Искусственный интеллект в административном судопроизводстве России: пределы автоматизации, галлюцинации и будущая роль судьи

1. Постановка проблемы и методология

Разговор о передаче судопроизводства искусственному интеллекту часто смешивает три качественно различные формы цифровизации: автоматизацию делопроизводства, интеллектуальную поддержку правового анализа и принятие властного решения по существу спора. Между тем административное дело особенно чувствительно к такому смешению. Одна сторона обычно оспаривает акт, решение или бездействие носителя публичных полномочий; суд не только арбитр состязания, но и активный гарант установления обстоятельств. Поэтому ускорение обработки документов само по себе не доказывает допустимость алгоритмической оценки доказательств.

Исследование проведено по состоянию на 27 августа 2026 г. Его предмет ограничен производством по Кодексу административного судопроизводства Российской Федерации (КАС РФ), а не делами об административных правонарушениях. Формально-юридический метод используется для выявления конституционных и процессуальных пределов; функциональный — для разделения задач по уровню риска; сравнительный — для сопоставления с рекомендациями CEPEJ и европейским риск-ориентированным подходом; сценарный — для оценки вероятности этапов внедрения. Под «галлюцинацией» понимается правдоподобное утверждение генеративной модели, которое не подтверждается исходными данными или авторитетным источником. Это понятие не охватывает все возможные ошибки: достоверно извлеченный факт может быть неверно истолкован, а корректная норма — применена к ненадлежащим обстоятельствам.

2. Вероятность частичного и полного перехода судопроизводства к ИИ

Действующая конституционная конструкция не оставляет места для самостоятельного «ИИ‑судьи». Правосудие осуществляется только судом (ст. 118 Конституции РФ), а судьей может быть гражданин, отвечающий установленным требованиям (ст. 119). Судьи независимы и подчиняются Конституции и федеральному закону (ст. 120). Статья 1 Федерального конституционного закона «О судебной системе Российской Федерации» прямо исключает присвоение функции правосудия иными органами и лицами. Следовательно, передача машине полномочия единолично выносить обязательное решение потребовала бы не обычной процессуальной поправки, а пересмотра основ статуса судебной власти и персональной ответственности судьи.

КАС РФ усиливает этот вывод. В число его принципов входят независимость судей, непосредственность, состязательность при активной роли суда, законность и справедливость. Суд определяет значимые обстоятельства и может истребовать доказательства по собственной инициативе (ст. 14, 62), непосредственно исследует их (ст. 13), оценивает по внутреннему убеждению без заранее установленной силы какого-либо доказательства и обязан мотивировать предпочтение одних сведений другим (ст. 84, 180). Алгоритмическая рекомендация допустима лишь постольку, поскольку не превращается в скрыто обязательную презумпцию и не подменяет непосредственное исследование.

Практика подтверждает курс на вспомогательную, а не автономную модель. 26 мая 2026 г. Судебный департамент и Информационно-аналитический центр ГАС «Правосудие» начали пилот в федеральных судах десяти субъектов, включая Санкт-Петербург и Ленинградскую область. Первая проверяемая функция — преобразование аудиозаписей заседаний в текст; одновременно собираются предложения судей и аппарата о других направлениях применения. Еще в 2021 г. Верховный Суд сообщал о планах подготовки проектов судебных актов и автоматизации типовых приказов. Иными словами, институциональная траектория уже началась, но ее исходная точка — снижение нагрузки, а не делегирование юрисдикции.

Указанные горизонты — не календарное обещание, а сценарная оценка автора. Научно обоснованного прогноза о дате полного перехода к ИИ не существует. Наиболее вероятен асимметричный процесс: автоматизация будет глубокой внутри аппарата и подготовки дела, но формальная власть, ответственность и окончательное оценочное суждение сохранятся за судьей.

3. Какие функции ИИ способен взять на себя сегодня

Для надежного внедрения необходимо оценивать не название технологии, а конструкцию конкретной функции. Если система лишь извлекает существующий фрагмент из официального документа, проверяет контрольную сумму и не имеет канала для генерации нового текста, выдумывание можно исключить архитектурно. Однако даже в этом случае не гарантированы полнота поиска и юридическая релевантность выбранного фрагмента. Напротив, всякая свободная генерация — резюме, проект мотивировки, классификация довода, ответ пользователю — сохраняет риск подмены, пропуска или добавления сведений.

Retrieval-augmented generation (RAG), при которой модель получает документы из контролируемой базы, существенно снижает риск, но не превращает ответ в доказанный факт. В исследовании общедоступных моделей на вопросах о федеральных делах США юридические галлюцинации возникали в 58–88% ответов; эти цифры относятся к моделям и корпусу 2023–2024 гг. и не могут непосредственно переноситься на российский процесс (Dahl et al., 2024). Более показателен сам факт сохранения ошибки в специализированных RAG‑продуктах: независимая проверка трех ведущих систем юридического поиска выявила галлюцинации в 17–33% ответов (Magesh et al., 2025). Следовательно, маркетинговое обещание «без галлюцинаций» не заменяет измерения на конкретной категории российских административных дел.

