Как построить ИИ-инфраструктуру государства: стратегия ИИ-трансформации на примере Сан-Марино

Мне предложили придумать AI-трансформацию для целой республики. Вот какой путь я предложил Сан-Марино.

Когда говорят про AI-трансформацию, чаще всего имеют в виду компанию: банк, ритейл, промышленность, сервисный бизнес. Но мне пришел запрос другого масштаба — предложить карту AI-трансформации для Сан-Марино, республики с населением около 34 000 человек. В этой статье я расскажу про универсальный путь, который должна пойти любая компания, чтобы выстроить фундаментальный AI-слой на десятилетия. Жду ваши вопросы!

Запрос внедрения AI в государство это тот случай, где AI интереснее всего рассматривать не как набор отдельных инструментов, а как инфраструктурный слой. В маленьком государстве проще собрать единую архитектуру знаний, аналитики и автоматизации, чем в большой системе, где все исторически разложено по десяткам не связанных контуров.

Для меня эта задача была особенно интересной еще и лично. Я раньше работал в Сан-Марино, поэтому у меня сохранились связи и понимание местного контекста. А мы с командой как раз занимаемся тем, что помогаем организациям внедрять AI на уровне инфраструктуры, процессов и рабочих инструментов. Работали и в России, и на международных проектах, включая Ближний Восток.

Решил оформить свои мысли в публичную статью, потому что сам кейс редкий, а подход, на мой взгляд, может быть полезен не только маленьким государствам, но и любым компаниям, которые хотят внедрять AI системно.

Я бы делал такую трансформацию в 3 этапа.

3 этапа ИИ-трансформации

Этап 1. AI Knowledge Layer — единый слой знаний как фундамент AI-инфраструктуры государства

База знаний ИИ

Я бы начинал с создания AI Knowledge Layer — единого слоя знаний, на который потом сможет опираться вся AI-инфраструктура республики. На этом этапе мы оцифровываем регламенты, документы и стандарты, определяем роли доступа, загружаем всю информацию в специальную базу и строим RAG-слой как универсальный API-контур. Дальше к нему уже могут подключаться разные AI-агенты и сервисы.

По сути, сначала AI должен стать цифровым справочником государства: надежным интеллектуальным слоем, который умеет находить нужную информацию и отдавать ее в разные каналы — внутренним помощникам, внешним консультантам и отраслевым AI-сервисам. Архитектура здесь должна быть выстроена так, чтобы при любом изменении документов новая информация сразу попадала в общий knowledge layer и автоматически становилась доступной всем подключенным AI-агентам, без ручного обновления каждого решения по отдельности.

Итого получается один слой знаний и много интерфейсов и сервисов поверх него.

У этого этапа уже есть вполне конкретные прикладные кейсы.

AI-консультант для сотрудников министерств и организаций.

Внутренний помощник, который отвечает на вопросы сотрудников в свободной форме, находит релевантные нормы, регламенты и внутренние документы с указанием источников. Такой сервис сокращает время поиска информации, снижает ошибки в трактовке и ускоряет принятие решений.

Межведомственный AI-консультант по госуслугам.

Единая точка входа для граждан и бизнеса на базе общего Knowledge Layer. Такой консультант может объяснять процедуры, подсказывать порядок действий и помогать ориентироваться в государственных сервисах. При этом для отдельных ведомств могут работать свои специализированные AI-консультанты на том же общем слое знаний.

AI Tourism Assistant.

Отдельный помощник для туристического контура: он может собирать информацию о стране в одном интерфейсе, помогать с маршрутами, объектами, событиями, транспортом и правилами посещения. Для Сан-Марино это хороший пример того, как единый knowledge layer может работать еще и на внешний пользовательский опыт страны.

AI-навигация по программам и льготам.

Помогает компаниям понять, какие программы поддержки, режимы и инициативы им подходят. Это упрощает доступ к возможностям и делает саму экосистему понятнее для пользователя.

AI-помощник по структуре подачи заявок в органы.

Объясняет, как должна быть устроена заявка, какие требования к ней предъявляются и на что опираться при подготовке. Такой сервис снижает число неполных и некорректных заявок еще до того, как они попадают на рассмотрение.

Если смотреть шире, смысл первого этапа в том, что сначала республика собирает и структурирует знания, превращает их в общий AI-слой, и только потом строит поверх него следующие сервисы. Это самый фундаментальный этап, потому что без него все остальное придется каждый раз собирать заново.

Этап 2. Прикладные AI-проекты с аналитикой

ИИ помощник для анализа и поддержки решений

Когда единый слой знаний уже собран, можно переходить ко второму этапу — Decision Support Layer. Здесь AI уже работает как интеллектуальный помощник для анализа и поддержки решений. Он помогает интерпретировать данные, видеть закономерности, находить риски и быстрее готовить выводы, но не забирает у человека право финального решения.

На этом этапе AI уже можно встраивать в реальные прикладные сценарии, где важны не только ответы по базе знаний, но и аналитика.

AI Regulatory & Impact Analyzer.

Инструмент, который анализирует законопроекты и внутренние документы на соответствие действующей нормативной базе, выявляет потенциальные противоречия, дублирование и регуляторные риски. Такой кейс помогает повышать качество административных решений и снижать количество юридических ошибок еще до запуска изменений.

AI Pre-Screening для High-Tech заявок.

Сервис, который предварительно анализирует заявки компаний на соответствие критериям High-Tech, подсвечивает несоответствия и формирует аналитическую сводку для эксперта. В результате ведомство получает более подготовленный поток заявок и может быстрее принимать решение.

AI Scenario Modeling.

