Цифровая трансформация закупок по 44-ФЗ требует внедрения ИИ: масштабы системы (триллионы рублей, миллионы процедур) делают её анализ невозможным без автоматизации [1, с. 53]. Картельные сговоры, ошибки в НМЦК и слабая межведомственная интеграция [2, с. 243] ведут к неэффективным расходам. ИИ рассматривается как инструмент качественного скачка [4; 5].

Особую значимость теме придаёт запуск с 1 августа 2025 года ГИС «Антикартель», позволяющей ФАС автоматически выявлять признаки картельных сговоров [3]. Внедряются ИИ-ассистенты для заказчиков и поставщиков (B2B-РТС) [8, с. 78–79]. Вместе с тем ожидания от ИИ зачастую завышены, а внедрение сопряжено с нерешёнными правовыми и этическими проблемами [10; 11].

Цель исследования — комплексный анализ перспектив применения ИИ при анализе закупок по 44-ФЗ. Объект исследования — система госзакупок РФ в условиях цифровизации. Предмет исследования — технологические решения на базе ИИ, их внедрение, эффективность и связанные правовые и организационные проблемы.

Методологическую основу исследования составляют общенаучные (анализ, синтез) и специальные методы: формально-юридический — для анализа правовых аспектов [10], сравнительно-правовой — для сопоставления с зарубежным опытом [14].

Источниковая база исследования — научные публикации [1; 2], нормативные акты, аналитические обзоры [3; 6] и данные электронных площадок [8].

Практическая значимость исследования в том, что результаты применимы для совершенствования регулирования ИИ в закупках и оптимизации процессов. А опыт Ямало-Ненецкого автономного округа [7] демонстрирует рост эффективности контроля и снижение издержек при использовании ИИ.

В основе большинства современных ИИ-систем для закупок лежат алгоритмы машинного обучения (Machine Learning, ML). Как отмечает Д. А. Казанцев, эти алгоритмы способны распознавать сложные, неочевидные для человека закономерности в больших массивах данных [1, с. 54]. Применительно к 44-ФЗ технологии машинного обучения позволяют:

– автоматически выявлять аномалии и потенциальные признаки нарушений, такие как подозрительные цепочки поставщиков, минимальные снижения цен на торгах, систематическое участие аффилированных лиц [1, с. 55];

– классифицировать закупки и автоматически относить их к правильным кодам по Общероссийскому классификатору продукции по видам экономической деятельности (ОКПД2) или Каталогу товаров, работ, услуг [2, с. 245];

– прогнозировать потенциальные риски неисполнения контрактов со стороны поставщиков на основе анализа их финансового состояния, судебных споров и репутации [4].

Значительная часть закупочной информации — тексты контрактов, заявок, технических заданий, жалоб и разъяснений — представлена в неструктурированном виде. Для работы с такими данными применяются технологии обработки естественного языка (Natural Language Processing, NLP) и генеративные нейросети. Их использование, как подчёркивается в аналитическом обзоре TAdviser, позволяет [5]:

– проводить семантический поиск тендеров, когда система находит закупки не по точному совпадению ключевых слов, а по смыслу;

– автоматизировать проверку закупочной документации на соответствие формальным требованиям, выявлять юридические и финансовые риски, противоречия и дублирование информации;

– создавать проекты документов: обоснования НМЦК, протоколы рассмотрения заявок, ответы на запросы участников;

– обеспечивать работу ИИ-помощников (чат-ботов), способных отвечать на вопросы по применению закупочного законодательства [8, с. 79].

Предиктивная (прогнозная) аналитика — наиболее продвинутый уровень ИИ: она не только констатирует текущее состояние, но и прогнозирует будущее. В сфере закупок это позволяет [5; 11]:

– прогнозировать спрос на товары, работы, услуги для госнужд;

– моделировать оптимальные сроки закупок;

– оценивать вероятность победы поставщика в тендере;

– автоматически выявлять паттерны коррупционных схем.

