Юридическая квалификация как задача классификации: пределы формализации (на примере административного и налогового права)

• ПЛОТНИКОВ Григорий Александровичстарший преподаватель кафедры бизнес-информатики и менеджмента Санкт-Петербургского государственного университета аэрокосмического приборостроенияDim111077@mail.ru
• СОВИНА Анна Рудольфовнаассистент кафедры гражданского права Санкт-Петербургского государственного университета аэрокосмического приборостроенияrudolfovna15@mail.ru

Стремительная интеграция искусственного интеллекта в правовой сектор, прежде всего в налоговое и административное право, актуализирует проблему того, насколько глубоко можно автоматизировать главное действие при применении права: юридическую квалификацию. В работе показано, что по своему устройству квалификация близка к тому, что в машинном обучении называют классификацией: и там и там объект, описанный набором признаков, относят к одной из заранее заданных категорий. Это сходство объясняет, почему программы успешно берут на себя целые участки правоприменения. Вместе с тем авторы показывают, что сходство не означает совпадения: между статистической классификацией и юридической квалификацией есть несколько различий, которые и очерчивают пределы формализации. Эти различия разобраны на материале налогового и административного права через оценочные понятия, требование обоснованности правового решения, открытость перечня правовых категорий, усмотрение и отсутствие заранее данных «правильных ответов» для обучения программ. Сделан вывод, что выявленные пределы коренятся в природе права, а не в несовершенстве техники, и потому не устраняются ростом вычислительной мощности. На этом основании предлагается рассматривать формализуемость не как выбор между «можно» и «нельзя», а как степень, и использовать устройство правоприменительной задачи в качестве содержательного признака для регулирования систем искусственного интеллекта в праве по уровню риска.

Ключевые слова: искусственный интеллект, машинное обучение, задача классификации, юридическая квалификация, формализация права, оценочные понятия, административное право, налоговое право, необоснованная налоговая выгода, объяснимость алгоритмов, предиктивное правосудие

Введение

Развитие искусственного интеллекта (далее – ИИ) дошло до такого этапа, что право перестает быть только предметом регулирования этой технологии, а само становится областью его применения. Особенно это заметно там, где решения принимаются массово и по схожим правилам – в налоговом и административном праве:

налоговая служба использует программы, которые в реальном времени сопоставляют данные налогоплательщиков и отмечают расхождения; таможенное дело построено вокруг номенклатуры товаров, по сути представляющей собой готовый перечень категорий; нарушения правил дорожного движения все чаще фиксируются автоматически камерами, а постановления по ним выносятся без участия инспектора на месте.

Складывается и правовая рамка для таких систем: ее основу задает Национальная стратегия развития искусственного интеллекта в Российской Федерации до 2030 года [1], а подготовленный профильным ведомством законопроект вводит подход, при котором требования к системе зависят от того, насколько сильно она влияет на человека и общество.

На этом фоне возникает вопрос: можно ли поручить программе не вспомогательную обработку данных, а саму юридическую квалификацию – отнесение установленных фактов к той или иной правовой категории? В технической литературе часто отмечают, что это вполне реализуемо, но явным препятствием этому служит недостаточный уровень развития программного и аппаратного обеспечения, а также нехватка данных для обучения. В перспективе это говорит о том, что со временем данная проблема должна исчезнуть. Квалификация действительно похожа по своему устройству на задачу, которую в машинном обучении называют классификацией, и именно этим объясняются успехи автоматизации. Однако сходство не означает тождества:

существуют принципиальные различия, не позволяющие редуцировать одно к другому, и коренятся они в сущностной природе права, а не в технических ограничениях Чем квалификация похожа на классификацию Юридическая квалификация в теории права понимается как подведение установленных фактов под норму: мы устанавливаем, что конкретный случай относится к тому кругу случаев, которые описаны в норме [2]. В рассуждении правоприменителя это звено выглядит так:

есть общее правило, есть вывод о том, что наш случай подпадает под условия этого правила, – и отсюда следует правовое последствие. Иначе говоря, суть квалификации в том, чтобы отнести единичный случай к одной из заранее данных правовых категорий.

