AI-архитектура

Глава 11 · Часть IV. Отраслевые применения

≈ 21 мин чтениярегиональное управлениегосзаказчикЛПР
Глава 11 · Отраслевые применения

Государственное и муниципальное управление: обращения, поручения, ГИС, МФЦ, СМЭВ, ЦУР и региональные данные.

Отраслевая статья · Государственное и муниципальное управление

Регион как цифровой контур: как метаплатформы и большие языковые модели ускоряют государственное управление

Цифровая трансформация регионов упирается не только в финансирование и кадры. Главный барьер — разрыв между регламентами, данными, ведомственными системами, ручной отчетностью и ответственностью. Метаплатформа и управляемый контур работы с большими языковыми моделями позволяют не строить новый монолит, а собирать управляемую архитектуру вокруг данных, ролей, интеграций и аудита.

Лид

Региональное и муниципальное управление уже не может развиваться по старой логике: «каждая задача — отдельная система, каждый отчет — отдельный Excel, каждое ведомство — отдельный контур данных». Эта модель исчерпывает себя. Она создает ИТ-долгострои, зависимость от подрядчиков, ручные сводки, дублирование сведений и слабую управляемость межведомственных процессов. При этом федеральная повестка движется в сторону экономики данных, цифровых платформ, электронных услуг, ГосТеха, импортонезависимости и защищенных контуров. Для региона это означает не просто очередной этап автоматизации, а смену архитектурной рамки. Большие языковые модели здесь ценны не как «замена чиновника», а как инструмент ускорения анализа регламентов, обращений, документов, отчетности, проектирования сервисов и модернизации старого ИТ-контура. Но эффект появляется только там, где ИИ встроен в метаплатформу: с владельцами данных, правами доступа, журналами действий, проверкой человеком и понятной ответственностью.

Краткие выводы для ЛПР

  1. Региональная цифровизация — это не вопрос количества систем, а вопрос связности. Ключевой эффект возникает там, где обращения, поручения, услуги, реестры, СЭД, МФЦ, СМЭВ и аналитика работают в единой модели данных и ролей.
  2. Большие языковые модели не должны принимать юридически значимые решения. Их рациональная роль — анализ, классификация, подготовка проектов, сверка, поиск несоответствий, объяснение регламентов и поддержка сотрудников. Решение, подпись и ответственность остаются за должностным лицом.
  3. Метаплатформа снижает риск ИТ-долгостроя. Вместо переписывания всех региональных ГИС с нуля она позволяет поэтапно оборачивать наследованные системы программные интерфейсы, выносить данные в управляемые реестры и запускать сервисы поверх существующего контура.
  4. Суверенный контур работы с большими языковыми моделями нужен не для имиджа, а для контроля данных. Обращения граждан, персональные данные, служебная информация, журналы действий и сведения ГИС не должны бесконтрольно попадать во внешние модели.
  5. Система управления применением ИИ — обязательная часть архитектуры. Нужны реестр сценариев применения ИИ, классификация данных, правила использования моделей, журналирование запросов, приемка результатов, контроль ошибок и механизм отключения сценариев.
  6. Для муниципалитетов ценность особенно высока. Типовые платформенные решения могут компенсировать дефицит ИТ-команд, если регион берет на себя архитектуру, безопасность, методологию данных и поддержку внедрения.
  7. Главный риск — автоматизировать плохой регламент. Если процесс не пересмотрен, ИИ лишь ускорит хаос: быстрее будут готовиться неправильные ответы, дублироваться отчеты и закрепляться некачественные данные.

