Как ИИ-агент Казначейства перестраивает анатомию госзакупок медизделий

Анатомия цифровизации здравоохранения | узнать больше ИИ-агент в госзакупках медизделий: институциональная анатомия ограниченной автономии.

Материал подготовлен экспертами КБФИТ — организации, которая разрабатывает и внедряет решения для автоматизации медицинских организаций, включая систему МЕДЕРП, интегрированную с ЕИС. Мы пишем о цифровизации закупок потому, что работаем в этой сфере и видим её изнутри. Это не реклама и не оценка продуктов: статья анализирует государственную инициативу и международный опыт на основе открытых источников. Независимую экспертизу мы не заменяем — для критических решений нужна внешняя проверка. Выводы читатель делает сам. При подготовке материала использовались технологии искусственного интеллекта (анализ и структурирование открытых данных).

Постановка проблемы: что именно меняется

21 сентября 2026 года на Московском финансовом форуме Федеральное казначейство объявило о планах запустить в январе 2027 года первого ИИ-агента в Единой информационной системе (ЕИС) госзакупок. Пилотной площадкой выбраны закупки медицинских изделий [1][7]. Аналитическая ценность этого события не сводится к факту «ИИ приходит в госзакупки»: речь идёт о встраивании алгоритмического агента в ядро закупочного решения.

Факт: по данным заместителя руководителя Казначейства Анны Катамадзе, в сфере закупок работают около 2 млн специалистов. Из 18 шагов, которые заказчик проходит при совершении закупки, только три связаны с 44-ФЗ, остальные — с бюджетным, промышленным и отраслевым законодательством [1].

Ниже анализ сосредоточен на трёх вопросах: как регуляторная среда формирует требования к агенту; какие функции передаются алгоритму и с какими техническими рисками это связано; и как институциональный дизайн «ограниченной автономии» распределяет ответственность между человеком и машиной.

Нормативно-правовой контекст и регуляторные барьеры

Закупки медицинских изделий в 2026 году осуществляются в условиях продлённых антисанкционных механизмов, централизации и усиленного контроля. Ключевым регуляторным барьером остаётся национальный режим: при наличии заявки с российским изделием иностранные аналоги не допускаются.

Регуляторная трактовка: в соответствии с Постановлением Правительства РФ от 23.12.2024 № 1875, для медицинских изделий применяется ограничение допуска иностранных товаров. Согласно подпункту «д» пункта 4 Постановления № 1875, положения приложений применяются к медицинским изделиям только при одновременном соблюдении трёх условий: соответствие наименованию, коду ОКПД2 и коду вида медицинского изделия (КВМИ). Отсутствие хотя бы одного из этих условий исключает применение ограничения [12]. Постановлением Правительства РФ от 30.12.2025 № 2225 продлены переходные положения о подтверждении страны происхождения товара [13]. Данная трактовка отражает текущую редакцию нормативных актов; окончательное решение о применении принимает регулирующий орган или суд в каждом конкретном случае.

С 1 января 2026 года Приложение № 2 к Постановлению № 1875 дополнено новыми кодами: добавлены компоненты протезно-ортопедических изделий, включая стопы, коленные и тазобедренные модули, узлы кистей и локтей — в том числе с микропроцессорным управлением [10][11]. Отдельные корректировки правил национального режима в 2026 году внесены Постановлением Правительства РФ от 03.08.2026 № 969, касающимся преимущественно лекарственных препаратов [15]. Централизация закупок лекарств и медизделий в рамках национальных проектов «Продолжительная и активная жизнь» и «Семья» закреплена в государственной программе «Развитие здравоохранения» [5]. Централизация охватывает конкретные перечни медизделий, финансируемые из федеральных субсидий; большинство закупок медизделий остаётся в ведении региональных заказчиков.

Для ИИ-агента это означает существенное усложнение: логика закупки медизделий теперь зависит от трёх условий одновременно (наименование, ОКПД2, КВМИ), а также от того, входит ли товар в специальный перечень, попадает ли закупка под централизацию, и кто выступает организатором процедуры. Агент должен уметь определять применимый режим, а не просто проверять характеристики.

