1. Введение

Антикоррупционный контроль на государственном уровне все заметнее смещается от модели реагирования на выявленный факт к модели управления рисками — с попыткой заранее распознать узкие места в процедурах и потоках данных, где вероятность злоупотреблений максимальна. Этот сдвиг подпитывается цифровизацией управленческих процессов в рамках парадигмы электронного государства [1], [2]: закупки, бюджетное исполнение, кадровые решения, предоставление мер поддержки и оказание государственных услуг оставляют цифровые следы, которые можно сопоставлять между собой и проверять на аномалии. В российских условиях такой поворот особенно важен на уровне субъектов Федерации, где значительная часть решений принимается ближе к получателю ресурсов и услуг, а разнообразие отраслей и муниципальных практик резко повышает неоднородность рисков [3].

2. Методы и принципы исследования

Базовый метод

—

Второй опорный метод

—

Третий метод

——————

Дополнительно применялись методы контент‑анализа и функционального моделирования. Контент‑анализ использовался для систематизации типовых сценариев применения ИИ (ранжирование объектов по риску, выявление аномалий и сговоров, поиск связей и аффилированности, обработка текстов и жалоб, сопоставление реестров), что отражено в классификации сценариев (табл. 1), а также для выделения устойчивых «узких мест» внедрения (дисциплина данных, процедурная совместимость, риск ошибок и ложных срабатываний), обобщенных в виде матрицы рисков (табл. 2). Функциональное моделирование применялось для описания типовой схемы встраивания ИИ в регламенты контроля: результат алгоритма трактуется как подсказка и основание для постановки проверяемой гипотезы, а не как решение по существу.

Ключевые принципы исследования включают: принцип правовой нейтральности модели (алгоритм не подменяет юридическую квалификацию и дискрецию должностного лица), принцип проверяемости (каждый сигнал привязан к конкретным полям данных и документам), принцип минимизации и целевого ограничения обработки сведений, принцип подотчетности и аудируемости (журналирование, контроль доступа, сохранение версий моделей и правил), принцип управляемой адаптации (обновление правил и моделей при изменении практик и рисков), а также принцип институциональной совместимости (встраивание в существующие полномочия и процедуры без размывания ответственности между участниками).

3. Основные результаты

Мировые тенденции наиболее наглядно проявляются в сфере публичных закупок, где накоплены стандартизированные данные о процедурах, участниках и результатах торгов. Исследования по «красным флагам» показывают, что многие коррупционные и квазикоррупционные практики оставляют измеримые следы: нетипичная длительность процедур, ограниченная конкуренция, повторяемость победителей, специфика критериев оценки и дробление контрактов. На практике это позволяет строить модели, которые не доказывают злоупотребление, но стабильно выделяют подозрительные торги для последующего аудита и разбирательства

[4]

Эта линия поддерживается и обзорными работами, где фиксируется быстрый рост прикладных подходов к выявлению мошенничества и коррупции в закупках: от классических правил и индикаторов до ансамблевых моделей, графовой аналитики и гибридов «правила + машинное обучение». Важное наблюдение состоит в том, что технологическая сложность сама по себе не гарантирует лучшего результата: выигрыш дают правильно подобранные признаки риска, прозрачная интерпретация для аудитора и устойчивость модели к изменениям в регуляторике и поведении участников

[5]

Отдельный класс задач

—[6]

Российским примером масштабного внедрения аналитических инструментов для выявления сговоров является государственная информационная система ФАС России «Антикартель»: в публичных материалах ФАС указывается, что система в автоматизированном режиме анализирует данные ЕИС в сфере закупок и ГИС «Торги», использует элементы машинного обучения и обеспечивает ежедневный анализ 100% закупочных процедур с формированием риск‑сигналов для последующей проверки. Концептуально эта линия развивалась на базе более раннего скринингового сервиса («Большой цифровой кот»/«АнтиКартель»), где скоринговые индексы строились на структурных и поведенческих признаках участников торгов и параметрах, извлекаемых из ЕИС и данных электронных площадок

[7][8]

В странах с ограниченными ресурсами контроля акцент все чаще делается на инструментах приоритизации: не «найти все», а «выбрать то, что стоит проверки в первую очередь». Примером служат решения, где машинное обучение используется для раннего выявления неэффективностей (перерасход, срыв сроков), а параллельно строятся индексы риска по процессным нарушениям, опирающиеся на открытые данные. В таких архитектурах ключевым продуктом становится не модель как таковая, а понятный интерфейс для инспектора: объяснимые признаки, логику ранжирования и воспроизводимую процедуру принятия решения о начале проверки

[9]