1. Почему региональная цифровизация вошла в новую фазу

На федеральном уровне рамка уже задана: Указ Президента от 7 мая 2024 года закрепил национальную цель цифровой трансформации государственного и муниципального управления, экономики и социальной сферы, включая модель управления на основе данных, ускоренное внедрение больших данных, машинного обучения и ИИ, рост доли российского ПО в госсекторе и развитие электронных услуг.1 Национальный проект «Экономика данных и цифровая трансформация государства» стартовал как продолжение этой рамки и включает направления цифрового госуправления, ИИ, отечественных решений, кибербезопасности, кадров и цифровых платформ.2

Для регионов это не абстрактная стратегия. В 2025 году были утверждены региональные программы цифровой трансформации на 2026–2028 годы, а инфраструктурная повестка смещается к типовым платформенным решениям, ГосТеху, ГосОблаку и управляемому межведомственному обмену.4

При этом масштаб нагрузки растет. В 2025 году через сеть МФЦ было оказано более 166 млн услуг; на Госуслугах развиваются «жизненные ситуации», которыми, по данным Правительства, воспользовались свыше 90 млн граждан, а конструктор услуг в 2025 году вывел 902 новые услуги и обеспечил более 2 тыс. обновлений.7

Управленческий вывод: регион больше не может рассматривать цифровизацию как набор ведомственных проектов. Это должен быть единый контур исполнения: от обращения гражданина до поручения, от поручения до данных, от данных до управленческого решения.

Региональная цифровизация ломается не на отсутствии ИИ, а на несвязности данных, регламентов и ответственности.

2. Где именно возникает управленческий разрыв

Типовой региональный контур сегодня состоит из десятков систем и полуручных связок. Есть ГИСы по социальным услугам, ЖКХ, имущественным отношениям, строительству, образованию, здравоохранению, транспорту, обращениям граждан. Есть СЭД, порталы услуг, МФЦ, ведомственные реестры, бюджетные системы, закупочные контуры, контроль поручений, СМЭВ, ЕСИА, ЦУР, муниципальные базы, Excel-сводки и архивные документы.

Каждая система может быть формально работоспособной. Проблема начинается на стыках. Регламент описан в одном документе, данные лежат в другой системе, ответственный указан в третьей, отчет формируется вручную, интеграция со СМЭВ живет в отдельной технической документации, а фактический статус услуги известен только исполнителю.

СМЭВ остается базовым элементом межведомственного обмена; Минцифры описывает СМЭВ как федеральную государственную информационную систему транспортного и технологического взаимодействия, при этом в 2026 году СМЭВ 2 была официально выведена из эксплуатации. Это важный сигнал: технологическая связность государства обновляется, и региональные контуры должны не догонять, а архитектурно соответствовать новым правилам обмена.8

Отдельный слой — обращения граждан. Центры управления регионами созданы по поручению Президента; по данным Минцифры, в 2025 году создано 805 муниципальных ЦУР нового типа в 36 субъектах РФ, а государственная программа «Информационное общество» фиксирует функционирование 88 ЦУР в субъектах РФ на базе АНО «Диалог Регионы». ЦУР занимаются мониторингом, обработкой и анализом обращений, а также межведомственным взаимодействием.9

Главный конфликт: государство уже получает огромный поток цифровых сигналов, но значительная часть управленческой обработки остается ручной: классификация, сводка, маршрутизация, сопоставление с регламентом, подготовка ответа, контроль исполнения.

3. Метаплатформа: не новый монолит, а управляемая сборка

Метаплатформа для регионального управления — это не обязательно одна большая система. Это архитектурный слой, который связывает процессы, роли, данные, интеграции и аудит. Ее задача — сделать так, чтобы цифровой сервис можно было собрать из проверенных компонентов, а не каждый раз начинать проект с технического задания на новый монолит.

В региональном контуре метаплатформа должна включать несколько базовых функций:

Единая модель ролей. Кто может видеть обращение, поручение, персональные данные, проект ответа, аналитическую справку, бюджетный показатель, статус услуги.

Единая модель данных. Какие реестры являются источниками истины: жители, организации, объекты, адреса, услуги, льготы, поручения, обращения, муниципальные объекты, меры поддержки.

Единая интеграционная шина. программные интерфейсы, СМЭВ, обмен с ведомственными ГИС, МФЦ, порталами услуг, СЭД, ЦУР, закупочными и бюджетными системами.

Единый аудит. Кто запросил данные, какую подсказку дала большие языковые модели, кто утвердил результат, какой документ был сформирован, какие изменения внесены.