Функциональная декомпозиция: что автоматизируется

Согласно официально раскрытому перечню, ИИ-агент будет выполнять следующие задачи [1]:

Позиционирование агента: с момента «выражения намерения» сопровождать заказчика до готового полного пакета документов. Если это закупка у единственного поставщика — на выходе контракт, готовый к подписанию; если конкурентная процедура — полностью подготовленная заявка [1].

Оценка: по заявлению заместителя министра финансов Алексея Моисеева на сессии МФФ-2026, ИИ может взять на себя 14 из 16 типовых операций заказчика [2]. Данная оценка является экспертной позицией; методология расчёта публично не раскрыта.

Выбор медизделий как испытательного полигона

Официальное объяснение Министерства финансов: номенклатура и объёмы закупок медицинских изделий не столь велики, как в сегменте лекарственных препаратов, при этом сфера достаточно полно описана в справочниках, каталогах и нормативной базе, что позволяет обучать модели быстрее и качественнее [1].

Выбор медизделий как пилотной сферы отражает задачу средней сложности: они технологически более неоднородны, чем лекарства (разные производители, модели, расходные материалы), но ближе к «каталогизируемому» состоянию, чем крупное оборудование с высокой кастомизацией. Такой градиент создаёт осмысленную, но контролируемую по рискам среду валидации.

Ограниченная автономия как институциональный дизайн

Наиболее значимый для анализа элемент институционального дизайна — принцип, многократно подчёркнутый на форуме: окончательное решение остаётся за человеком. Моисеев сформулировал это предельно ясно: «Окончательное решение всегда будет принимать человек, потому что спрашивать будут не с ИИ, а с человека» [2].

Катамадзе назвала четыре технических принципа работы агента [1]:

• Только локальные открытые языковые модели — обработка данных в инфраструктуре Казначейства, без передачи во внешние публичные ИИ-сервисы.
• Полная историчность — каждое действие агента фиксируется в журнале и доступно для проверки контрольными органами.
• Только юридически выверенные источники — например, база регистрационных удостоверений Росздравнадзора по медизделиям.
• Финальное решение — за человеком.

Оценка: данная модель может быть охарактеризована как «ограниченная автономия». Агент не может «напрямую» принимать закупочное решение — он может лишь подготавливать информацию и документы. Структурный риск формальной ратификации существует: если рекомендации агента будут демонстрировать крайне высокий уровень принятия, принцип «окончательное решение за человеком» в практическом смысле начнёт приближаться к формальному подтверждению. Однако масштаб этого риска невозможно оценить без данных о фактическом уровне принятия рекомендаций агента, которые в открытом доступе отсутствуют. Распределение ответственности в случае ошибки, подготовленной агентом и «ратифицированной» человеком, публично не определено.

Технические риски и пробелы в раскрытии

Публичные материалы Казначейства не раскрывают ряд технических параметров, критически важных для оценки надёжности агента в юридически значимом контексте. Ниже перечислены ключевые риски, связанные с использованием больших языковых моделей (LLM) в закупках, и указано, какие данные отсутствуют в открытом доступе.

Оценка: отсутствие раскрытия этих параметров — не обязательно признак проблем, но существенный пробел для независимой оценки. Принципы «локальные модели» и «полная историчность» снижают риски утечки данных и повышают объяснимость, однако не адресуют риск галлюцинаций и смещения. Релевантные национальные стандарты — ГОСТ Р 59898-2021 «Оценка качества систем искусственного интеллекта. Общие положения» [16] и ГОСТ Р 71752-2024 «Искусственный интеллект. Техническое задание. Требования к содержанию» [17] — задают формальные критерии, которым должна соответствовать подобная система.

Сравнительный анализ: четыре кейса — от ассистента до политического инструмента

Прямых аналогов российскому пилоту — ИИ-агента, встроенного в регуляторный контур ЕИС, — в публичном доступе с верифицированными метриками промышленной эксплуатации не обнаружено. Однако существуют четыре институционально различных подхода к применению ИИ в закупках, которые заслуживают сопоставления. Три из них — ассистент, аудитор и агентство-обслуживание; четвёртый (Пентагон/DOGE) включён как контрастный случай, показывающий политический, а не технический драйвер внедрения ИИ.

