Современные ИИ-решения для госсектора: архитектура, сценарии использования, барьеры для внедрения

Игорь Немов, советник руководителя направления Т1 ИИ (входит в ИТ-холдинг Т1)

Уровень зрелости внедрения ИИ в госуправлении

Как отметил премьер-министр Михаил Мишустин на форуме ВТБ Data Fusion весной 2025 года:

Внедрение отечественных технологий искусственного интеллекта предусмотрено более чем в 25 решениях федеральных органов исполнительной власти уже в текущем году. Для достижения цифровой зрелости требуется консолидация усилий органов власти, бизнеса, научного и экспертного сообщества.

ИИ-проекты в госсекторе ориентированы на автоматизацию документооборота, аналитику данных, работу с массовыми обращениями граждан, цифровых ассистентов, что становится новой нормой цифровизации государственного управления.

Почему важна платформенность?

Госсектор продуцирует большое количество ИИ-сервисов, не связанных между собой. Разрозненность решений и сложность их масштабирования могут приводить к перерасходованию ресурсов и снижению эффекта от автоматизации, а также — повышению расходов на внедрение и сопровождение ИИ. Переход к платформенной архитектуре — это принципиальное изменение, позволяющее создать единую экосистему, в которой все процессы интегрируются в сквозные цепочки. Платформа обеспечивает тиражирование лучших практик, унификацию требований по безопасности и совместимости, гибкое добавление новых модулей под задачи конкретных ведомств, и, главное, ускоренное обновление и внедрение инноваций без необходимости долгого согласования на каждом уровне. Это стало ключевыми требованиями при разработке Платформы в ИТ-холдинге Т1.

Архитектура и ключевые компоненты платформы

ИИ-ассистенты

Платформа призвана поддерживать рабочий процесс госслужащего: от приема и обработки обращений граждан до автоматического формирования ответов и сверки их с требованиями нормативных актов.

Это не просто электронный секретарь для «приема заявок», а полноценный интеллектуальный помощник в ежедневной работе муниципалитета: система на лету классифицирует обращения, формирует задачи исполнителям с учетом расписания, автоматически подбирает и рекомендует оптимальный шаг решения.

Например, при заявке на протечку кровли платформа определяет, кому адресовать обращение, автоматически учитывает загруженность бригад, выставляет оптимальные сроки и формирует ответ для жителей, когда будет устранена проблема. Сотрудник ЖКХ получает не перечень задач вслепую, а пошаговую инструкцию, подсказки по регламенту и нормативным документам. По результату формируется автоматизированная отчетность — без ручных таблиц и дополнительных согласований.

Особое значение имеет возможность администрации госоргана своими силами как обучать ИИ или масштабировать его вертикально на рабочие процессы, так и тиражировать ИИ по другим направлениям работы.

Например, если вечером вышли изменения в нормативных документах или выпущен новый приказ, то ИИ найдет его в базе знаний и в первый же рабочий час нового рабочего учтет в работе. А если нужно тиражировать ИИ на другие отделы (например, ассистента по базе знаний ЖКХ применять в дорожном хозяйстве) — достаточно копировать его, подключить к документам базы знаний и после настройки при тестировании — применять в работе. Весь процесс займет часы, а не недели и месяцы.

Интеллектуальный анализ документов

Одно из функциональных требований к платформе — наличие автоматических модулей для проверки массива документов (закупочных, строительных, юридических и технических). Система находит отклонения между проектными и рабочими версиями, автоматически выявляет противоречия, сверяет формулировки с действующей нормативной базой.

Например, при реализации госзакупок: если яблоки, выращенные в Твери, официально проходят через московский склад, а реально поставляются в тульские школы по межрегиональному контракту — система автоматически отслеживает все этапы перемещения, учитывает каждую точку передачи и сверяет условия поставки с изначально согласованными документами. Для пользователя процесс невидим, но каждый «разрыв» в документообороте тут же выделяется и попадает на контроль. Такие сценарии особенно востребованы в крупных контрактах для обеспечения образования, медицины, социального питания, межрегиональной логистики.

Еще один пример — внедрение ИИ-юриста в одном из регионов позволило разово выявить более десятка неявных противоречий между региональными и федеральными нормативными актами, ускорить согласование новых нормативов и автоматизировать подготовку писем в контролирующие органы. Такой ассистент «вычитывает» документы в разы быстрее человека и не упускает детали.

Из практики внедрения этого модуля платформы для анализа строительной и медицинской документации стало ясно, что система позволяет снизить трудозатраты специалистов на 40% и практически устраняет человеческий фактор при обработке тысяч документов в месяц.

Фабрика ИИ «Сайбокс»

Универсальный конвейер для создания, тестирования и эксплуатации моделей ИИ любой сложности — от стандартных ML- и DL-моделей до современных LLM. AutoML обеспечивает быстрое развертывание, тестирование и обновление ИИ на актуальных данных информационных систем госоргана, а централизованное управление ресурсами ускоряет внедрение новых сервисов до 10 раз по сравнению с традиционными подходами. И снижает потребность в вычислительных мощностях, а недостаток GPU сегодня критичный стопфактор для внедрения ИИ.

Десятки и даже сотни моделей могут обслуживаться командой из буквально 10 специалистов: раньше для поддержки 400 моделей, например, требовалось более 100 человек, теперь задачи укладываются в компактную и высокоэффективную структуру. Контроль за метриками качества не остается на совести операторов: платформа сама отслеживает показатели, и, если производительность любой модели падает ниже допустимого порога (например, 80%), она автоматически инициирует процесс проверки, сигнализирует о необходимости дообучения и интеграции новых данных.