За рамками закупок ИИ активно развивается в сфере аудита и бюджетного контроля. Особенно показательны эмпирические работы, где прогнозный показатель коррупции используется для более эффективного таргетирования проверок: при одинаковом объеме аудита «машинно-направленный» выбор объектов способен обнаруживать существенно больше нарушений, чем случайная выборка. Концептуально это переводит контроль из режима «проверяем все понемногу» в режим «проверяем глубже там, где вероятнее проблема», что критично для регионов с ограниченным кадровым и финансовым ресурсом контрольных органов

[10]

Для высших органов внешнего финансового контроля (и аналогичных институтов) ИИ рассматривается как средство повышения охвата и качества аналитики: от классификации транзакций по риску до выявления завышения цен и нетипичных платежных цепочек. При этом профессиональное сообщество аудиторов подчеркивает, что внедрение требует новых компетенций и стандартизации

[11][12]

В контуре внешнего государственного аудита также формируется российский опыт цифровой трансформации. Примером служит развитие цифровых рабочих мест и аналитических витрин в Счетной палате РФ (АРМ «Цифровой инспектор» как система «единого окна» для сбора, обработки и визуализации данных, а также сокращения трудозатрат инспекторского состава). Отчет Счетной палаты о работе в 2024 г. фиксирует использование аналитических систем и инструментов ИИ и приводит суммарные результаты: экономический эффект 148,9 млрд руб., включая возврат 95,9 млрд руб. в бюджеты всех уровней, что показывает масштаб задач, где риск‑ориентированная аналитика может усиливать традиционный аудит

[13][14]

Усиление аналитических возможностей неизбежно поднимает вопрос доверия к алгоритму и его правовой легитимности. В зарубежной регуляторике и практике управления ИИ заметен переход к «обязательствам оценки»

—[15]

Российская специфика состоит в одновременном наличии крупных государственных цифровых контуров и выраженной региональной неоднородности их использования. С одной стороны, базовые реестры и платформы формируют потенциал «сквозной» аналитики; с другой

—[16]

Потенциал подобных подходов подтверждается и корпоративной практикой, где антифрод‑системы работают в режиме реального времени, обрабатывая массовые потоки операций и формируя риск‑скоринг для экспертной проверки. По данным публичных сообщений, антифрод‑платформа Сбера на основе ИИ помогла в 2025 г. предотвратить потери клиентов более чем на 360 млрд руб.; в качестве одной из технологических характеристик отраслевой практики упоминается обработка порядка 150 тыс. транзакций в секунду при миллисекундных задержках ответа. Близкая по логике аналитика применима к региональным закупкам и, в частности, к капитальному строительству: корпоративные кейсы BI‑аналитики демонстрируют, как дашборды и контроль аномалий позволяют выявлять переплаты, обход конкурентных процедур, устойчивые связки сотрудников и поставщиков и другие маркеры злоупотреблений, формируя основу для адресных проверок

[17][18][19]

В российском дискурсе все чаще обсуждается, что государственные антикоррупционные задачи требуют не «универсального ИИ», а набора специализированных сервисов, встроенных в правоприменение: мониторинг конфликта интересов, сопоставление деклараций с косвенными признаками благосостояния, выявление аффилированности поставщиков и заказчиков, анализ обращений и сообщений о нарушениях. Важно, что эти сценарии должны быть технологически реализуемы в регионах: через типовые модули, унифицированные требования к данным и методические рекомендации по интерпретации результатов

[20]

Одним из направлений, где сходятся технологические и правовые вопросы, является формирование государственных информационных систем, ориентированных на межведомственный сбор и анализ данных по соблюдению антикоррупционных ограничений. Такие решения усиливают потенциал сквозного сопоставления сведений и снижают зависимость от ручной проверки. Однако именно здесь наиболее остро проявляются вопросы допустимости, полноты и качества данных, а также порядка использования результатов аналитики в дисциплинарных и контрольных процедурах

[21]

В прикладном плане ИИ может давать на региональном уровне несколько устойчивых преимуществ. Во-первых, повышается масштабируемость контроля: алгоритмы способны ежедневно просматривать массивы процедур, которые физически невозможно анализировать вручную. Во-вторых, ускоряется цикл реакции: риск-сигнал формируется вблизи момента принятия решения, а не постфактум. В-третьих, становится возможным переход от точечных проверок к мониторингу системных причин (например, типовые схемы дробления закупок или повторяющиеся исключения из конкурентных процедур). Наконец, появляется более управляемая воспроизводимость контроля: одинаковые правила отбора и ранжирования применяются к сопоставимым данным

[22]

Модельный (анонимизированный) пример регионального пилота: в одном из субъектов РФ при органе внутреннего финансового контроля развертывается витрина данных закупок, ежедневно забирающая из ЕИС планы‑графики, извещения, протоколы и сведения о контрактах и обогащающая их данными регионального казначейского сопровождения и реестров контрагентов. На витрине построен риск‑скоринг по типовым «красным флагам» (аномальная цена и отклонение от рыночных бенчмарков, дробление лотов, повторяемость победителей, минимальное число участников, короткие сроки и т.п.). Результат модели используется как сигнал для камеральной проверки: проверяющий получает ранжирование процедур и пояснимые признаки, что снижает трудоемкость первичного отбора и увеличивает долю результативных проверок за счет концентрации на верхнем квантиле риска.

