Как автоматизировать аналитические процессы и не потерять контроль над данными
Какой именно ИИ нужен госорганам, чтобы решать стоящие перед ними задачи? Большая языковая модель, которая генерирует текст и иногда галлюцинирует, или алгоритм, который обрабатывает миллионы записей, дает предсказуемый результат и объясняет каждое решение? Дмитрий Гольцов, заместитель генерального директора компании «Мегапьютер» разберется, почему традиционный машинный интеллект обходится дешевле, безопаснее и эффективнее модных нейросетей, и при чем тут российская платформа PolyAnalyst.
Цифровые технологии интенсивно проникают в сферу государственного управления. Перевод документов в электронный формат, создание единых баз данных, автоматизация межведомственного взаимодействия, предоставление электронных услуг для населения — все это кардинально меняет облик госучреждений, повышая эффективность их собственной работы и расширяя возможности по обслуживанию населения. Так, например, портал «Госуслуги» перешел от предоставления разрозненных услуг к работе по принципу «жизненных ситуаций»: поступление в вуз, строительство дома, рождение ребенка. Теперь сервисы автоматически заполняют данные из профиля заявителя, ускоряя подачу документов на 35%. Активно развиваются и внутренние сервисы для органов власти. Так, по проекту «Типовое автоматизированное рабочее место государственного служащего» до 2030 года 100% работников должны быть переведены на отечественное офисное программное обеспечение и электронный документооборот.https://rufincontrol.ru/online/article/529422/?sid=JDUkZiRlSmouRC85WlJFVXVDOU43Tmg1OUhrVElZa0RFVDZsR...
LLM госсектора: есть ограничения
Говоря о цифровой трансформации, нельзя обойти искусственный интеллект. Государство уже сегодня использует искусственный интеллект для решения ряда задач. Например, анализ больших данных для прогнозирования социально-экономических процессов, компьютерное зрение для контроля дорожной обстановки и инфраструктуры, интеллектуальная обработка обращений граждан.
В настоящее время под ИИ в обиходе часто понимают исключительно генеративный ИИ, в частности большие языковые модели (LLM). ChatGPT, Claude, Deepseek, GigaChat демонстрируют высокую эффективность в контакт-центрах, маркетинге и разработке ПО — областях, где большая часть задач связана с анализом и генерацией текстов.
Для государственного сектора использование LLM пока что ограничено рядом факторов. Первый — информационная безопасность. Лидирующие позиции в рейтингах занимают модели из США (Claude-Opus-4.5, Gemini-3-Pro, GPT-5.2) и КНР (Kimi-K2.5 Qwen3-Max). Их ЦОДы находятся за рубежом, и работа с ними требовала бы передачи данных из российских госсистем в инфраструктуру иностранных компаний.
Второе ограничение — регуляторное. С 1 марта 2026 года вступил в силу приказ ФСТЭК России от 11 апреля 2025 года № 117, который определил требования к ИИ-системам госорганов, а с 1 сентября 2026 года — Федеральный закон от 26 июля 2026 года № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации», закрепляющий понятия «суверенных» и «национальных» больших фундаментальных моделей, в том числе LLM. Они должны хранить данные на территории России и пройти подтверждение соответствия законодательству РФ и традиционным российским духовно-нравственным ценностям. Иностранные флагманские LLM под эти определения, конечно же, не подпадают. Отечественные LLM пока несколько отстают от зарубежных по качеству результатов, что мешает создавать сравнимые по возможностям аналитические решения на их основе. При этом они опять-таки требуют передачи государственных данных в корпоративную инфраструктуру, пусть и российских производителей.
Для удовлетворения основных требований безопасности можно использовать открытые модели, развернув их в закрытом контуре. Однако здесь возникает третье ограничение — ресурсоемкость. Так, для работы модели Llama 3.1 (содержащей 8B параметров) требуется видеокарта RTX 5090 стоимостью 350–450 тысяч рублей, а для более производительной Llama 3.3 (70B параметров) — уже от двух карт A100/H100 стоимостью от 2 до 10 миллионов рублей каждая, не считая затрат на эксплуатацию, охлаждение и инженеров.
