ИИ для госсектора: карта технологий и шесть направлений применения

За последние годы мы с командой Panteo.ai сделали много работы для госсектора — региональных правительств, федеральных ведомств, корпораций развития, подведомственных организаций. Почти всегда через посредников-интеграторов, и почти всегда я не могу называть конкретных конечных заказчиков. Единственное публичное исключение — АО «КРДВ» при Министерстве Российской Федерации по развитию Дальнего Востока и Арктики, от которого я получил официальное благодарственное письмо.

Но за закрытыми проектами обычно остаётся один и тот же методологический материал — карта технологий и областей применения. Я собирал её на десятках стратегических сессий с региональными командами, в презентациях для губернаторов, в обсуждениях с главами департаментов цифровизации. И к 2026 году карта уложилась в одну таблицу на одном слайде. Эту таблицу я и показываю ниже — она из моей презентации «ИИ для госсектора», которую я делаю для региональных команд.

В этой статье — разбор карты и четыре самых интересных пересечения с примерами из реальных работ. Если вы работаете в правительстве региона, в администрации муниципалитета, в госкорпорации или в федеральном ведомстве и думаете, с чего начать работу с ИИ, — статья для вас.

Карта: шесть областей × шесть технологий

Вот как выглядит карта. По вертикали — шесть областей применения в работе госсектора. По горизонтали — шесть технологических классов искусственного интеллекта, от классических моделей до автономных агентов. В пересечениях — конкретные типы задач, на которые ложится та или иная технология.

Матрица не для того, чтобы заполнить все 36 клеток одновременно. Её задача — дать региональному руководителю общий каталог того, что реально работает сегодня, и помочь выбрать точки первого удара.

Логика выбора простая. Вы смотрите на свою область — скажем, «Управление и контроль». Вы видите, что здесь ИИ уже умеет делать шесть классов задач, от классификации поручений до автономных агентов мониторинга показателей. Дальше вы спрашиваете: где у нас больше всего ручного труда? Ответ — чаще всего «подготовка закупочных документов» или «сведение отчётности из нескольких источников». И вот у вас уже есть кандидат для первого пилота — с понятной технологией, понятной метрикой и понятным первым шагом.

Такой разговор за 15 минут заменяет три часа абстрактных обсуждений «как нам цифровизовать работу». И его можно вести с любым губернатором или директором ведомства, которому не нужна лекция про трансформеры, а нужен ответ на вопрос «что мы делаем в понедельник».

Четыре самых интересных пересечения

Пройдёмся по четырём клеткам, которые я считаю самыми показательными в моей практике. Они покрывают четыре разные области применения и четыре разные технологии — и в каждой есть реальный пример, который мы в команде уже проходили на реальных клиентах.

Первое — проверка закупочной документации

Область: Управление и контроль. Технология: Агенты плюс OCR и GenAI.

Это одна из самых горячих тем в госсекторе. Госзаказчик живёт в мире закупочных документов: положения о закупках, запросы ценовых предложений, технические задания, протоколы комиссий, коммерческие предложения от поставщиков. Всё это — текст. Всё это — нужно проверять на соответствие друг другу и на формальные правила. Всё это — делается вручную, и каждый закупщик теряет часы в день на операции, которые по сути сводятся к «найди нужный пункт, сравни с эталоном, отметь отклонение».

Мы в команде делали систему, которая принимает на вход пакет документов — скажем, протокол заседания закупочной комиссии, — и пакет регулирующих документов — положение о закупках. ИИ формирует набор правил из регулирующих документов, потом применяет эти правила к объекту проверки и по каждому правилу выносит одно из трёх заключений: соответствует, не соответствует, нет данных. На выходе — executive summary с трассировкой: для каждого вывода показывается, какая норма из регулирующего документа легла в основу и какой фрагмент проверяемого документа её нарушает.

Это классическая работа агента третьего уровня по шкале автономности процессов: планирование, вызов инструментов (поиск, извлечение, сопоставление), проверка результата, формирование ответа с доказательствами. Без агентного подхода такую задачу не решить — она слишком многошаговая для «одной подсказки LLM».

Эффект у клиента измеряется не «экономией часов», а сокращением пропусков в пакетах и ускорением первичной проверки. Первое — про качество, второе — про скорость. Оба показателя закупщик может защитить перед руководством.

Второе — копилот госзакупщика

Область: Управление и контроль / Экономика и АПК. Технология: GenAI и агенты.