Типовые сценарии применения ИИ в региональном контуре удобно рассматривать через связку «объект контроля

———

Критически важно, что почти все сценарии требуют не столько особо сложных математических моделей, сколько семантической совместимости данных. Для регионов это означает работу с мастер-данными и унификацией атрибутов: единые идентификаторы организаций и физических лиц, нормализация адресов, связка объектов имущества и правообладателей, согласованные отраслевые справочники по видам работ и услуг. Без такого слоя интероперабельности любые ИИ-модели будут лишь тиражировать ошибки исходных реестров и создавать ложные срабатывания, обесценивающие доверие к системе.

Если рассматривать закупки как ключевой узел региональных коррупционных рисков, то важны два класса аналитики: индикаторы процесса (что происходило на этапе выбора способа закупки, подготовки документации, допуска заявок) и индикаторы результата (цена, сроки, качество исполнения). Практика показывает, что цифровые методы позволяют системно фиксировать нетипичные сочетания признаков. Важный вывод для регионов состоит в том, что такие индикаторы должны быть частью методики контроля: формироваться автоматически, документироваться и использоваться как повод для углубленной проверки

[23]

Секторальные приоритеты регионов позволяют довольно быстро выбрать сценарии с максимальной отдачей. В капитальном строительстве и ремонтах ИИ-подходы применимы для выявления аномалий в сметах, сопоставления цен на материалы и работы по сопоставимым объектам, контроля цепочек субподрядов и анализа изменений контрактов по дополнительным соглашениям. В здравоохранении и социальной сфере перспективны модели, которые сопоставляют закупочные цены и объемы с нормативами потребления и статистикой оказания услуг, выявляя нетипичные «провалы» конкуренции и повторяемость поставщиков. В земельно-имущественных отношениях графовая аналитика помогает обнаруживать пересечение бенефициаров между подрядчиками, получателями льгот и должностными лицами, а также аномальные траектории смены собственников и арендаторов

[24]

Региональный уровень также удобен для трансляции организационных новаций. Во многих субъектах Федерации контуры контроля распределены между финансовыми органами, отраслевыми ведомствами, контрольно-счетными органами, органами внутреннего финансового аудита, а также взаимодействуют с прокуратурой и антимонопольными структурами. ИИ-инструменты способны сыграть роль «общего языка» между ними, если результаты представлены как стандартизированные риск-карточки: источник данных, признаки, уровень риска, объяснение, история изменений и статус реакции. Тогда обмен сигналами становится процедурным, а не ситуативным, что особенно важно для муниципального уровня, где кадровая и методическая устойчивость ниже.

Наконец, отдельного внимания заслуживает вопрос устойчивости к дрейфу - когда изменяются либо процессы (новые способы закупок, измененные сроки и требования), либо поведение участников (адаптация к индикаторам риска), либо нормативная база. Для регионов рационально закладывать цикл пересмотра моделей и признаков риска не реже одного раза в год, а для наиболее чувствительных сценариев

—

Второй критический пласт

—

Содержательно зрелая система ИИ-контроля строится как цепочка: данные → модели → управленческое действие → обратная связь. Региону необходимо заранее определить источники корректной информации, порядок исправления ошибок (data governance) и ответственных за витрины данных. Затем

——

На этом этапе возникает важная развилка между полной автоматизацией и «человеком в контуре». Для антикоррупционного контроля в регионах практичнее второй вариант: модель ранжирует и объясняет, но решение о запуске проверки принимает уполномоченное лицо, фиксируя основания. Это снижает риск неправомерного вмешательства в права проверяемых и одновременно делает алгоритм инструментом повышения качества управленческого выбора. Такой дизайн также помогает справиться с неизбежными ошибками первого периода, когда модели учатся на исторических данных, а процессы и законодательство продолжают меняться.

Отдельно следует отметить потенциал генеративных моделей (включая большие языковые модели) как инструмента производительности, а не как детектора коррупции. На региональном уровне они могут ускорять подготовку справок, обобщение материалов проверок, первичную классификацию обращений и поиск по массивам регламентов и контрактной документации. Однако их использование требует строгих ограничений: запрет на автоматическую выдачу юридических выводов, контроль утечек данных, журналирование запросов и обязательную верификацию результатов человеком. Иначе выигрыши времени легко будут нивелированы репутационными и правовыми рисками.