Разбор международных кейсов ведётся в рамках цикла о Цифровой платформе информационно-технологического сопровождения здравоохранения (ЦП ИТС Здравоохранения) (перейти к рубрике). ЦП ИТС — это концепция государственной платформы управления закупками услуг по ИТ-сопровождению (доработка, консультации, поддержка, интеграции) для медицинских организаций, разрабатываемая КБФИТ в рамках данного цикла публикаций. Платформа призвана централизовать процессы закупок ИТ-услуг, обеспечить прозрачность и снизить нагрузку на контрактные службы медицинских организаций. Цель разбора кейсов — не оценить зарубежный опыт как таковой, а извлечь архитектурные и институциональные уроки, релевантные для проектирования российской платформы: как организуется локальное развёртывание ИИ в государственном контуре, как разделяются функции между инструментами, как сохраняется ответственность человека в контуре принятия решений.

Применимость к ЦП ИТС Здравоохранения. Из четырёх рассмотренных кейсов три подтверждают структурные принципы, заложенные в концепцию ЦП ИТС: локальное развёртывание, разделение функций (генератор + валидатор), человек в контуре. Однако ни один из них не является полным аналогом: Массачусетс работает в контуре заказчика, CEDAR — в наднациональной инфраструктуре, GSA — во внутренних процессах агентства. Российский пилот Казначейства ближе всего к модели ЦП ИТС по институциональной позиции (встраивание в регулятора), но не раскрывает, как решаются вопросы валидации и контроля галлюцинаций. Для проектирования ЦП ИТС это означает: архитектурные решения, не раскрытые в российском пилоте, должны быть спроектированы самостоятельно, с опорой на подтверждённые элементы зарубежных кейсов.

Кейс Массачусетса: структурно близкий прецедент. С конца 2023 года Содружество Массачусетс разрабатывает пару ИИ-инструментов — ABE (Assistive Buyer Engine, семантический ассистент закупщика) и OneL (языковая модель для предварительной юридической проверки), — известных как Dual AI Agents. Система развёрнута внутри ИТ-периметра штата, обучена на локальном корпусе нормативных актов и позиционируется как ассистент, а не замена человеческих решений. Проект удостоен золотой награды NASPO Cronin Award (октябрь 2025) [8][18]. Ключевое отличие от российского пилота: функции разделены между двумя инструментами (генератор + валидатор), тогда как российский пилот заявляет одного агента с широким функциональным охватом. Это различие имеет институциональное значение: разделение снижает риск того, что одна модель генерирует и проверяет собственные выходные данные.

CEDAR: контроль, а не ассистирование. Проект Horizon Europe (2024–2026) объединяет Common European Data Spaces и ИИ для мониторинга госзакупок в ЕС (около €2 трлн в год, 14% ВВП). CEDAR анализирует 100% доступных данных в реальном времени, выявляя single-bidding, дробление закупок, сговорные сети и манипуляции с ценами. Пилоты реализуются в Италии, Словении и Украине — с фокусом на здравоохранение и цепочки поставок медизделий [14]. Ключевое отличие: CEDAR — инструмент контроля и прозрачности, а не поддержки заказчика. Он отвечает на вопрос «где деньги тратятся неправильно», тогда как российский агент — на вопрос «как правильно оформить закупку». CEDAR находится в финальной стадии; метрики эффективности в открытых источниках не раскрыты.

GSA: автоматизация в условиях кадрового дефицита. GSA поставила цель автоматизировать 1 млн рабочих часов в 2026–2027 финансовых годах. По данным на июнь 2026 года, ~900 000 часов идентифицировано: около 400 000 часов — за счёт технологической автоматизации и ещё 500 000 — за счёт оптимизации процессов силами сотрудников; 70% персонала агентства регулярно используют ИИ [9]. Ключевой контекст: GSA сократила штат (по разным оценкам, до 40%). Подход сформулирован как «устранить, оптимизировать, автоматизировать» (EOA). Ключевое отличие: GSA автоматизирует внутренние процессы агентства, а не закупочный цикл внешних заказчиков. Метрики раскрыты, но это «идентифицированные», а не «сэкономленные» часы.