Технологические возможности находят своё реальное воплощение в конкретных программных продуктах и инициативах, которые уже сегодня внедряются на всех уровнях закупочной системы — от федеральных контролирующих органов до коммерческих электронных площадок и отдельных заказчиков.

ГИС «Антикартель» — яркий пример государственного внедрения ИИ в контроль закупок: с 1 августа 2025 года ФАС использует её для автоматического мониторинга закупок по 44-ФЗ и 223-ФЗ [3]. Система на основе машинного обучения выявляет признаки сговоров: участие аффилированных лиц, минимальное снижение цены (0,5–2 %), повторяющиеся цепочки победителей, общие IP-адреса [6]. По оценкам, внедрение обеспечит значительную экономию, так как при сговоре контракты заключаются по начальной цене [3]. Система формирует доказательную базу для антимонопольных расследований.

Ещё одной критически важной точкой приложения ИИ является контроль за обоснованием начальной (максимальной) цены контракта. Завышение НМЦК — один из самых распространённых коррупциогенных факторов в госзакупках [2, с. 246].

Для борьбы с этой проблемой в Московской области был разработан и внедрён новый функционал на портале исполнения контрактов, который автоматизирует проверку расчётов НМЦК, выполненных методом сопоставимых рыночных цен. Система автоматически анализирует представленные поставщиком коммерческие предложения и цены на рынке, выявляет факты завышения и формирует детальную информацию о проверке. Это позволяет повысить прозрачность процесса и значительно ускорить контроль соблюдения законодательства [7].

В более широком смысле ИИ позволяет проводить интеллектуальный мониторинг цен на товары, работы и услуги в открытых источниках: на сайтах поставщиков, в электронных магазинах, в Единой информационной системе (ЕИС). Такой подход даёт возможность в реальном времени выявлять завышенные цены, снижать риск переплат и повышать обоснованность принимаемых решений [5].

Помимо контрольно-надзорных функций, ИИ активно внедряют в процессы, облегчающие работу как заказчиков, так и поставщиков. На рынке появились первые отечественные ИИ-помощники, например от компании «B2B-РТС». Как сообщается в пресс-релизе, такой ассистент способен отвечать на вопросы по применению 44-ФЗ и 223-ФЗ, проверять закупочные документы на наличие ошибок и несоответствий, снижая тем самым риски и время на проведение процедур [8, с. 78–79].

Существуют и локально запускаемые решения, такие как ZakupkiAI, использующие большие языковые модели (Large language model, LLM) и генерацию с дополненной выборкой (Retrieval-Augmented Generation, RAG) для поиска актуальной информации в реальном времени и предоставления точных обоснованных ответов на правовые вопросы в сфере госзакупок.

Для поставщиков ключевой задачей является поиск подходящих тендеров. Искусственный интеллект переводит этот процесс на новый уровень, предлагая не просто фильтрацию по ключевым словам, а глубокий семантический анализ, персонализированные рекомендации и даже оценку шансов на победу. Такой подход меняет саму логику работы с закупками и позволяет находить выгодные контракты, которые ранее можно было упустить из-за несовершенства инструментов поиска [4].

Формирование адекватной нормативно-правовой базы отстаёт от стремительного развития и внедрения технологий искусственного интеллекта. Эта проблема в полной мере касается и сферы государственных закупок, что создаёт ряд сложных правовых и этических вызовов [10].

Правовой статус решений ИИ и распределение ответственности — центральный вопрос. При ошибке ИИ (ложное обвинение в сговоре, неверный расчёт НМЦК) неясно, кто несёт ответственность: разработчик, заказчик или должностное лицо, не перепроверившее результат [10]. Вовлечение ИИ в управленческие отношения требует детального регулирования от полного контроля человеком до автономии ИИ в определённых пределах. Без чётких критериев и правил распределения ответственности ИИ будет «зарегулирован» либо его применение будет сопряжено с неоправданными рисками [10].

