Минфин готовит ИИ к полноценной работе в бюджетном процессе

Уже сейчас ИИ используют при обработке заявок на расходы и при прогнозировании поступлений в бюджет.

Доцент кафедры корпоративных финансов и корпоративного управления Финансового университета при Правительстве РФ Ольга Борисова в интервью АБН24 отметила, что в ведомстве реализуются три пилотных проекта.

Первый проект предусматривает внедрение ИИ‑агента для первичной проверки заявок ведомств на формирование целевых статей расходов: система автоматически анализирует и верифицирует документы, а в нестандартных случаях решение остаётся за человеком. Второй пилот посвящён прогнозированию доходной части бюджета — совместно с учёными университета тестируются модели, которые помогают выявлять логически обоснованные связи между факторами и прогнозируемыми показателями. Планируется также визуализировать результаты и обновлять их в режиме реального времени. Третий проект направлен на автоматизацию обработки запросов на дополнительные бюджетные ассигнования: ИИ будет обнаруживать дублирующие инициативы, сопоставлять новые предложения с уже действующими мерами и анализировать предшествующую историю мероприятий.

В перспективе ИИ‑агента намерены ввести и в документооборот — это даст возможность сократить время на подпись документов с 7 до 2 минут, а высвободившиеся ресурсы перенаправить на решение более сложных задач. Ряд похожих инициатив распространится на подведомственные структуры — ФНС России, Федеральное казначейство, ФТС и Росалкогольтабакконтроль, включая проекты по АИС «Налог‑3», мониторингу национальных проектов и контролю уплаты НДС при импорте из стран ЕАЭС, рассказала эксперт.

По словам специалиста, при расширении применения технологий особое внимание уделяется защите данных и преодолению организационных барьеров. Разрабатываются механизмы защиты от киберугроз, готовятся нормативные акты, регламентирующие ответственность за решения, принимаемые с участием ИИ, и проводится обучение персонала для адаптации к новым процессам.

Практические рекомендации и ожидаемые эффекты

Для успешной интеграции ИИ в бюджетный процесс эксперты рекомендуют придерживаться следующего набора мер, ориентированных на минимизацию рисков и повышение эффективности:

• Управление качеством данных: централизованные реестры, стандартизация форматов, регулярная очистка и валидация данных перед подачей в модели.
• Построение человеческого контроля: автоматизация должна сопровождаться возможностью быстрого вмешательства и окончательного утверждения человеком в критических решениях.
• Тестирование и валидация моделей: A/B‑тесты, ретроспективная проверка прогнозов на исторических данных, стресс‑тесты при экстремальных сценариях.
• Прозрачность и объяснимость: внедрять модели и визуализации, позволяющие объяснить, почему система предлагает те или иные выводы, чтобы операторы и заинтересованные стороны могли оценивать обоснованность решений.
• Управление доступом и защита персональных данных: шифрование, ролевой доступ, логирование действий, обезличивание данных при обучении моделей.
• Нормативная база и ответственность: чёткие регламенты по ответственности за решения, использующие ИИ, и процедуры расследования инцидентов.
• Обучение персонала и изменение процессов: подготовка сотрудников, обновление регламентов и создание рабочих инструкций для взаимодействия с ИИ‑инструментами.

Технические и организационные аспекты

На техническом уровне рекомендуется внедрять MLOps‑практики для управления жизненным циклом моделей: версии моделей, автоматические развёртки, мониторинг производительности и механизмы отката. Для прогнозных задач полезны гибридные подходы — сочетание методов временных рядов, анализа и экспертных правил, что повышает устойчивость прогнозов к структурным изменениям в экономике.

Организационно важно заранее определить KPI для пилотов и масштабирования: точность прогнозов, сокращение времени обработки заявок, доля автоматических проверок без вмешательства человека, экономия бюджетных средств и уменьшение числа ошибок. По итогам пилотного этапа следует проводить независимые аудиты качества и безопасности алгоритмов.

Риски и меры смягчения

Основные риски при широком внедрении ИИ — ошибки в данных, алгоритмическая предвзятость, эксплуатационные сбои, утечки и злоупотребления доступом. Для их снижения нужны регулярные аудиты, внедрение процедур обнаружения аномалий, резервирование критичных сервисов и планы реагирования на инциденты. При работе с внешними поставщиками важно прописывать условия по передаче данных, сохранению портативности моделей и предотвращению vendor‑lock‑in.

Краткая дорожная карта

Ожидаемая последовательность шагов на ближайшие 12–18 месяцев: завершение пилотов и оценка их результатов, доработка регламентов и стандартов, масштабирование успешных решений в ключевых подразделениях, обучение массового состава сотрудников и запуск механизмов контроля качества в продуктивной эксплуатации. В процессе важно поддерживать обратную связь от пользователей и регулярно обновлять модели по мере накопления новых данных.