Продолжение той же закупочной темы, но с другой стороны. Если проверка — это про контроль уже подготовленного пакета, то копилот — про помощь в подготовке. Госзакупщик пишет в чат «закажи шприц общего назначения 1000 штук», и копилот сам:

• проверяет, есть ли у закупщика история по такой номенклатуре (КТРУ, ОКПД2, ОКЕИ);
• предлагает стандартные характеристики — объём, тип, материал, — которые обычно указываются для шприцев;
• формирует черновик спецификации в соответствии со словарями;
• предлагает уточнения («а какой объём нужен — 1-2 см куб или больше?»);
• собирает готовый документ.

Живая деталь: на демо одного из таких копилотов я видел, как пользователь уточняет «добавь объём 1-2 см куб», и система мгновенно дополняет уже составленную заявку, сохраняя всё предыдущее. Это выглядит не как «умный поиск», а как реальная совместная работа с помощником, который понимает закупочный контекст.

На шкале автономности это уровень L3 — Tool Calling. Модель не просто отвечает, она взаимодействует с корпоративной базой знаний (словарями, историей закупок, нормативными требованиями) и формирует структурированный результат.

Третье — классификация обращений граждан

Область: Госуслуги и документы. Технология: Классификация плюс GenAI.

Одна из самых частотных задач в госсекторе — обработка обращений граждан. В любой администрации, от муниципалитета до федерального ведомства, есть поток входящих писем, заявлений, жалоб, предложений. Всё это нужно классифицировать (по темам: ЖКХ, медицина, социальная поддержка, транспорт, экология), определить срочность (критичное или плановое), маршрутизировать в ответственное подразделение и подготовить черновик ответа.

Мы в команде делали пилот, в котором обращения граждан к Президенту автоматически классифицировались через GigaChat. Модель определяла тематику, срочность и уровень резонанса, маршрутизировала в профильные ведомства и формировала сводку по дублям — похожим обращениям от разных граждан, которые можно закрывать одним ответом.

Эффект у таких систем измеряется в четырёх показателях: время первой реакции, доля обращений с корректной маршрутизацией, количество пропущенных срочных кейсов и процент черновиков ответа, которые оператор принимает без переписывания. Ни один из этих показателей не получится «поднять на 60%», но каждый из них — измеримое улучшение в процессе, который сегодня съедает рабочее время целых отделов.

Это уровень L1–L2 на шкале автономности: помощник и RAG. Простые, проверенные технологии, которые уже работают — нужна только воля внедрить их в реальный процесс.

Четвёртое — компьютерное зрение на видеоданных

Область: Инфраструктура и город / Безопасность и надзор. Технология: Компьютерное зрение.

Здесь интересно то, что компьютерное зрение в городской среде — это не про автономию, это про алерты и подсказки. Я часто подчёркиваю этот момент в разговорах с региональными командами: видео редко нужно для того, чтобы «заменить человека», оно нужно для того, чтобы своевременно дать человеку сигнал о событии, которое иначе прошло бы мимо.

Примеры из практики:

• Детекция дефектов дорожного покрытия на видео — так делают в Москве через систему ДИТ, и аналогичные вещи внедряются в региональных центрах. Камера смотрит на дорогу, модель замечает ямы, трещины и разрушения, система создаёт заявку для бригады ремонта.
• Мониторинг пропускной способности и очередей — в отделениях МФЦ, в аэропортах, в государственных учреждениях, где важно распределять нагрузку между окнами обслуживания.
• Биометрические сценарии Face2Pass и Face2Pay — вход сотрудников, подрядчиков и посетителей на территорию без карт и пропусков. Быстрые платежи в столовых и сервисных точках без карты и телефона. Мы разбирали реальный публичный кейс формата Phygital Office в одном из региональных банков, где эти сценарии уже работают в реальных отделениях.
• Умные фонарные столбы — одна точка инфраструктуры, которая объединяет освещение, видеомониторинг, подсчёт людей и транспорта, экологические датчики. Это не «один ИИ-агент», это связка нескольких технологий в одной городской точке.

Все эти сценарии — уровень L0 и L1 по шкале автономности: классические модели компьютерного зрения плюс помощник для оператора, который получает сигнал и принимает решение. Автономия здесь не нужна и не желательна — городская среда требует контроля человека в каждой критической точке.