Алгоритмы машинного обучения, особенно глубокие нейросети, часто работают по принципу чёрного ящика: на вход подаются данные, на выходе получается результат, но логика принятия решения непрозрачна даже для разработчиков. В контексте госзакупок это создаёт серьёзную проблему. Например, если ИИ отклонил заявку поставщика как «подозрительную», но не может объяснить, на основании каких именно признаков он это сделал, то как участник сможет эффективно обжаловать это решение [11]? Право на справедливое и прозрачное разбирательство — один из краеугольных камней правового государства. В сфере публично-правовых отношений, затрагивающих права и законные интересы граждан и бизнеса, использование алгоритмов, чья логика работы не поддаётся объяснению, должно быть ограничено или сопровождаться обязательным механизмом человеческой перепроверки [10].

Системы ИИ для закупок требуют доступа к огромным массивам данных, в том числе: к данным, содержащим коммерческую тайну; к персональным данным должностных лиц и участников; а также к сведениям, составляющим государственную тайну (в случае оборонных закупок). Обеспечение безопасности этих данных, предотвращение утечек и несанкционированного доступа становится критически важной задачей. Создание централизованных систем, подобных «Антикартели», которая интегрируется с десятками источников данных, требует создания надёжных механизмов криптографической защиты и разграничения доступа [2, с. 248–249].

Несмотря на очевидный потенциал, широкомасштабное и эффективное внедрение технологий ИИ в систему госзакупок сопряжено с рядом серьёзных проблем и вызовов, которые необходимо преодолеть [11].

Первая и, пожалуй, главная проблема — это качество и доступность данных. Искусственный интеллект требует больших объёмов «чистых», структурированных и достоверных данных для обучения и работы. Однако реальное состояние данных в ЕИС и внутренних системах заказчиков далеко от идеала. Информация может быть неполной, противоречивой, устаревшей или содержать ошибки. Нередки случаи фальсификации документов самими поставщиками [2, с. 244]. Слабая интеграция государственных реестров (ФНС, ФАС, Росреестр и др.) с ЕИС приводит к задержкам в обмене данными, что снижает эффективность ИИ-аналитики [4]. Без решения проблемы цифрового мусора на входе даже самые совершенные алгоритмы будут давать некачественные результаты на выходе [11].

Внедрение передовых ИИ-решений требует значительных финансовых затрат на разработку, закупку, интеграцию и обслуживание программного обеспечения, а также на приобретение или аренду вычислительных мощностей. Для многих региональных и муниципальных заказчиков такие инвестиции могут быть неподъёмными [4].

Кроме того, существует организационное сопротивление изменениям. Внедрение ИИ меняет устоявшиеся рабочие процессы и требует от сотрудников контрактных служб новых компетенций. Необходимо преодолевать скепсис и недоверие к машине, формировать культуру работы в связке «человек — ИИ», где алгоритмы выступают катализатором экспертизы, но окончательное решение остаётся за ответственным специалистом. Как отмечают эксперты, в российском бизнесе и госсекторе ещё силён скепсис по отношению к ИИ, во многом связанный с ожиданием «магии» и непониманием реальных возможностей и ограничений технологий [11].

Наряду с очевидными преимуществами, существуют и риски, связанные с поспешным или непродуманным внедрением ИИ. Один из ключевых рисков — автоматическая дисквалификация добросовестных участников. Если алгоритмы настроены слишком чувствительно, они могут ошибочно отнести нормальное, но нестандартное поведение поставщика к подозрительным паттернам. Это особенно актуально для ГИС «Антикартель», где эксперты уже выражают опасения, что «под каток» машины могут попасть добросовестные участники, чьё поведение покажется алгоритму подозрительным [3; 6].

Ещё один риск — это чрезмерная автоматизация и снижение роли человеческого фактора. Если контрольные функции полностью передать машине, а сотрудники потеряют навыки самостоятельного анализа и принятия решений, это может привести к деградации экспертизы в долгосрочной перспективе. ИИ должен оставаться инструментом в руках человека, а не заменять его [10; 11].