Задача классификации в машинном обучении устроена так же:

программу учат на множестве примеров, к каждому из которых уже приложен правильный ответ – указано, к какой категории он относится; разобрав эти примеры, программа выводит правило, по которому относит к той или иной категории новые, еще не встречавшиеся случаи, и настраивается так, чтобы как можно реже ошибаться [3].

Если убрать вычислительную сторону, перед нами то же самое действие: отнести объект к категории – это аналог подведения факта под норму, примеры с готовыми решениями играют роль накопленной практики, а описание случая – роль юридически значимых обстоятельств дела. Такое сходство не случайно, оно объясняет, почему учебная задача классификации, по существу, моделирует автоматическую квалификацию и почему программы так естественно встраиваются в работу там, где квалификация однообразна. Но здесь же видно и первое расхождение. Программу учат на примерах, где правильный ответ известен заранее и считается верным. В праве «правильность» квалификации не дана заранее как факт: она появляется в результате самой процедуры – решения, которое можно обжаловать, пересмотреть и признать ошибочным. Прежде чем разобрать такие расхождения, стоит изучить, где сходство работает в полную силу. Области успешной автоматизации На данный момент существует значительный спектр задач, где квалификация и классификация равносильны, а автоматизация уже состоялась. Самый наглядный пример – определение кода товара по единой товарной номенклатуре внешнеэкономической деятельности. Здесь правовые категории заранее выстроены в строгий перечень, отнесение товара к тому или иному коду прямо определяет размер платежей, а сама процедура подчинена формальным правилам [4]. К такому же типу относится автоматическая фиксация нарушений правил дорожного движения: камера сама регистрирует превышение скорости или проезд на запрещающий сигнал. [11]. Сюда же включить выявление формальных нарушений в налоговом и административном праве: пропуск срока, превышение установленного предела, отсутствие нужного документа определяются по наблюдаемым признакам и, по сути, уже устанавливаются автоматически. Наконец, это массовая разборка однотипных документов и обращений и тот самый налоговый контроль, который сопоставляет сведения контрагентов и отмечает расхождения.

Все эти задачи роднит несколько критериев:

обстоятельства, которые здесь важны, можно наблюдать и измерить; перечень категорий устойчив и обозрим; решения принимаются часто и по повторяющимся образцам; накоплено много однородных прежних решений, на которых можно обучить ИИ.

При таких условиях программа способна с высокой точностью повторить сложившееся правило, и ее применение оправдано – оно снимает рутину и делает практику единообразнее. Важно отметить, что даже в этих задачах ИИ берет на себя в основном легко формализуемый слой (заметить, сопоставить, предварительно отнести к категории), а собственно оценку оставляет человеку. Это хорошо видно и в налоговом контроле, и в дорожной фиксации: программа отмечает расхождение или регистрирует превышение, но вывод о том, есть ли здесь искажение сведений и умысел или, напротив, основания освободить водителя от ответственности, делает человек. Иначе говоря, даже там, где автоматизация удается лучше всего, она доходит до черты, за которой начинается то, что плохо ей поддается.

Пределы формализации

Оценочные понятия и нечеткость правовых границ Первая и самая глубокая граница связана со свойством, которое можно назвать открытостью или подвижностью правовых понятий [5]. У понятия есть устойчивое ядро, где все ясно, и размытый край, где применить его к конкретному случаю заранее не предрешено – нужно содержательное решение того, кто применяет норму. Особенно это заметно в так называемых оценочных понятиях, которые закон намеренно не определяет до конца: их содержание наполняется только в момент применения, с учетом обстоятельств дела и стоящих за нормой ценностей [6].