💡 Думаете о запуске ИИ в вашей региональной или федеральной структуре? Программа «Обучение ИИ для госслужащих» — проверенный формат на 16 часов обучения за 7 недель, уже проведённый в АО «КРДВ» с благодарственным письмом министерства. Адаптируется под специфику любой госструктуры. Обсудить программу →

Чего на карте нет (и почему)

Интересно посмотреть не только на то, что в карте есть, но и на то, чего на ней нет. Я специально не включаю в карту технологии, которые пока не доведены до индустриальной готовности в контуре госсектора.

Нет полной автономии уровня L5 по шкале автономности. На карте верхний уровень — «Агенты» (это L3–L4 по шкале). Self-Driving Business как состояние целой госструктуры — это пока разговор о будущем, а не о настоящем. Я не видел ни одного госкейса, в котором целый процесс работал бы без человека в критических точках. И, честно говоря, не уверен, что мы хотим такого в госсекторе: здесь цена ошибки слишком высока, а ответственность — слишком важна.

Нет отдельного блока про ML с обучением на своих данных. Он формально живёт внутри «Классификации» и «Прогноза и сценариев», но на отдельный уровень я его не выношу, потому что для большинства региональных команд 2026 года это задача следующего этапа. Сначала — внедрить готовые модели. Потом — учить собственные.

Нет раздела про полностью облачные LLM без контура. Для госсектора это принципиально: все запросы, содержащие персональные или чувствительные данные, должны выполняться в контуре организации. Это означает, что GenAI в таблице — это не ChatGPT через API, это развёрнутая внутри контура модель или российский сервис с соответствующим контрактом на обработку данных. Подробнее про требования к закрытому контуру — в отдельном разделе моей программы Г2 для регионального правительства.

Что я вынес из работы с госсектором

Несколько мыслей, которые повторяются почти в каждом проекте.

Первое — госсектор проще корпоративного, когда есть управленческий заказ. Звучит контринтуитивно: мы привыкли думать, что госсектор — это долгие согласования и медленные решения. Отчасти правда, но когда первое лицо региона или глава ведомства лично даёт управленческий заказ, дальше всё идёт быстрее, чем в корпорации. Потому что в госсекторе меньше внутренней политики между подразделениями — все знают, кто главный.

Второе — трассируемость важнее автономии. В любом госпроекте с ИИ первый вопрос контролирующих органов — «как был получен этот ответ». Если у вас нет ответа на этот вопрос, проект не дойдёт до прода. Поэтому я в каждом разговоре с региональной командой начинаю именно с трассируемости: логирование каждого запроса, привязка ответа к источникам, возможность воспроизведения. Без этого ничего не работает.

Третье — дисциплина данных важнее модели. Самая сильная LLM не поможет, если в компании нет единой актуальной базы регламентов, справочников и классификаторов. Я это подчёркиваю на каждой стратегической сессии: сначала приведите в порядок данные, потом запускайте AI-пилоты. Госсектор здесь особенно уязвим, потому что данные в нём часто живут в пяти разных системах, в семи разных форматах, в одной и той же версии регламента разных годов.

Четвёртое — образование важнее внедрения. Я давно заметил, что команда, которая сама прошла через обучение и сформулировала свои AI-инициативы, внедряет их в пять раз надёжнее, чем команда, которой принесли готовое решение от внешнего интегратора. Поэтому в моих программах для госсектора всегда есть финальный модуль с защитой дорожных карт — чтобы команда сама дошла до плана действий, а не получила его сверху.

Если вы работаете в госсекторе

Если вы читаете эту статью изнутри регионального правительства, администрации муниципалитета, федерального ведомства или госкорпорации — у меня есть несколько конкретных предложений, в зависимости от того, на каком этапе находится ваша организация.

Если у вас ещё ничего нет — начните с программы «Обучение ИИ для госслужащих». Это 16 часов обучения за 7 недель, базовый формат, проверенный в АО «КРДВ». На выходе команда умеет применять ИИ в ежедневной работе и имеет дорожную карту внедрения по четырём подразделениям.

Если вы — региональное правительство и вам нужна системная работа, вам подойдёт программа «ИИ для регионального правительства». Это 2-3-месячный консалтинговый формат с gap-анализом, детальными case packs под специфику региона и методологическим отчётом на 80-120 страниц.

Если вы хотите начать с диагностики, то 90-минутная Диагностика автономности за 150 000 ₽ — самый быстрый способ получить карту ваших процессов и три приоритизированные инициативы для первых шагов.

В любом из трёх случаев следующий шаг — один разговор. И он бесплатный.

Обсудить вашу ситуацию →