Фабрика сервисов. Шаблоны процессов: обращение, согласование, услуга, межведомственный запрос, отчетность, поручение, аналитическая справка.

ГосТех движется именно в сторону такой платформенной логики. По данным Правительства, на платформе работают 38 государственных информационных систем, а свыше 25 регионов протестировали типовые облачные решения; в 2026 году обсуждалось развитие правовой рамки ГосТеха, а законопроект №1076648-8 был рассмотрен Госдумой во втором и третьем чтениях 26 мая 2026 года.56 Для регионов это означает, что платформенный подход постепенно становится не экспериментом, а нормальной моделью создания государственных информационных систем.

Практический смысл: регион может не переписывать все старые ГИС сразу. Он может начать с надстройки: описать сервисы, обернуть старые системы программные интерфейсы, вытащить ключевые данные в управляемые реестры, подключить шлюз доступа к большим языковым моделям и постепенно заменить самые проблемные участки.

Метаплатформа ценна не интерфейсом, а тем, что делает ответственность, данные и изменения управляемыми.

4. Где большие языковые модели действительно помогают государственному управлению

Большие языковые модели в региональном управлении не должны позиционироваться как универсальный «цифровой чиновник». Их сильная сторона — работа с текстами, документами, требованиями, регламентами, обращениями, отчетами и большими массивами разрозненной информации.

На практике это дает эффект в десяти сценариях.

Анализ обращений граждан. Большая языковая модель классифицирует тему, определяет ведомство, выделяет факты, адрес, объект, срочность, повторяемость и признаки системной проблемы. Человек проверяет маршрут и итоговое решение.

Проекты ответов. Модель готовит черновик ответа на основе регламента, истории обращения, справочника типовых решений и базы знаний. Должностное лицо редактирует, утверждает и несет ответственность.

Контроль поручений. Большая языковая модель выделяет задачи из протоколов, писем и резолюций, предлагает владельца, срок, связанные документы, риски просрочки и зависимость от других ведомств.

Сверка отчетности. Модель помогает сопоставлять Excel-сводки, находить расхождения, проверять форматы, выявлять дубли и объяснять аномалии.

Перевод Excel в реестры. Большая языковая модель ускоряет первичный анализ таблиц, но источник истины должен формироваться не моделью, а через утвержденный реестр с владельцем данных.

Модернизация старых ГИС. Модель помогает анализировать документацию, код, требования, интеграционные контракты, журналы ошибок и проектировать план поэтапной замены.

База знаний для сотрудников. контур поиска по проверенным источникам перед ответом модели — поиск с генерацией ответа на основе проверенной базы документов — позволяет сотруднику быстрее находить применимый регламент, форму, инструкцию или порядок действий.

Сопровождение госуслуг. Большая языковая модель помогает переводить административные регламенты в карту сервиса: шаги, документы, сроки, основания отказа, межведомственные запросы, контрольные точки.

Аналитические справки. Модель собирает черновик справки по проверенным данным, выделяет тренды, риски, динамику обращений и отклонения показателей.

Аудит интеграций. Большая языковая модель помогает разбирать спецификации, журналы обмена, ошибки маршрутизации, дублирующие запросы и неиспользуемые виды сведений.

Технически такие сценарии должны идти через шлюз доступа к большим языковым моделям — управляемый шлюз между пользователями, информационными системами и моделями. Он обеспечивает выбор допустимой модели, маскирование данных, проверку запросов к модели, журналирование, ограничение доступа, подключение базы проверенных источников для ответов модели, контроль стоимости, фильтрацию результата и возможность отключить сценарий.