Традиционные алгоритмические методы надежнее
Тут самое время вспомнить, что генеративный ИИ — лишь один из типов технологий искусственного интеллекта. Другой тип ИИ — классические модели машинного обучения — остаются основой аналитики в госсекторе. Их базовое преимущество — предсказуемость и высокая интерпретируемость многих из них. Результат может быть объяснен и отслежен до исходных данных и правил. В отличие от LLM их результаты гораздо проще сделать воспроизводимыми, они не генерируют ложные факты (галлюцинации), а логика принятия решений в простых моделях поддается аудиту и проверке человеком.
Для построения комплексных решений часто используют платформенные системы, предоставляющие как готовые алгоритмы анализа, так и полезные инструменты предобработки и преобразования данных разных форматов, собираемых из разнородных источников. Это особенно важно для тех, кто работает со смешанными данными, требующими предварительной обработки: числами в множественных таблицах, текстовыми документами и отсканированными изображениями.
Платформа, которая может…
Одной из таких платформ является российская аналитическая система PolyAnalyst от компании «Мегапьютер». Она работает по принципу low-code: аналитический скрипт строится графически из последовательности готовых функциональных узлов. Такой подход обеспечивает прозрачность каждого шага, понятность и проверяемость результатов. Пользователи без навыков программирования могут самостоятельно создавать комплексные сценарии, автоматизирующие различные процессы. В отличие от LLM традиционный ИИ в PolyAnalyst не требует графических карт, эффективно работает на миллионах записей, что превышает любое контекстное окно, и дает предсказуемый результат. Это делает платформу удобным инструментом для прогнозирования бюджетных показателей, классификации обращений, выявления подозрительных транзакций и автоматизации финансового контроля.
Среди госструктур наибольший интерес к PolyAnalyst проявляют контрольные органы, а в госкорпорациях — департаменты внутреннего аудита. В 2026 году для региональных контрольно-счетных палат реализовано несколько десятков проектов по автоматизации аналитических процедур.
В Контрольно-счетной палате Республики Башкортостан с помощью PolyAnalyst разработан ИИ-конвейер для аудита распределения социальной помощи. Данный инструмент позволил на порядок сократить время обработки множества разнородных документов (сканы соглашений, отчеты, выгрузки из Программно-информационного комплекса Минтруда России, протоколы местных комиссий).
ИИ-конвейер решает две важные задачи: анализ табличных данных (сравнение плановых и фактических субсидий, контроль превышений, оценка эффективности работы комиссий) и интеллектуальная обработка текстов протоколов с извлечением основных фактов, выявлением повторных обращений и противоречий. Встроенный OCR с нейросетевыми алгоритмами компенсирует низкое качество сканов. Результаты анализа представлены в виде интерактивного дашборда, позволяющего моментально увидеть сводные параметры по всей республике и проследить исполнение программ в разрезе направлений, районов и типов нарушений. Внедрение подобного решения позволяет проводить удаленный аудит, увеличивая долю «бесконтактных проверок». Повышается охват — доля бюджетных расходов, проверенных сплошным методом с помощью аналитических скриптов и бизнес‑аналитики вместо ручной бумажной выборки.
Елена Теняева, председатель Контрольно-счетной палаты Республики Башкортостан
«Внедрение аналитических инструментов на базе искусственного интеллекта в деятельность Контрольно-счетной палаты Республики Башкортостан — это не дань моде, а осознанная необходимость. Проекты, реализованные на платформе PolyAnalyst, уже дают конкретные результаты. Разработанный аналитический конвейер позволил сократить время обработки файлов разнородных документов на 77%. Система автоматически анализирует табличные данные и тексты (документы), а также неструктурированные материалы, и выявляет нарушения. Это позволяет исключить ручную обработку больших объемов файлов и сократить время проверки. Кроме того, система обеспечивает выборку необходимой информации по заданным параметрам. Мы уверены, что в экспертизе и аудите, где есть большие массивы данных, искусственный интеллект становится незаменимым помощником. Это позволяет нашим инспекторам сосредоточиться на содержательном анализе, а не на механической сверке цифр».
