AI-агенты в госуслугах: где они реально работают, а где ещё нет

Государственные порталы всё чаще ставят между гражданином и формой заявления не статичный чат-бот с деревом ответов, а языковую модель, которая умеет читать документы, задавать уточняющие вопросы и вызывать сервисы через API. В России это направление тянет за собой связка «Госуслуг» и виртуального ассистента «Макс» (запущен в 2025 году), в Сингапуре — сборка ассистентов на базе внутренней платформы, в США — пилоты отдельных штатов и федеральных агентств. Общее у всех — переход от кнопочных сценариев к агентам, которые не только отвечают, но и совершают действия.

Слово «агент» здесь ключевое и одновременно самое размытое. Ниже — что за ним стоит, что уже работает, а что пока остаётся демонстрацией.

Чем агент отличается от чат-бота, который был на портале раньше

Старые ассистенты госуслуг работали на заранее прописанных сценариях: вы выбирали пункт меню, бот отдавал заготовленный ответ и ссылку. Шаг влево — и диалог ломался. Агент на базе большой языковой модели устроен иначе: он держит контекст разговора, понимает переформулировки и способен вызывать внешние функции — проверить статус заявления, подставить данные из профиля, сформировать черновик формы.

Разница не косметическая. Кнопочный бот отвечал «не понял вопрос» на всё, что выходило за сценарий. Агент пытается разобрать намерение и довести до результата. Плата за это — риск: модель может уверенно выдать неверную норму или срок, если её не ограничить проверенной базой знаний.

Главная инженерная задача в госсекторе — не сделать агента умнее, а сделать так, чтобы он не отвечал на то, чего не знает, и всегда отсылал к первоисточнику.

Откуда агент берёт «правильные» ответы

Ключевая технология здесь — RAG[1]: модель не сочиняет ответ из памяти, а сначала ищет релевантный фрагмент в проверенной базе (регламенты, тексты услуг, нормативка) и отвечает уже на его основе. Это снижает долю выдуманных фактов, но не обнуляет её: если в базе нет нужного документа или поиск подобрал не тот фрагмент, агент всё равно может ошибиться.

Что агент в госуслугах уже умеет делать

• Навигация по услугам. Понять по свободному описанию проблемы, какая услуга нужна, и привести к нужной форме.
• Предзаполнение заявлений. Подтянуть данные из профиля и документов, оставив пользователю проверку и подпись.
• Маршрутизация обращений. Определить ведомство и категорию жалобы, чтобы она не висела в общей очереди.
• Ответы на типовые вопросы. Сроки, список документов, статус заявки — со ссылкой на регламент.

Чего агенты в госсекторе, как правило, не делают в автоматическом режиме — принимают юридически значимые решения. Отказ в услуге, назначение выплаты, наложение штрафа остаются за человеком или за детерминированной проверкой правил, а не за вероятностной моделью. Это осознанное ограничение: цена ошибки в госрешении выше, чем удобство автоматизации.

Как это выглядит у разных подходов

Большинство государственных внедрений сегодня находятся между вторым и третьим столбцами: понимание запросов уже неплохое, а право на автономные действия дают дозированно и под контролем.

Кому это пригодится, а кому нет

Пригодится:

• Тем, кто не знает, как называется нужная услуга, и раньше тонул в каталоге портала.
• Людям, которые заполняют заявление раз в несколько лет и каждый раз путаются в полях.
• Ведомствам с валом однотипных обращений — агент разгружает первую линию поддержки.

Не заменит человека:

• В спорных и нестандартных ситуациях, где нужно толкование нормы, — здесь ответ агента стоит перепроверять у юриста или в самом ведомстве.
• Когда решение имеет юридические последствия (отказ, выплата, штраф) — за ними всё равно стоит человек или формальная проверка.
• Для тех, у кого нет цифрового профиля или подтверждённой учётной записи, — агент не обойдёт требования к идентификации.

Где риски

Первый — фактические ошибки. Даже с RAG модель иногда подставляет неточный срок или устаревшую редакцию правила. Поэтому в госсценариях агент должен ссылаться на источник, а не просто утверждать.

Второй — данные. Агент работает с персональными данными и профилем гражданина. Здесь важны логирование действий, ограничение того, какие сервисы агент вправе вызвать, и разделение между «подсказать» и «совершить действие от имени пользователя».

Третий — иллюзия компетентности. Уверенный тон модели создаёт ощущение официального ответа. Пока государственные ассистенты не приравнены к юридически значимой консультации, любой их ответ по срокам, пошлинам и документам стоит сверять с регламентом услуги на самом портале.

[1] RAG (retrieval-augmented generation) — подход, при котором языковая модель перед ответом ищет релевантные документы в проверенной базе и формирует ответ на их основе, а не только из «памяти» модели. Снижает долю выдуманных фактов, но не устраняет их полностью.