Международные рамки управления рисками ИИ подтверждают необходимость такого подхода: рамка NIST по управлению рисками ИИ профиль для генеративного ИИ описывает управление рисками генеративного ИИ, ISO/IEC 42001 задает систему менеджмента ИИ, а перечень OWASP Top 10 для приложений на базе больших языковых моделей выделяет угрозы вроде внедрение вредоносных инструкций в запрос, утечки чувствительной информации, уязвимостей цепочки поставки и слабого контроля выходных данных.141516

5. Суверенный контур работы с большими языковыми моделями: где облако допустим, а где нет

Для государственного и муниципального управления вопрос размещения большой языковой модели — не техническая деталь, а управленческая зона риска. В одном контуре могут быть открытые данные о расписании приема граждан, а в другом — персональные данные, служебная информация, сведения ГИС, журналы действий, данные КИИ или материалы внутреннего контроля.

Персональные данные требуют учета норм 152-ФЗ и обязанностей оператора, включая меры по обеспечению безопасности и уведомление Роскомнадзора до начала обработки, когда это применимо. ГИС и иные системы госорганов должны проектироваться с учетом требований ФСТЭК; приказ ФСТЭК России №117 от 11 апреля 2025 года утвердил требования о защите информации в ГИС и иных информационных системах государственных органов, учреждений и ГУП, а прежний приказ №17 признан утратившим силу. Для объектов КИИ необходимо учитывать 187-ФЗ и профильные требования безопасности.111213

Матрица размещения контуров работы с большими языковыми моделями

Тип контура Где допустим Где недопустим или требует особой проверки Управленческое условие
Публичный облако Обучение, прототипы, открытые данные, публичные справочники, тесты без реальных персональных данных Обращения граждан, ГИС, КИИ, служебная информация, документы с персональными данными Только после классификации данных, обезличивания и проверки договора, ИБ и юристами
Частное облако / доверенное облако Региональные сервисы, база знаний, аналитика, обращения при выполнении требований защиты Критичные контуры без подтвержденной модели угроз и мер защиты Нужны аттестация/оценка соответствия, управление доступом, журналирование, контроль доступа
ГосТех / ГосОблако Типовые ГИС, сервисы, интеграции, региональные решения, масштабируемая инфраструктура Специальные контуры, где законом или моделью угроз требуется особый порядок Нужно учитывать правовой статус системы, требования ФСТЭК, ПДн, КИИ и правила платформы
Внутренняя инфраструктура организации в региональном ЦОД Старые ГИС, чувствительные данные, интеграции с ведомственными системами, локальная аналитика Сценарии, где регион не может обеспечить эксплуатацию, отказоустойчивость и ИБ Нужны компетенции, эксплуатационный бюджет и контроль жизненного цикла
Изолированный контур контур работы с большими языковыми моделями КИИ, особо чувствительные служебные данные, изолированные ведомственные процессы, закрытые архивы Массовые пользовательские сервисы, где нужна оперативная интеграция с внешними системами Максимальный контроль данных ценой большей стоимости и сложности обновления моделей

Практический вывод: выбор контура должен начинаться не с цены инфраструктуры, а с классификации данных и сценария. Одна и та же большая языковая модель может быть допустимаа для открытой базы знаний и недопустим для анализа обращений граждан без защищенного шлюза, журналирования и контроля доступа.