Ключевые направления развития ИИ в закупках [4; 5; 12]:

1. Сквозная интеграция госсистем путём создания единого цифрового контура (ЕИС, ФНС, ФАС, Росреестр, банки, суды) для автоматического аудита поставщиков Due diligence, выявления схем ухода от налогов и фиктивного субподряда [2, с. 249].
2. Предиктивное управление закупками путём перехода от реактивного контроля к прогнозированию рисков на этапе планирования и помощи заказчикам в корректировке планов-графиков [5].
3. Развитие технологий для поставщиков путём полного сопровождения участия в торгах от автоматического формирования заявки до генерации проектов контрактов, что особенно актуально для малого и среднего бизнеса [8, с. 79].
4. Автоматизация исполнения контрактов путём перехода к использованию смарт-контрактов. В перспективе — автоматическая приёмка и оплата при наступлении подтверждённых событий, что минимизирует коррупционные риски [12].

За рубежом (в ЕС, США) также активно внедряют ИИ в госзакупки. Например, в Великобритании правительственные контракты на ИИ-проекты достигли 573 млн фунтов к августу 2025 г. [14]. ИИ используется для выявления мошенничества, профилирования поставщиков и обработки документов [13].

Российский подход отличается высокой централизацией (ГИС «Антикартель») и акцентом на контроль, тогда как западные модели делают упор на оптимизацию процессов и прозрачность [3; 14]. Взаимная адаптация лучших практик полезна для обеих систем.

На основе анализа предложены следующие рекомендации [10; 12]:

– законодателю: принять акт, определяющий правовой статус ИИ-решений, порядок их обжалования и распределение ответственности (разработчик, заказчик, пользователь);

– Правительству и ФАС: утвердить методические рекомендации по внедрению ИИ, обеспечить поэтапное пилотное тестирование алгоритмов, продолжить интеграцию госсистем [6];

– заказчикам и участникам: повышать цифровую грамотность сотрудников, формировать запрос на «объяснимый» ИИ и эффективную обратную связь для обжалования ошибок [11];

– научному сообществу: продолжить исследования эффективности ИИ в закупках, оценивать социально-экономические последствия цифровой трансформации [1; 2].

ИИ — системообразующий элемент цифровой трансформации контрактной системы. Технологии машинного обучения, обработки естественного языка и предиктивной аналитики решают задачи от классификации закупок до прогнозирования рисков [1, с. 54–55; 5]. Наиболее перспективны семантический поиск, интеллектуальная проверка документации и ИИ-ассистенты [8, с. 78–79].

Российская практика внедрения ИИ не только принесла положительные результаты, но и выявила ряд проблем. ГИС «Антикартель» автоматизировала выявление сговоров [3; 6], региональный контроль НМЦК дал экономию [7], появились ИИ-помощники [8]. Однако успехи фрагментарны из-за слабой интеграции госсистем [4; 11].

Правовые и этические аспекты — уязвимое звено. Отсутствие статуса решений ИИ, неопределённость ответственности и проблема чёрного ящика создают риски [10]. Без права на обжалование алгоритмических решений внедрение ИИ нарушит правовую определённость [10; 11].

Проблемы и вызовы комплексны. К барьерам относятся: низкое качество данных, слабая интеграция, высокая стоимость, сопротивление сотрудников [2, с. 244–245; 11]. Кроме того, существует риск автоматической дисквалификации добросовестных поставщиков на основе решения ИИ [3; 6].

Перспективным является переход к предиктивному управлению. Нужен единый цифровой контур (ЕИС, ФНС, ФАС, Росреестр, банки, суды) для аудита Due diligence и смарт-контрактов [2, с. 249; 12]. Российский подход (централизация, контроль) и западный (оптимизация, прозрачность) могут обогатить друг друга [13; 14].

Рекомендации: законодателю — принять акт о статусе ИИ-решений [10]; Правительству и ФАС — утвердить методики и обеспечить интеграцию [6; 12]; заказчикам — требовать «объяснимый» ИИ [11]; научному сообществу — продолжать исследования [1; 2].

ИИ — реальный инструмент повышения эффективности госзакупок, но его широкое внедрение требует решения трёх групп задач: технологической (качество данных, интеграция), правовой (статус решений, ответственность) и организационной (подготовка кадров). Только комплексный подход позволит реализовать потенциал ИИ для экономии бюджетных средств и развития добросовестной конкуренции.