Налоговое и административное право полны таких понятий. В налоговом праве расходами признаются обоснованные, то есть экономически оправданные, и документально подтвержденные затраты [7]. При этом Конституционный Суд указал, что обоснованность определяется направленностью затрат на получение дохода, а оценивать их целесообразность и эффективность ни налоговый орган, ни суд не вправе – это дело самого предпринимателя [8]. Норма о пределах прав при исчислении налога говорит об искажении сведений, об основной цели сделки и о том, что обязательство должно быть исполнено надлежащим лицом [9], продолжая выработанное практикой понятие необоснованной налоговой выгоды [10]. В административном праве не менее показательны понятие малозначительности, позволяющее освободить от ответственности, оценка нарушения как грубого и разграничение близких составов, когда одни и те же по виду действия квалифицируются по-разному, в зависимости от обстоятельств и степени их вредности [11].

Особенность оценочного понятия в том, что у него нет заранее очерченного объема, который можно было бы «выучить» по прошлым делам.

Программа способна по накопленным решениям определить некоторую границу между тем, что раньше относили к одной категории, а что – к другой, и предсказать наиболее вероятный ответ для нового случая. Но содержание оценочного понятия не лежит готовым где-то в прошлой практике – оно создается в самом акте применения, с оглядкой на конкретные обстоятельства и ценности.

Программа может довольно точно угадать, как при сложившейся практике, скорее всего, оценили бы деловую цель сделки или оправданность расходов, но она не совершает того решения, в котором как раз и определяется, чего эти понятия требуют здесь и сейчас. Предсказать поведение правоприменителя и провести квалификацию – это разные вещи. Предсказание и обоснование – не одно и то же Вторая граница связана с тем, что именно выдают, с одной стороны, программа, а с другой – правоприменитель. Программу настраивают так, чтобы она как можно точнее угадывала ответ на примерах, по которым ее учили [3]. Признаки, на которые она опирается, – это статистические совпадения, а на выходе она дает категорию и, в лучшем случае, оценку вероятности. Юридическая же квалификация по требованию закона должна быть не угадана, а обоснована: нужно выстроить цепочку доводов со ссылками на источники права, которую можно проверить, в том числе при обжаловании. Разрыв между угадыванием и обоснованием сохраняется и в новых работах, где обсуждают предсказательные возможности обработки больших данных в праве [12].

Признаки, на которых держится статистический вывод – это не правовые основания. Сообщение, что случай отнесен к нарушениям с такой-то вероятностью никакого правового обоснования не содержит. Отчасти эту проблему пытаются смягчить методы, делающие работу программы более понятной (их называют объяснимым ИИ), но и они ее не снимают [13]: они показывают, какие признаки и насколько повлияли на ответ программы, но не объясняют, почему этот ответ соответствует закону. Между «почему так решила программа» и «почему это законно» остается качественная разница. Отсюда важный для всей темы вывод: даже безошибочное предсказание исхода – еще не квалификация, потому что квалификация по своему смыслу есть обоснованное, а не угаданное отнесение факта к норме.

Заранее заданный перечень категорий и новые случаи Третья граница в том, что программаклассификатор работает с заранее заданным и закрытым перечнем категорий, а право постоянно сталкивается с новым. Хозяйственная жизнь все время порождает невиданные прежде схемы.

Возникают пробелы, которые надо восполнять, появляются случаи, где нужно толкование, а в допустимых пределах – и аналогия [2].

Программа, обученная на закрытом списке вариантов, столкнувшись с действительно новым случаем, вынуждена втиснуть его в одну из старых категорий. Распознать ситуацию, где надо не подобрать готовую категорию, а изменить сам их набор путем толкования или правотворчества, она не в состоянии. У права такие средства есть, у обученной на прошлом программы – нет. Показательна история с дроблением бизнеса. Оценка искусственного разделения деятельности как способа получить необоснованную выгоду складывалась в практике постепенно, а принятый в 2024 году закон об условиях амнистии за такие схемы [14] показал, что правовая оценка одних и тех же по форме действий может меняться под влиянием политики государства. Ответ, который вчера дала бы обученная на прежней практике программа, сегодня оказывается другим – и не потому, что изменились факты, а потому что изменилось правовое решение.