6. Отраслевая матрица сценариев

Отраслевая задача Проблема текущего контура Как помогает метаплатформа и большие языковые модели Требования к данным и безопасности Метрика эффекта
Анализ обращений граждан Каналы разрознены: ЦУР, портал, соцсети, МФЦ, письма. Темы классифицируются вручную Большая языковая модель выделяет тему, объект, адрес, срочность, повторность; метаплатформа маршрутизирует исполнителю ПДн, разграничение доступа, журналирование, запрет внешней передачи данных Время первичной классификации; доля корректной маршрутизации; снижение повторных обращений
Подготовка проектов ответов Ответы зависят от опыта исполнителя; высок риск формальных отписок Поиск по проверенным источникам перед ответом модели подбирает регламент, историю, типовые ответы; большая языковая модель готовит черновик Человек утверждает ответ; ссылки на источники обязательны; контроль персональных данных Срок подготовки проекта; доля возвратов на доработку; качество ответа по выборочному контролю
Автоматизация контрольных поручений Поручения живут в СЭД, протоколах, письмах и таблицах Большие языковые модели извлекает задачи; платформа связывает поручение, владельца, срок, документ и статус Ролевой доступ, неизменяемые журналы, контроль прав на документы Доля просрочек; время постановки поручения на контроль; прозрачность статусов
Сбор и сверка ведомственной отчетности Excel-сводки не сопоставимы, версии теряются Большая языковая модель помогает выявлять расхождения; метаплатформа переводит отчетность в реестр Владелец каждого показателя; правила качества данных; контроль версий Время сверки; число ошибок; доля отчетов из реестра, а не из Excel
Перевод Excel-сводок в управляемые реестры Таблицы стали фактическими системами без владельца и аудита Метаплатформа создает реестр, роли, формы, проверки; большая языковая модель помогает разобрать структуру таблиц управление мастер-данными, НСИ, права доступа, журнал изменений Количество упраздненных ручных сводок; доля данных с владельцем
Модернизация старых региональных ГИС Монолиты трудно менять, документация устарела, подрядчик незаменим Большие языковые модели анализирует документацию и код; метаплатформа оборачивает функции программные интерфейсы и заменяет модули поэтапно Модель угроз, план миграции, тестовые контуры, контроль изменений Стоимость изменения; срок вывода нового модуля; снижение зависимости от подрядчика
Единая база знаний для сотрудников Инструкции, регламенты и письма лежат в разных местах ассистент на основе поиска по проверенным источникам отвечает по утвержденной базе знаний и показывает источник Контроль источников, права доступа, регулярное обновление базы Время поиска ответа; скорость адаптации сотрудников; снижение консультационных запросов
Сопровождение госуслуг и внутренних регламентов Регламент не превращен в исполняемый процесс Большая языковая модель помогает разложить регламент на шаги, роли, сроки, документы, основания отказа Юридическая проверка обязательна; версия регламента должна быть фиксирована Срок проектирования услуги; число ошибок в маршруте; доля услуг с цифровой картой процесса
Подготовка аналитических справок для руководства Справки собираются вручную из разных систем Большая языковая модель формирует черновик по проверенным данным, выделяет тренды и риски Запрет неподтвержденных выводов; ссылки на источники; утверждение аналитиком Время подготовки справки; доля справок с проверяемыми источниками
Аудит межведомственных интеграций Непонятно, какие запросы используются, где дубли, где ошибки Большие языковые модели анализирует спецификации, журналы и обращения; платформа строит карту интеграций Доступ только к разрешенным журналам; обезличивание; контроль администратора Снижение ошибок обмена; число устраненных дублей; время диагностики интеграционного сбоя

7. Что получает бизнес, государство, регион и гражданин

Для государства ценность подхода — в управляемости. Данные становятся проверяемыми, поручения — отслеживаемыми, цифровые услуги — сопоставимыми, а ИИ-сценарии — контролируемыми. Это важно для достижения национальных целей, включая рост цифровой зрелости и доли электронных услуг.1

Для региона и муниципалитета эффект проявляется в снижении ручной нагрузки. Аппарат меньше времени тратит на сводки, повторную классификацию обращений, поиск регламентов, ручную сверку отчетов и подготовку однотипных проектов документов.

Для ведомства или госкорпорации метаплатформа снижает зависимость от одного подрядчика. Чем больше функций описано через программные интерфейсы, реестры, роли и типовые процессы, тем проще менять модуль, поставщика или технологический стек без остановки всей системы.

Для бизнеса появляется более предсказуемая среда взаимодействия с регионом: понятные статусы услуг, меньше повторного предоставления сведений, прозрачнее маршруты согласований, быстрее обработка типовых запросов.

Для гражданина ценность не в том, что ему отвечает «модель ИИ». Ценность в том, что обращение быстрее попадает к правильному исполнителю, ответ опирается на регламент, статус понятен, а повторные проблемы становятся видимыми для руководства.