Риск-профилирование и автоматизация не являются нейтральными: они меняют поведение участников и распределение внимания контрольных органов. Поэтому встроенная подотчетность должна проектироваться одновременно с моделью. Практически это означает набор процедур контроля качества, прозрачности и устойчивости, которые могут быть стандартизированы для регионов и применяться как к собственным моделям субъекта Федерации, так и к решениям федеральной платформы (см. таблицу 2).

Оценка эффективности ИИ в антикоррупционном контроле требует корректных метрик. Точность модели в статистическом смысле важна, но недостаточна: контрольному органу нужны показатели полезности сигнала (доля результативных проверок среди рекомендованных), экономия времени на анализе типовых процедур, сокращение срока выявления рисков, а также воспроизводимость решений при смене персонала. Для регионов дополнительно значима сопоставимость: единые подходы к расчёту метрик позволяют видеть, где проблема в данных, где — в процессах, а где — в отраслевой специфике.

4. Обсуждение

Оценка эффективности ИИ в антикоррупционном контроле требует корректных метрик. Точность модели в статистическом смысле важна, но недостаточна: контрольному органу нужны показатели полезности сигнала (доля результативных проверок среди рекомендованных), экономия времени на анализе типовых процедур, сокращение срока выявления рисков, а также воспроизводимость решений при смене персонала. Для регионов дополнительно значима сопоставимость: единые подходы к расчёту метрик позволяют видеть, где проблема в данных, где — в процессах, а где — в отраслевой специфике.

В организационном плане внедрение целесообразно вести по логике «коридора доверия»: сначала — вспомогательные сценарии с низкими ставками (маршрутизация обращений, поиск дубликатов, подсветка нетипичных параметров контрактов), затем — сценарии приоритизации проверок, и только после накопления практики — более сложные случаи, затрагивающие персональные данные и конфликты интересов. Такой порядок позволяет сформировать у региональных контрольных команд навыки работы с данными и интерпретации сигналов, а также выстроить коммуникацию с прокуратурой, КСП и отраслевыми ведомствами вокруг единых критериев риска.

В долгосрочной перспективе ключевое преимущество ИИ на региональном уровне связано с интеграцией разрозненных контуров контроля. Там, где сегодня существуют отдельные проверки закупок, субсидий и кадровых решений, платформа данных и граф связей может выявлять сквозные схемы: повторяемость контрагентов, пересечение бенефициаров, совпадение адресов и контактных данных, переход сотрудников между связанными организациями. Именно такой междоменный анализ позволяет переходить от локального устранения нарушений к профилактике — изменению правил и процедур так, чтобы риск-схемы становились дороже и заметнее.

Для регионов принципиально важно заранее определить границы использования результатов ИИ в юридически значимых действиях. В дисциплинарных, контрольных и процессуальных контекстах риск-сигнал корректно трактовать как основание для начала проверки и постановки вопросов, а не как доказательство. Отсюда вытекает практическое требование: каждый вывод модели должен сопровождаться трассировкой (какие данные использовались, какая версия модели применялась, какие признаки повлияли на итоговый балл), а также возможностью независимой перепроверки по первичным документам. Такой подход одновременно защищает права проверяемых и повышает качество управленческого решения, поскольку переводит ИИ-подсказку в формат проверяемого и оспоримого аргумента.

Наряду с технологической и организационной составляющими требуется институционализация — появление понятных ролей и процедур управления моделями. Для регионов это может быть закреплено через проектный офис (или межведомственную рабочую группу) по аналитике коррупционных рисков, который утверждает перечень приоритетных сценариев, поддерживает единые словари признаков, согласует пороги срабатывания, контролирует качество данных и организует независимую проверку моделей. Важный принцип — разделение функций: разработка и сопровождение модели не должны совпадать с функцией принятия окончательного решения по конкретному делу. Такая конструкция снижает риск конфликта интересов и повышает доверие к цифровому контролю со стороны ведомств, муниципалитетов и граждан.

5. Заключение

Перспективы применения ИИ в государственном антикоррупционном контроле в целом можно оценить как высокие, но зависящие от социальной инфраструктуры данных и подотчетности. Для субъектов Федерации наиболее продуктивным выглядит сочетание федеральной платформы (типовые данные и сервисы) и региональных прикладных сценариев, привязанных к реальным болевым точкам отраслей и муниципалитетов. Если регионы смогут институционализировать управление данными, закрепить процедуры алгоритмической прозрачности и подготовить кадры для работы с риск-сигналами, ИИ станет не разовой инновацией, а устойчивым элементом профилактики коррупции и повышения качества управления.

The additional file for this article can be found as follows: