíz, F. (2024). El papel de la analítica predictiva en la anticipación de cambios en el entorno empresarial. Ciencia y Desarrollo, 43-55.
Carbonell, M., & Vázquez, R. (2009). Poder, derecho y corrupción. Siglo XXI.
Citron, D. K. (2008). Technological due process. Washington University Law Review, 85(6), 1249-1313.
Comisión de Transparencia y Acceso a la Información del Estado de Nuevo León. (2018). Evaluación de impacto en protección de datos personales.
Constitución Política de los Estados Unidos Mexicanos. Diario Oficial de la Federación.
Diario Oficial de la Federación. (2025). Ley General de Transparencia y Acceso a la Información Pública. DOF, 20 de marzo de 2025.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People—An ethical framework for a good AI society. Minds and Machines, 28(4), 689-707. https://doi.org/10.1007/s11023-018-9482-5
Gryz, J., & Rojszczak, M. (2021). Black box algorithms and the rights of individuals: No easy solution to the “explainability” problem. Internet Policy Review, 10(2), 1-24. https://doi.org/10.14763/2021.2.1564
Hernández, O. (2016). La auditoría interna y su alcance ético empresarial. Actualidad Contable Faces, 19(33), 15-41.
Huber, M., & Imhof, D. (2021). Deep learning for detecting bid rigging: Flagging cartel participants based on convolutional neural networks. arXiv. https://arxiv.org/abs/2104.11142
Imhof, D., & Wallimann, H. (2021). Detecting bid-rigging coalitions in different countries and auction formats. arXiv. https://arxiv.org/abs/2105.00337
Jonas, H. (1984). The imperative of responsibility: In search of an ethics for the technological age. University of Chicago Press.
Jurado, D., & Armijo, J. (2022). La efectividad de la auditoría interna en el sector público: Una revisión de literatura. Administración y Desarrollo, 75-96.
Kuner, C. (2017). Transborder data flows and data privacy law. Oxford University Press.
Ley General de Protección de Datos Personales en Posesión de Sujetos Obligados. Diario Oficial de la Federación.
Macías, G. (2025). Transparencia algorítmica. R3D.
Morales, R. (2020). Evaluaciones de impacto y protección de datos personales en el sector público.
Moya, E., & Paillama, D. (2023). Corrupción en contextos de baja estatalidad: Una aproximación sociológica. Economía y Política, 10(1), 149-179.
OCDE. (2017). Recomendación del Consejo de la OCDE sobre Integridad Pública. OCDE Publishing.
OCDE. (2019). Artificial intelligence in society. OCDE Publishing. https://doi.org/10.1787/eedfee77-en
OCDE. (2020). Manual de la OCDE sobre integridad pública. OCDE Publishing. https://doi.org/10.1787/8a2fac21-es
OCDE. (2024). Recommendation of the Council on Artificial Intelligence. OECD/LEGAL/0449.
Ospina, M., Mora, R., & Maya, A. (2024). Percepción de la inteligencia artificial en la lucha contra la corrupción: Una exploración al caso del Estado de Colombia. Opera, 36, 7-45. https://doi.org/10.18601/16578651.n36.02
Pasquale, F. (2015). The black box society: The secret algorithms that control money and information. Harvard University Press.
Rivera, S. (2012). Participación ciudadana y combate a la corrupción: Cinco modelos de incidencia desde el servicio público. INDESOL.
Rubio, F. (1993). El principio de legalidad. Revista Española de Derecho Constitucional, 9-43.
Sánchez, L. (2020). Principio de proporcionalidad y protección de datos personales.
Transparencia Internacional. (2022). Artificial intelligence and corruption risks. Transparency International Secretariat.
Transparencia Internacional. (2025). Addressing corrupt uses of artificial intelligence. Transparency International Secretariat.
UNESCO. (2022). Recomendación sobre la ética de la inteligencia artificial. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/ark:/48223/pf0000381137_spa
UNODC. (2019). Integridad pública y ética. Módulo 13 de la Serie de Módulos Universitarios. Oficina de las Naciones Unidas contra la Droga y el Delito.
Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea, L 2024/1689. http://data.europa.eu/eli/reg/2024/1689/oj
Wachter, S., Mittelstadt, B., & Floridi, L. (2017). Why a right to explanation of automated decision-making does not exist in the General Data Protection Regulation. International Data Privacy Law, 7(2), 76-99. https://doi.org/10.1093/idpl/ipx005
Zuboff, S. (2019). The age of surveillance capitalism. PublicAffairs.
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This journal adheres to the Creative Commons license in the definition of its policy of open access and reuse of published material, in the following terms:
- Accessibility to articles and other publications in whole or in part under the concept of copying, distribution, public communication , interactive access (through the Internet or other means), explicitly maintaining the recognition of the author or authors and the journal itself (authorship acknowledgment).
- Warning that if the articles are remixed, modified or fragments used in other creations, the modified material cannot be distributed, nor is it allowed to reconstruct versions from the original published articles (derived works).
- The use of the contents of the published articles, in whole or in part, for profit (non-commercial recognition) is prohibited.
The author retains copyright, transfers or grants exclusive commercial rights to the publisher, and a non-commercial license is used.