8. Первые 90 дней: что делать руководителю

  1. Провести инвентаризацию процессов, а не только систем. Выделить 10–15 процессов с высокой ручной нагрузкой: обращения, поручения, отчетность, услуги, межведомственные запросы, аналитические справки.
  2. Назначить владельцев данных. Для каждого ключевого реестра определить владельца, правила качества, порядок изменения, ответственного за НСИ и интеграции.
  3. Классифицировать данные и контуры. Отдельно отметить персональные данные, ГИС, КИИ, служебную информацию, открытые данные, архивы и журналы действий.
  4. Выбрать три пилотных сценария применения больших языковых моделей с низким юридическим риском. Например: классификация обращений, база знаний по регламентам, сверка ведомственной отчетности. Все результаты — только с проверкой человеком.
  5. Спроектировать шлюз доступа к большим языковым моделям. Даже если пилот небольшой, сразу нужны журналирование, разграничение доступа, контроль запросов к модели, подключение поиск по проверенным источникам перед ответом модели, правила обезличивания и отключения сценария.
  6. Создать карту наследованных систем. Определить, какие системы нельзя быстро заменить, какие можно обернуть программные интерфейсы, какие данные нужно вынести в реестры, какие Excel-сводки надо ликвидировать первыми.
  7. Установить правила приемки результатов ИИ. Нельзя принимать «красиво написанный текст» как результат. Нужны критерии: точность классификации, наличие ссылок на регламент, доля исправлений, число ошибок, время обработки.
  8. Сформировать региональный система управления применением ИИ-комитет. В него должны войти директор по цифровой трансформации, ИТ-директор, ИБ, юристы, владельцы ключевых процессов, представители кадрового и организационного блока.

Метрики успеха

Скорость изменений

Срок запуска нового сервиса или изменения регламента в системе; время вывода модуля в промышленную эксплуатацию.

Снижение ручного труда

Часы, затраченные на сводки, классификацию обращений, подготовку типовых ответов, сверку отчетности.

Качество данных

Доля записей с владельцем, количество дублей, число ошибок формата, доля данных из реестров вместо Excel.

Снижение рисков

Количество несанкционированных обращений к данным, число инцидентов, доля запросов к ИИ через шлюз, полнота журналирования.

Стоимость изменений

Стоимость доработки процесса, стоимость интеграции, стоимость сопровождения наследованного модуля.

Качество приемки

Доля результатов ИИ, возвращенных на доработку; число фактических ошибок; наличие ссылок на регламент или источник.

Прозрачность процессов

Доля поручений с владельцем и сроком, доля обращений с понятным статусом, доля услуг с цифровой картой процесса.

Управляемость сценариев применения ИИ

Число зарегистрированных сценариев, доля сценариев с владельцем, моделью угроз, метриками качества и регламентом отключения.

Риски и ограничения

Риск Последствие Как управлять
Автоматизация плохого регламентаБыстрее воспроизводятся лишние согласования, формальные ответы и дубли данныхПеред автоматизацией проводить процессный аудит и убирать лишние шаги
Передача ПДн или служебных данных во внешний большие языковые моделиРегуляторные, ИБ и репутационные рискиКлассификация данных, шлюз доступа к большим языковым моделям, запрет внешних моделей для чувствительных данных
Отсутствие владельца данныхНикто не отвечает за качество, дубли и противоречияНазначить владельца каждого реестра и показатель качества
Формальная цифровизацияСистема есть, процесс не изменилсяМетрики должны измерять срок, качество и ручной труд, а не факт внедрения
Зависимость от одного подрядчикаРост стоимости, невозможность развития, технологический шантажОткрытые программные интерфейсы, документация, архитектурный контроль, передача знаний, модульность
Слабая приемка результатов ИИОшибки выглядят убедительно и проходят в документыОбязательная проверка человеком, тестовые наборы, контроль фактических ошибок
Непрозрачный контур поиска по проверенным источникам перед ответом моделиМодель отвечает на основании устаревших или неутвержденных документовРеестр источников, версия документа, дата актуальности, владелец базы знаний
Недостаток муниципальных компетенцийТиповые решения не внедряются или деградируютРегиональный центр компетенций, типовые регламенты, обучение, сервисная поддержка

Заключение

Для государственного и муниципального управления ценность ИИ не в «замене чиновника». Такая постановка вопроса не только технологически наивна, но и управленчески опасна. Государственная услуга, ответ на обращение, контроль поручения, бюджетное решение, межведомственный запрос и работа с персональными данными требуют ответственности, проверяемости и права на оспаривание. Большие языковые модели не несет этой ответственности. Но она может резко снизить стоимость аналитики, подготовки документов, классификации обращений, сверки отчетности и проектирования цифровых сервисов.