Инструмент для моделирования различных сценариев изменений, например условий программ поддержки или параметров отдельных инициатив, и оценки их возможных последствий. Это уже не просто поиск информации, а помощь в принятии более взвешенных управленческих решений.

AI Pattern & Anomaly Detection.

Система, которая анализирует обращения граждан, заявки или внутренние данные и выявляет повторяющиеся проблемы, узкие места и аномалии. Она позволяет увидеть неочевидные системные сбои, опираясь на данные.

Смысл второго этапа в том, что AI здесь уже начинает приносить не только операционную, но и управленческую пользу. Он не просто знает, где лежит нужный документ, а помогает понять, что происходит в системе, где есть риски, какие проблемы повторяются и где стоит вмешаться раньше. Но при этом это все еще не end-to-end автоматизация, а слой аналитики и рекомендаций поверх уже собранного knowledge layer.

Этап 3. Controlled AI Automation — безопасная автоматизация государственных процессов

Инфраструктура управляемой автоматизации процессов

Следующий этап — Controlled Automation Layer. Если на первом этапе AI работает как слой знаний, а на втором — как инструмент аналитики и поддержки решений, то здесь он начинает исполнять типовые процессы по правилам: закрывать операционные задачи, запускать регламентированные действия и сопровождать сценарий end-to-end.

Но важный момент в том, что это не «вольная автономия», а управляемая автоматизация с прозрачностью, контролем и встроенным governance.

Такой этап возможен только после первых двух. Сначала республика собирает знания, потом учит AI анализировать и помогать человеку принимать решения, и только после этого допускает его до исполнения процессов. Автоматизация должна происходить в рамках четко определенных сценариев, все действия должны логироваться и подлежать аудиту, а у человека должна сохраняться возможность пересмотра и апелляции.

Здесь AI уже не просто отвечает на вопросы и подсказывает следующий шаг, а становится частью самого маршрута: принимает типовой запрос, проверяет формальные критерии, запускает нужные действия, двигает кейс по регламенту и доводит процесс до результата там, где это безопасно и юридически допустимо.

AI Transparency & Public Oversight Platform.

Платформа, которая автоматически публикует и структурирует ключевые решения, нормативные изменения и административные действия в понятном для граждан виде, с возможностью поиска и отслеживания. Такой кейс повышает прозрачность государства и доверие к институтам.

Smart Civic Services Automation.

Автоматизация типовых гражданских запросов — справок, уведомлений, подтверждений — с проверкой формальных критериев и выдачей результата без участия сотрудника в стандартных сценариях. Для граждан это означает получение части услуг за минуты, а не за дни.

Instant Document Renewal.

Сервис, который автоматически продлевает документы и разрешения, например ID, водительские права или резидентские документы, если выполнены все формальные условия. Человеку остается только подтвердить действие и, если нужно, оплатить сбор.

Это уже наглядные примеры того, как AI можно встроить в end-to-end процесс.

На этом этапе AI перестает быть внешним помощником и становится частью исполнения. Поэтому работа с этим слоем должна строиться на ограниченной автономии, четких рамках, прозрачности всех действий и встроенном контроле.

Дополнительные направления AI-трансформации

Помимо основной дорожной карты, я бы отдельно предложил еще четыре направления.

Обучение населения и госслужащих использованию AI.

Здесь я имею в виду не просто знакомство с технологией, а нормальную AI-грамотность: базовые навыки, безопасное применение, типовые сценарии в работе и в жизни, практика на реальных задачах. Смысл в том, чтобы люди не боялись AI и не использовали его вслепую, а действительно умели применять в повседневной работе и взаимодействии с государственными сервисами.

On-premise / Sovereign LLM-инфраструктура.

Я бы отдельно рассматривал защищенный контур внутри страны: LLM + RAG + мониторинг, с настройкой ролей, аудита, изоляции данных и доступов. Для государства это дает безопасный доступ к LLM в национальном контуре, контроль над данными и возможность масштабировать AI-решения без зависимости от внешних провайдеров и vendor lock-in.

AI Advisory for SMI Startups.

Для резидентов San Marino Innovation — организации, отвечающей за развитие инновационной экосистемы республики, — я бы предложил отдельный трек: диагностика процессов, подбор AI-юзкейсов, оценка данных, выбор архитектуры, например RAG или агентного подхода, и сопровождение пилота до MVP. Это позволяет компаниям быстрее внедрять AI в продукт и операции, а самой экосистеме SMI — усиливать свою ценность для резидентов.

AI Governance & Policy Framework.

Еще один обязательный слой — это правила использования AI: уровни автономности, ответственность, аудит и логирование, требования к данным, процедуры пересмотра и апелляции. Без этого государственный AI почти всегда начинает буксовать. С этим автоматизация становится намного более управляемой и юридически корректной.

Как построить долгосрочную AI-инфраструктуру государства

Если смотреть на любую AI-трансформацию, важно не пытаться внедрить AI сразу везде. Такой подход почти всегда заканчивается набором разрозненных пилотов, которые не складываются в работающую систему.

Шаг 1. Собрать и структурировать знания, чтобы появился единый AI-слой, на который можно опираться.

Шаг 2. Запускать прикладные решения, которые помогают анализировать данные, находить закономерности и поддерживать принятие решений.

Шаг 3. Аккуратно встраивать AI в сами процессы, там, где он действительно может закрывать задачи end-to-end.

И поскольку AI с нами надолго, еще на самом старте важно выстроить правильный фундамент — такой, который будет работать не только сейчас, но и через много лет.

Сохраните мой контакт — на случай, если захотите применить ИИ или другие IT-решения у себя.

Telegram-канал: https://t.me/egormklive