4. Когда ИИ перестанет галлюцинировать

Корректный научный ответ состоит в том, что подтвержденной даты нет. Ни рассмотренные рецензируемые исследования, ни публичная позиция разработчика OpenAI не называют год полного устранения галлюцинаций. Напротив, исследователи показывают структурные причины их устойчивости. Для редких фактов, которые слабо представлены в обучающем корпусе, установлена статистическая нижняя граница ошибок калиброванной языковой модели (Kalai, Vempala, 2024). В работе, опубликованной в Nature в 2026 г., показано, что распространенные метрики точности поощряют догадку вместо признания неопределенности; авторы предлагают изменять оценивание так, чтобы ошибочный уверенный ответ стоил дороже отказа (Kalai et al., 2026). Официальное разъяснение OpenAI также характеризует проблему как фундаментальную и все еще не решенную полностью.

Из этого не следует, что судебный ИИ бесполезен. Следует сменить критерий успеха. Для открытой языковой модели цель «никогда не ошибаться» нереалистична; для судебной информационной системы можно ставить проверяемую цель «не выпускать неподтвержденное утверждение». Она достигается не одним обучением, а системой барьеров: генерация только после извлечения источника; привязка каждого тезиса к конкретной странице и версии документа; автоматическая проверка цитаты; запрет на вывод при отсутствии достаточного основания; отдельный детерминированный модуль норм и сроков; финальная подпись человека. Такая конструкция способна приблизить частоту неподтвержденных утверждений к установленному порогу, но не гарантирует справедливость правовой квалификации.

5. Дефицит материалов дел как главный предел обучения

Практически доступный разработчику открытый юридический корпус состоит прежде всего из нормативных актов, карточек дел и опубликованных судебных решений. Федеральный закон № 262-ФЗ предусматривает размещение судебных актов и сведений о движении дела, одновременно устанавливая исключение части персональных данных, охраняемых сведений и отдельных категорий актов. Законом установлен порядок ознакомления только участников судопроизводства с материалами дела, что делает невозможным получение всех материалов дела для машинного обучения. Это принципиальная граница: решение является итоговым, уже отфильтрованным суждением суда о доказательствах, а не самим процессом доказывания.

Материалы дела содержат не только административное исковое заявление, копию оспариваемого решения, постановления, предписания, или другого акта, но также ответы органа власти, пояснения сторон по делу, заключения специалистов или результаты проведенной судебной экспертизы, ходатайства и прочие доказательства позиции сторон. В мотивированном решении суд на практике может не дать оценку каждому доводу сторон или не расписывать почему отвергает те или иные доводы или доказательства, напротив очень тщательно описывая в решении основания и доказательства, которые положены в основу выводов суда. Если обучать модель только на связке «текст решения — результат», она осваивает язык легитимации уже принятого вывода. Она не видит, какие альтернативы были проверены, какие документы не допустили, что было истребовано по инициативе суда и насколько публичный ответчик исполнил лежащее на нем бремя.

Также для машинного обучения важно понимать силу и значимость судебного акта, ведь не каждое решение суда в первой инстанции и вступившее в силу может гарантировать абсолютную справедливость. Каждый новый этап обжалования вынесенного судебного акта, гарантирует тщательную проверку применения норм процессуального и материального права.

На сегодняшний день есть три системных проблемы. Первая — методологическая ошибка при обучении ИИ: вследствие обучения на текстах решений судов ИИ не учится самостоятельно сопоставлять доказательства а просто распознает слова и формулировки, которые типично используются в судебных актах. Второе — смещение отбора: публикуются и оцифровываются не все материалы и не с одинаковым качеством по регионам и категориям. Третье — воспроизводство исторической практики: частота прежнего решения ошибочно принимается за нормативную правильность. В административном судопроизводстве это особенно опасно, поскольку модель может статистически усилить институциональное преимущество органа власти и фактически переложить на гражданина обязанность доказывать незаконность, вопреки ст. 62 КАС РФ.

Полный доступ ко всем материалам дел требует специальной правовой основы. Они содержат персональные, а иногда специальные категории данных и охраняемые тайны. Статьи 5 и 10 Федерального закона № 152-ФЗ допускают обработку в связи с осуществлением правосудия, но требуют законной цели, соразмерности объема, точности и прекращения избыточной обработки. Поэтому публикация массива недопустима; возможен лишь изолированный государственный контур с псевдонимизацией, разграничением доступа, журналом операций и запретом повторного использования поставщиком модели.

6. Как обучить ИИ справедливо оценивать доводы и доказательства

Справедливость здесь нельзя свести к одинаковому проценту удовлетворенных исков. Ее процессуальное содержание включает равную возможность быть услышанным, правильное распределение бремени доказывания, индивидуальную оценку относимости, допустимости и достоверности, активную компенсацию информационного неравенства и мотивированный ответ на существенные доводы. Поэтому система должна обучаться не угадывать резолютивную часть, а реконструировать проверяемую карту доказывания.