Региональная цифровая трансформация будет успешной не там, где быстрее купят «модель ИИ», а там, где построят управляемый контур: данные имеют владельцев, регламенты переведены в исполняемые процессы, интеграции описаны, доступы разграничены, действия журналируются, сценарии применения ИИ зарегистрированы, а результаты проверяются человеком. Это и есть зрелая архитектура применения ИИ в публичном управлении.

Метаплатформа в этой модели не является очередным большим ИТ-проектом ради проекта. Ее смысл — дать региону возможность развиваться поэтапно: сначала связать обращения, поручения и отчетность; затем перевести Excel-сводки в реестры; затем модернизировать старые ГИС без остановки ведомственных процессов; затем подключить защищенный контур работы с большими языковыми моделями для базы знаний, анализа документов и поддержки сотрудников; затем масштабировать сервисы на муниципальный уровень.

Такой подход особенно важен для регионов с ограниченными ИТ-командами и бюджетами. Он позволяет не конкурировать с федеральным центром и крупными корпорациями за редких специалистов в каждой отдельной системе, а формировать общий архитектурный каркас, типовые решения, защищенные контуры и понятные правила развития. В этой логике ИИ становится не витриной, а элементом дисциплины управления.

Главный вопрос для руководителя сегодня звучит не так: «где внедрить искусственный интеллект?». Правильный вопрос другой: «какой управленческий контур мы строим, чтобы данные, регламенты, поручения, обращения и сервисы стали прозрачными, проверяемыми и развиваемыми?». Если этот контур создан, большая языковая модель ускорит работу аппарата, повысит качество данных и сократит ручной труд. Если контура нет, ИИ лишь добавит еще один слой непрозрачности поверх старого хаоса.

Источники

  1. Указ Президента РФ от 7 мая 2024 года о национальных целях развития, включая цифровую трансформацию и рост доли российского ПО в госсекторе. kremlin.ru
  2. Правительство РФ: национальный проект «Экономика данных и цифровая трансформация государства». government.ru
  3. Минцифры: показатели нацпроекта «Экономика данных и цифровая трансформация государства». digital.gov.ru
  4. Минцифры: региональные программы цифровой трансформации на 2026–2028 годы. digital.gov.ru
  5. Правительство РФ: развитие ГосТеха, ГИС на платформе и типовые решения для регионов. government.ru
  6. Государственная Дума: законопроект №1076648-8 о развитии правовой рамки ГосТеха. sozd.duma.gov.ru
  7. Правительство РФ: развитие Госуслуг, «жизненные ситуации», МФЦ и конструктор услуг. government.ru
  8. Минцифры: СМЭВ, инфраструктура межведомственного взаимодействия и вывод СМЭВ 2 из эксплуатации. digital.gov.ru
  9. Минцифры: Центры управления регионами и обработка обращений граждан. digital.gov.ru
  10. Минцифры: реестры российского и евразийского программного обеспечения. digital.gov.ru
  11. Федеральный закон №152-ФЗ «О персональных данных». consultant.ru
  12. Федеральный закон №187-ФЗ «О безопасности критической информационной инфраструктуры Российской Федерации». fstec.ru
  13. ФСТЭК России: приказ №117 от 11 апреля 2025 года о защите информации в ГИС и иных системах госорганов. consultant.ru
  14. NIST AI Risk Management Framework: Generative AI Profile. nist.gov
  15. ISO/IEC 42001:2023 Artificial intelligence management system. iso.org
  16. OWASP Top 10 for Large Language Model Applications. owasp.org