Для КСП Херсонской области на основе PolyAnalyst было разработано решение, которое автоматически формирует заключение об исполнении бюджета региона. Создание этого типового документа вручную ранее занимало 1–2 недели. Автоматизированное решение позволило сократить время до нескольких часов. Система загружает и обрабатывает набор документов, необходимых для формирования заключения: отчет об исполнении бюджета, сводную бюджетную роспись, закон об областном бюджете (где нужно, производится распознавание текста и таблиц в сканах документов через OCR), таблицы Excel и текстовые документы. Алгоритмы находят и извлекают показатели доходов, расходов и дефицита, сопоставляют их между документами и версиями, фиксируют расхождения, классифицируют доходы и расходы по уровню исполнения (красная, желтая, зеленая зоны), выявляют главных распорядителей с высоким или низким процентом исполнения и рассчитывают доли категорий расходов и доходов. Далее система автоматически формирует итоговое заключение путем передачи в шаблон Word более 70 переменных, рассчитанных на основе извлеченных из рассматриваемых документов данных, и предоставляет его для финальной проверки человеком. Такая автоматизация существенно снижает трудозатраты и сокращает срок подготовки отчетности, одновременно уменьшая число ошибок ввиду исключения ручного переноса данных.
Для КСП Чувашской Республики тестируется проект по анализу сведений о предоставлении субсидий. Система обрабатывает архивы документов по ключевым получателям субсидий с разными уровнями софинансирования (федеральный, региональный, муниципальный). Из представленных данных извлекаются дата, номер, стороны, целевая статья, объемы субсидий по годам, уровень софинансирования и ключевые показатели с плановыми датами. Далее система сопоставляет плановые данные с квартальными отчетами получателей субсидий, выявляя расхождения между заявленным и фактическим освоением средств и определяя зоны риска. Проект демонстрирует, как интеллектуальные инструменты превращают рутинную сверку разрозненных данных в полностью автоматизированный конвейер, обеспечивая прозрачность движения бюджетных средств.
Бизнес с государственным участием также сталкивается с задачами, которые эффективно решает традиционный ИИ. Так, простота создания в системе PolyAnalyst многошаговых сценариев для преобразования и продвинутого анализа данных помогает компании «АЛРОСА» повышать эффективность работы собственного центра self-service-аналитики. Широкое использование системы дало возможность компании принципиально ускорить создание прототипов новых корпоративных решений и увеличить число сотрудников разных департаментов, вовлеченных в автоматизацию бизнес-процессов.
Михаил Стрельцов, руководитель центра компетенций по управлению данными компании «АЛРОСА» :
«Перед нами стояли вызовы: за короткий срок найти отклонения или выявить разногласия в данных. Многие продукты не позволяют сделать это быстро. PolyAnalyst стал для нас low-code-инструментом, с которым мы приходим к результату без долгого согласования методологии и переписывания кода. Это дает возможность быстро выйти на прототип или минимально жизнеспособный продукт (MVP), а также оперативно закрыть потребность в нерегулярной отчетности. То, что раньше занимало день-два, а иногда и неделю, теперь автоматизируется за минуту. Мы видим применение PolyAnalyst в закупочном блоке, логистике, контрактной и финансовой службах — везде, где нужно найти математически выгодные решения по поиску отклонений».
Экспертное сообщество прогнозирует в ближайшие 3–4 года взрывной рост ИИ и его влияния на экономику. Это неотвратимый технологический переход. Однако не стоит пытаться вслепую внедрять генеративный ИИ во все процессы, ожидая соразмерной эффективности. Искусственный интеллект как класс технологий включает широкий набор инструментов и не ограничивается LLM. Баланс затрат, точности и эффективности достигается платформами, включающими как традиционные модели ИИ, так и инструменты преобразования данных. Такие системы, как PolyAnalyst, служат надежной основой для автоматизации бизнес-процессов при сохранении контроля над данными в эпоху искусственного интеллекта.
Игорь Селютин, председатель Контрольно-счетной палаты Воронежской области:
«Цифровизация внешнего финансового контроля — объективная необходимость. Для нас принципиально, чтобы технологии не просто ускоряли работу, но и сохраняли проверяемость, устойчивость и защищенность данных. При выборе решений мы смотрим не только на внешние эффекты, но и на возможность проверить каждый вывод и получить тот же итог при тех же условиях.
PolyAnalyst рассматриваем как один из инструментов, который позволяет перевести в автоматический режим контрольные процедуры, работать с большими массивами сведений из разных источников и визуализировать итоги. Контрольно-счетная палата Воронежской области уже выполнила ряд проектов, в том числе связанных с мониторингом и выявлением рисков на этапах строительства, анализом дебиторской задолженности, оценкой собственных результатов деятельности. Применение современных технологий освобождает инспекторов от рутинных операций, оставляя больше времени для содержательных выводов и оценки рисков».