Во‑первых, необходим защищенный межрегиональный корпус полных электронных дел. Выборка должна охватывать разные категории, инстанции, регионы, результаты, способы участия и временные периоды. Дела одной процессуальной цепочки нельзя одновременно помещать в обучение и контрольную выборку. Идентификатор судьи допустим для аудита неоднородности, но не как признак, повышающий вероятность конкретного исхода. Смоделированные дела полезны для редких пограничных ситуаций, однако не заменяют реальные материалы и должны маркироваться отдельно.

Во‑вторых, разметка должна отражать структуру процесса: заявленные требования; юридически значимые обстоятельства; сторону, несущую бремя по каждому факту; источник и происхождение доказательства; возражения против относимости, допустимости и достоверности; результат непосредственного исследования; противоречия; причины принятия или отклонения довода.

В‑третьих, предпочтительна гибридная архитектура. Одна языковая модель не способна выполнять все задачи по реализации правосудия. Для более качественной работы необходимы дополнительные модули такие как: модуль для проверки полномочий, подсудности сроков и других требований; поисковый модуль находящий нормы права и документы по такой же категории дел; граф доказательств показывающий связи между объяснениями сторон, доказательствами и возражениями; и сам судья проверяющий спорные доказательства и принимающий решение. В отсутствии проверенных данных для уверенного ответа модель должна приводить к ответу «требуется исследование» или к предложению истребовать конкретный материал, а не к вероятностной догадке.

В‑четвертых, необходимо как до так и после внедрения ии проводить периодические тесты на новых делах в закрытом режиме Помимо точности общей оценки необходимо проверять возможные неподтвержденные ссылки, пропуски существенных доводов, ошибки распределения бремени, устойчивость к ложной информации, различия по регионам и социально чувствительным группам. Нужны независимый аудит, публикация паспорта модели и данных, версия алгоритма в каждом деле, возможность воспроизвести результат и аварийно отключить систему. Рекомендации CEPEJ 2025 г. — сравнительный, а не обязательный для России источник — также исходят из не binding характера вывода ИИ, доступа к судье-человеку, прозрачности, псевдонимизации и поэтапного внедрения.

Наконец, справедливость требует состязательности вокруг алгоритма. Стороны должны знать о применении ИИ, видеть использованные источники и существенные параметры, указывать на пропуск или искажение, требовать человеческой проверки и получать мотивированный ответ. Постановление Пленума Верховного Суда РФ от 21 мая 2026 г. № 15 уже закрепило для гражданского процесса обязанность сообщать суду о фактических сведениях, полученных с использованием ИИ. Прямо на КАС РФ это разъяснение не распространяется, но обозначает вероятное направление: прозрачность происхождения ИИ‑материала и сохранение ответственности пользователя за его достоверность.

Заключение

Частичный переход российского административного судопроизводства к использованию ИИ практически неизбежен. В настоящее время уже действуют модели по транскрибации. Следующим этапом станет внедрение в делопроизводство, поиск и подготовка типовых документов. В перспективе пяти лет возможно расширение до аналитических рекомендаций. Для этого необходимо создать защищенную инфраструктуру и процессуальные гарантии. Полная передача вынесения решений ИИ в обозримом будущем крайне маловероятна: она противоречит действующей модели судебной системы и не обеспечена технологией, способной гарантировать объективность и справедливую оценку доказательств.

Роль судьи не исчезнет, а сместится от механической обработки к функциям, которые нельзя безопасно стандартизировать. Судья останется носителем власти и ответственности, определяющий предмет доказывания, обеспечивающий состязательность сторон, лично исследует спорные доказательства, проверит соразмерность и исключения, рекомендацию системы и примет решение.

Представители также останутся важным элементов системы судопроизводства. Такие классические функции как определение стратегии, поиск доказательств, понимание их допустимости и относимости, и приобщении их при рассмотрении дела, проверка возможно ложных или ошибочных сведений представленных противоположной стороной, в обозримом будущем не смогут быть заменены никаким образом. Также необходимо проверять цифровое происхождение документов, добиваться раскрытия данных публичного ответчика, оспаривать релевантность аналогов, выявлять смещение выборки и предлагать альтернативную карту причинно-следственных связей. Необходимой профессиональной компетенцией станет алгоритмическая состязательность: умение запросить журнал работы, версию модели и источники каждого вывода, поставить вопрос эксперту и объяснить суду, почему статистически частое решение неприменимо к индивидуальному делу.

В описанных выше обстоятельствах реалистичная цель — не ожидать «идеальную нейросеть», а построить судебную систему, в которой неподтвержденный вывод блокируется, и не выдается в случае сомнения, каждый тезис прослеживается до материала дела, а стороны могут его оспорить.