Пентагон/DOGE: контрастный случай. Назначение Гэвина Клигера (выходца из DOGE) ответственным за ИИ-портфель Пентагона иллюстрирует политический, а не технический драйвер внедрения ИИ [20]. Ключевое отличие: это кейс политизации управления ИИ, а не внедрения ИИ в закупки. Для анализа российского пилота он релевантен только как контраст: показывает, что ИИ в госсекторе может быть инструментом сокращения, а не модернизации.

Вывод для сравнительного анализа: российский пилот уникален не функционально, а институциональной позицией: ИИ-агент встроен в регулятора (Казначейство), а не в заказчика (Массачусетс), не в наднациональную инфраструктуру (CEDAR) и не во внутренние процессы агентства (GSA). Это делает его институционально иным, и именно поэтому прямые метрики сопоставления отсутствуют.

Верифицированная матрица: факты, оценки, пробелы

Итоги и выводы

Встраивание ИИ-агента в ЕИС представляет собой институциональную трансформацию, затрагивающую профессиональные функции и границы подотчётности. Первичная анатомия российского пилота выявляет несколько измерений, требующих наблюдения, и одновременно фиксирует существенные пробелы в публичном раскрытии.

Ключевые выводы:

• Функциональная декомпозиция и вопрос о компетенциях. ИИ-агент берёт на себя структурируемую часть когнитивного труда закупочного специалиста (масштаб: ~2 млн занятых [1]). Аналитически это означает, что критически важными становятся компетенции, которые алгоритм не покрывает: интерпретация нестандартных ситуаций, оценка юридических рисков на стыке отраслевого и бюджетного законодательства, содержание контроля выходных данных агента.
• Ограниченная автономия. Четыре принципа (локальные модели, полная логируемость, юридически выверенные источники, финальное решение за человеком) формируют институциональный дизайн, в котором цепочка подотчётности сохраняет непрерывность [1]. Структурный риск формальной ратификации существует, но его масштаб невозможно оценить без данных о фактическом уровне принятия рекомендаций агента.
• Нормативный контекст усложняется. Применение нацрежима к медизделиям требует одновременного соблюдения трёх условий (наименование, ОКПД2, КВМИ), что создаёт для агента дополнительную логику: определение применимого режима закупки, а не только проверка характеристик [12].
• Технические риски не раскрыты. Публичные материалы не содержат информации о мерах против галлюцинаций, механизмах обновления моделей, обеспечении консистентности и защите от смещения данных. Кейс Массачусетса показывает, что архитектурное разделение функций (генератор + валидатор) может быть спроектировано заранее; российский пилот публично не раскрывает, как решается эта проблема [8].
• Институциональная уникальность. Российский пилот — единственный из рассмотренных кейсов, где ИИ-агент встроен в регулятора, а не в заказчика (Массачусетс), не в наднациональную инфраструктуру (CEDAR) и не во внутренние процессы агентства (GSA). Для концепции ЦП ИТС Здравоохранения это формирует референсную базу: подтверждённые архитектурные принципы (локальное развёртывание, разделение функций, человек в контуре) могут быть заимствованы, неподтверждённые (пороги достоверности, механизмы валидации, финансовые инструменты) требуют самостоятельного проектирования.

Для руководителей ИТ-служб медицинских организаций: при планировании закупок медизделий в 2027 году следует учитывать, что ИИ-агент будет доступен как инструмент подготовки документов, но ответственность за соблюдение нацрежима и обоснование НМЦК остаётся на заказчике. Рекомендуется обеспечить внутренний контроль выходных данных агента, особенно в части сопоставления характеристик с реестровыми записями и определения применимого режима централизации.

Для членов экспертных групп и регуляторов: развитие системы требует раскрытия методологии оценки точности рекомендаций агента, механизмов выявления и коррекции галлюцинаций, а также процедур обновления при изменении нормативной базы. Опыт Массачусетса (разделение функций на генератор и валидатор) и CEDAR (непрерывный контроль 100% данных) показывает, что эти механизмы могут быть спроектированы заранее.

Источники

Ниже приведены источники, включая ссылки, документацию, нормативные акты и прочие материалы, упомянутые в статье. Информация актуальна на момент публикации; для применения в конкретной ситуации рекомендуется сверяться с действующей редакцией документов.