Литература:

1. Казанцев Д. А. Использование нейросетей в закупочной работе: излишество или необходимость? // Научный юридический журнал «Закупки и право». — 2025. — № 1. — С. 53–56.
2. Копылов С. В. Направления совершенствования контроля недостоверной информации в системе закупочной деятельности Российской Федерации // Вестник Российского экономического университета имени Г. В. Плеханова. — 2026. — № 1. — С. 242–250.
3. Шелоумов М. Новая система ФАС Антикартель: что важно знать поставщикам и заказчикам // РБК Компании : [Электронный ресурс]. — URL: https://companies.rbc.ru/news/4Br2SLTXW9/novaya-sistema-fas-antikartel-chto-vazhno-znat-postavschikam-i-zakazchikam/ (дата обращения: 15.04.2026).
4. Эксперт ИТ-холдинга Т1: ИИ в закупках даст двукратный рост производительности // T1 [Электронный ресурс]. — URL: https://t1.ru/media/news/ekspert_it-holdinga_t1_ii_v_zakupkah_dast_dvukratnyy_rost_proizvoditelnosti (дата обращения: 15.04.2026).
5. ИИ и аналитика в закупках: как технологии помогают сокращать издержки и предотвращать коррупцию // TAdviser : [Электронный ресурс]. — URL: https://www.tadviser.ru/index.php/Статья:_ИИ_и_аналитика_в_закупках:_как_технологии_помогают_сокращать_издержки_и_предотвращать_коррупцию (дата обращения: 15.04.2026).
6. ФАС запускает «Антикартель»: ИИ начнет выявлять сговоры на торгах // GKGZ : [Электронный ресурс]. — URL: https://gkgz.ru/fas-zapuskaet-antikartel-ii-nachnet-vyyavlyat-sgovory-na-torgah/ (дата обращения: 15.04.2026).
7. На Ямале искусственный интеллект помогает проводить госзакупки // Север-Пресс : [Электронный ресурс]. — URL: https://sever-press.ru/news/ekonomika/na-jamale-iskusstvennyj-intellekt-pomogaet-provodit-goszakupki/ (дата обращения: 15.04.2026).
8. B2B-РТС запускает первого отечественного ИИ-помощника закупок // CNews : [Электронный ресурс]. — URL: https://www.cnews.ru/news/line/2025-09-11_b2b-rts_zapuskaet_pervogo (дата обращения: 15.04.2026).
9. Федеральный закон от 5 апреля 2013 г. № 44-ФЗ «О контрактной системе в сфере закупок товаров, работ, услуг для обеспечения государственных и муниципальных нужд» // Собрание законодательства РФ. — 2013. — № 14. — Ст. 1652.
10. Почему ожидания от ИИ в госзакупках завышены и как с этим жить // РБК Компании : [Электронный ресурс]. — URL: https://companies.rbc.ru/news/lffDnbatxq/pochemu-ozhidaniya-ot-ii-v-goszakupkah-zavyishenyi-i-kak-s-etim-zhit/ (дата обращения: 15.04.2026).
11. ИИ в госзакупках: как меняются запросы на интеллектуальные решения // РБК Компании : [Электронный ресурс]. — URL: https://companies.rbc.ru/news/r1O7jzlOTW/ii-v-goszakupkah-kak-menyayutsya-zaprosyi-na-intellektualnyie-resheniya/ (дата обращения: 15.04.2026).
12. AI in Public Procurement: Changing Public Procurement with AI // GEP Blog : [Electronic resource]. — URL: https://www.gep.com/blog/technology/impact-of-ai-in-public-procurement (accessed: 15.04.2026).
13. The surprising shifts in how the public sector is buying AI, and what policymakers can do about it // Open Contracting Partnership [Electronic resource]. — URL: https://www.open-contracting.org/2025/11/10/the-surprising-shifts-in-how-the-public-sector-is-buying-ai-and-what-policymakers-can-do-about-it/ (accessed: 15.04.2026).