Это не просто автоматизация рутины — цикл поддержки становится непрерывным и устойчивым в реальном времени. Реализованные кейсы «Сайбокс» в медицине доказывают, что одна фабрика способна обслуживать до 12 моделей ИИ, направленных на решение медицинских задач в конкретном регионе, избавляя заказчиков от необходимости поддерживать десятки разрозненных контрактов и команд разработчиков. Весь ИИ работает под единым управлением, автоматические дообучается на непрерывно изменяемых данных инфосистем и требует значительно меньше финансов на создание, внедрение, развитие и инфраструктуру.

Графовый анализ

Применяется для выявления неочевидных и комплексных связей между данными: например, определение перекрестных влияний различных нацпроектов на ключевые стратегические показатели региона и даже страны. Живой пример — проект оценки влияния строительства инфраструктуры (дороги, спортплощадки) на достижение целей в области демографии или охвата населения спортом.

Модуль «Мирион» автоматически строит цепочки взаимосвязей между мероприятием и конечным результатом, показывая неочевидные, но ключевые точки роста.

Единая защищенная база данных

Платформа «Криптоанклав» обеспечивает защищенное применение данных от разных госструктур, ведомств и участников рынка, где каждый участник видит только свои данные, а получает эффект от консолидированного датасета всех участников. Инструмент подтвердил эффективность, повысив качество выявления мошенничества у всех участников при полной конфиденциальности данных в пилотных проектах в банковском секторе.

Экономический и практический эффекты

Платформенные решения Т1 ИИ показали высокую эффективность и предназначены для разных уровней госсектора — от ОМСУ до ФОИВ.

Например, система автоматического протоколирования совещаний «ИИ-секретарь» внедрена в госорганизациях, позволяет мгновенно формировать протокол по итогу ВКС или совещания и организовать трекинг задач, снижая рутинную нагрузку на аппарат руководства.

В системе ОМС модуль «МедКонтроль» быстро анализирует данные по страховым случаям и снижает количество ошибок при отработке ОМС-документов.

В госорганах использование интеллектуальных систем облегчает нагрузку на сотрудников, которые традиционно тратили до 54% времени на организацию взаимодействий и работы с корреспонденцией. Результат — высвобождение времени для аналитики, принятия решений и прямой работы с гражданами.

В ведомствах система автоматизированного анализа технических заданий применена для проверки пакетов документации в госзакупках, а интеллектуальный анализ проектной и строительной документации доказал свою результативность в регионах, снижая число согласований и замечаний на 30-40%. Графовые алгоритмы работают для мониторинга национальных проектов: аналитика показателей и мероприятий автоматически выявляет влияние расходов на достижение национальных целей, что невозможно реализовать вручную на массивах из сотен тысяч строк.

Централизованное внедрение фабрики ИИ снижает совокупные расходы (TCO) до 50% за счет унификации инфраструктуры, оптимизации вычислительных мощностей и повторного использования моделей для разных сценариев.

Однако сила технологии не только в количественных показателях, а в том, чтобы люди могли подстраивать решение под себя. Сотрудник ведомства получает ИИ не «инновационную нагрузку», а технологического цифрового помощника.

No-code администрирование на Платформе цифровых ассистентов многократно расширяет пользу от ИИ: любой сотрудник даже без инженерных или ИТ-знаний может самостоятельно подстроить обработку типовых кейсов под свою специфику, без обращения к внешним разработчикам и дорогостоящих процедур интеграции. В этом и раскрывается настоящая гибкость в госуправлении.

Барьеры и вызовы внедрения ИИ в госсекторе

Несмотря на растущий интерес госорганов к искусственному интеллекту, существует ряд системных и практических ограничений, которые замедляют широкомасштабную интеграцию ИИ-решений в реальное управление и сервисы. При создании в создании своих цифровых инструментов организовать трекинг.

1. Практические сложности эксплуатации ИИ в регионах. Региональные ведомства часто реализуют самостоятельные пилотные проекты и прототипы, рассчитывая на быстрый эффект. Однако реальные условия быстро меняются: требования к задачам и данным, стандарты и регламенты, инфраструктура, а локальные команды не всегда успевают поддерживать модели в актуальном состоянии. Итог — прототип работает правильно только на старте, но по мере технологических и организационных изменений его точность и ценность стремительно падает. Поддержка устаревших моделей требует допзатрат, приводит к ручному закрыванию дыр и часто — к отказу от дальнейшей эксплуатации решений.

2. Нюансы доверия специалистов к результатам ИИ. Работа искусственного интеллекта на практике — всегда зона риска для пользователя. Например, в медицине система может не отловить новую мутацию или специфическую биологическую особенность у пациента (особенно если отсутствуют примеры в обучающих датасетах). В этом случае врачи, изначально считавшие ИИ помощником, перестают доверять ему и тратят дополнительное время на двойные проверки: сначала результаты работы ИИ, затем — традиционную экспертную оценку. Постепенно инновация перестает быть поддержкой, превращаясь в дополнительную нагрузку.

3. Проблема несанкционированного использования генеративных ИИ. Востребованность поддержки в сложных случая вынуждает специалистов искать быстрые решения вовне — врачи, юристы, госслужащие загружают сверхсложные кейсы (эпикризы, юридические документы и т.п.) в сторонние генеративные сервисы. Это создает риски масштабных утечек персональных и служебных данных, которые могут попасть в сторонние обучающие выборки — и далее использоваться уже без контроля госорганов.

Эти вызовы показывают: успешная цифровизация невозможна без комплексного подхода, где поддержка обновления моделей, формирование доверия к ИИ на всех уровнях и абсолютное соблюдение требований инфобезопасности становятся не менее важными, чем само наличие ИИ-сервиса.

Грамотно реализовать масштабные ИИ-системы можно применяя сквозной контроль качества, постоянное обучение и централизованное обеспечение безопасности.