AI-агенты в госсекторе России: где реально работают

Государственные структуры в России переходят от пилотов чат-ботов к попыткам внедрять полноценных AI-агентов — программы, которые не просто отвечают на вопрос, а выполняют цепочку действий: находят документ, сверяют данные, готовят проект ответа. На «Госуслугах» с 2024 года работает ассистент Макс, региональные МФЦ тестируют помощников для операторов, а ведомства встраивают языковые модели в обработку типовых обращений. При этом сценарий, привычный для бизнеса — «взял API OpenAI и подключил» — в госсекторе почти нигде не проходит из-за требований к данным и локализации.

Что именно внедряют

Условно проекты делятся на три уровня зрелости, и путать их не стоит: маркетинговое «мы внедрили ИИ» чаще всего означает первый уровень.

• Ответчики на частые вопросы. Классический чат-бот поверх базы знаний. Ассистент Макс на «Госуслугах» — самый заметный пример: он маршрутизирует запросы и отвечает на типовые вопросы по услугам.
• Помощники оператора. Модель подсказывает сотруднику МФЦ или колл-центра формулировку, находит нужный регламент, черновик ответа. Решение всё равно принимает человек.
• Агенты с действиями. Система сама запускает проверку по реестрам, заполняет форму, формирует межведомственный запрос. Это самый редкий и самый спорный уровень — здесь цена ошибки высокая.

Технологическая база — российские языковые модели: GigaChat от Сбербанка и YandexGPT от Яндекса. Зарубежные облачные модели в контуре, где обрабатываются персональные данные граждан и служебная информация, применять фактически нельзя.

Почему нельзя просто взять зарубежную модель

Три ограничения выстраиваются в стену:

• Персональные данные. Закон 152-ФЗ требует хранить и обрабатывать ПДн россиян на серверах в России. Отправлять их в зарубежное облако для инференса — нарушение.
• Импортозамещение ПО. Для значимых объектов критической информационной инфраструктуры и госорганов действуют требования по переходу на отечественный софт из реестра Минцифры.
• Гостайна и служебная информация. Часть систем работает в закрытом контуре без выхода в интернет вообще. Там применима только модель, развёрнутая on-premise.^*

Главный барьер госагентов — не качество модели, а вопрос «где физически крутится инференс и куда уходят данные». Пока ответ не «внутри нашего контура», проект не выходит из пилота.

Сравнение подходов к развёртыванию

On-premise развёртывание требует, чтобы модель влезла в доступное железо. Крупные модели упираются в нехватку ускорителей: поставки топовых GPU в Россию ограничены санкциями, поэтому ведомства смотрят в сторону моделей поменьше и техник вроде RAG^** — когда модель не запоминает регламенты, а подтягивает их из базы в момент ответа.

Кому это пригодится, а кому нет

Где агенты дают эффект

• Обработка типовых обращений. Запросы о статусе заявления, графике работы, перечне документов — здесь бот снимает нагрузку с колл-центров.
• Помощь оператору с регламентами. Вместо поиска по десяткам приказов сотрудник получает подсказку с ссылкой на пункт. Ответственность остаётся на человеке — это важно.
• Черновики документов. Проект ответа на обращение по 59-ФЗ, который редактирует и подписывает сотрудник.

Где внедрять рано или опасно

• Автоматические юридически значимые решения. Отказ в услуге или начисление, вынесенные агентом без человека, — юридический и репутационный риск. Модель может выдать уверенно звучащую, но неверную норму.
• Работа с гостайной без изолированного контура. Пока нет развёрнутой в закрытой сети модели — вопрос не обсуждается.
• Проекты «ради галочки». Бот, который не умеет ничего сверх FAQ на сайте, раздражает граждан сильнее, чем его отсутствие.

Что мешает масштабировать

Помимо инфраструктуры, у госвнедрений есть свои узкие места:

1. Закупки. ИИ-проект сложно уложить в техзадание по 44-ФЗ: результат вероятностный, а госзакупка любит фиксированный измеримый итог.
2. Ответственность за галлюцинации. Если агент подсказал гражданину неверную норму, отвечает ведомство. Отсюда осторожность и человек в контуре почти везде.
3. Качество данных. Регламенты разбросаны по PDF, приказам и почте. Без чистой базы знаний RAG подтягивает мусор.

^* On-premise (он-премис) — развёртывание системы на собственных серверах организации, а не в облаке стороннего провайдера. Данные не покидают контур заказчика.

^** RAG (retrieval-augmented generation) — подход, при котором языковая модель перед ответом ищет релевантные документы во внешней базе и опирается на них, а не только на «выученное» при обучении. Снижает выдумывание фактов и упрощает обновление знаний.