Сюда же примыкает еще одна тонкость.

Любое предсказание исхода зависит от того, с какой группой схожих дел мы сравниваем рассматриваемый случай. Но какие обстоятельства считать важными и, значит, по какому признаку собирать группу для сравнения – это и есть вопрос юридической квалификации, а не что-то, что предшествует ей. То, что программа вынуждена принимать как заданное, на деле само является результатом толкования. Похожим образом устроена и налоговая реконструкция, когда действительный размер налога восстанавливают исходя из подлинного смысла операций: это не подбор категории по набору признаков, а содержательное восстановление того, что произошло на самом деле. Усмотрение: право выбора в рамках закона Четвертая граница – усмотрение, которого в административном и налоговом праве очень много. Назначение наказания в пределах санкции с учетом смягчающих и отягчающих обстоятельств [11], снижение штрафа при наличии смягчающих обстоятельств [7], признание нарушения малозначительным – все это предполагает выбор между несколькими допустимыми по закону вариантами. Усмотрение по своей природе – это не спрятанный единственно верный ответ, который надо угадать, а право выбора, специально переданное законом тому, кто принимает решение. Программа способна повторить самый частый вариант прежнего выбора и тем самым воспроизвести сложившиеся привычки практики, в том числе ее перекосы, а нередко и усилить их. Но повторить типичный выбор – не значит осуществить усмотрение: у программы нет права выбирать [15, 16].

За этим стоит вопрос законности, который не решается повышением точности.

Силу квалификации придает не ее совпадение со статистикой, а то, что ее совершил тот, кому это поручено, и в установленном порядке.

Сколь угодно точное предсказание лишено той власти, которая делает квалификацию обязательной. Вопрос о том, кто вправе провести квалификацию и отвечать за нее, имеет в том числе конституционное значение, и передать его вычислительной процедуре нельзя без потери самого качества правового решения.

Откуда берутся «правильные ответы» и риск застывания практики Пятая граница возвращает к расхождению, отмеченному в начале, и обнажает его корень. Обучение программы на примерах требует, чтобы у этих примеров были заведомо правильные ответы, по которым ее настраивают [3]. В праве роль таких ответов играют прошлые решения, а они сами – итог процедуры, которую можно оспорить: их обжалуют, пересматривают и порой признают ошибочными. Объективной истины, какая есть, скажем, при различении изображений двух животных, для юридической квалификации не существует: «правильный» ответ здесь не предшествует процедуре, а рождается в ней. Отсюда два следствия. Во-первых, программа, обученная на массиве решений, на деле учится повторять работу учреждения, а не находить независимо существующий факт. Высокая точность относительно прошлых ответов еще не гарантирует юридической правильности, если сами эти ответы небезупречны. Во-вторых, опора на прошлое грозит застыванием практики: ее ошибки и перекосы закрепляются как образец для подражания. Это противоречит способности права исправлять себя – менять устоявшиеся подходы и отступать от прежней позиции, когда того требуют законность или справедливость. Получается, что обучение на готовых ответах ограничено не на уровне исполнения, а в самой основе: для сложных случаев оно опирается на допущение о существовании заранее верных ответов, которого право не дает. Степень формализуемости вместо деления надвое Из сказанного не следует, что ИИ в правоприменении нет места, и дело не сводится к простому делению задач на пригодные и непригодные. Точнее говорить о степени:

насколько задача поддается формализации, зависит от перечисленных черт. Чем сильнее важные обстоятельства можно наблюдать и измерить, чем устойчивее и замкнутее перечень категорий, чем чаще повторяются однотипные решения и чем согласованнее накопленные ответы, чем меньше в задаче оценочного, выбора по усмотрению и ценностных решений – тем ближе она к полюсу, где автоматизация уместна и широка. И наоборот: чем больше всего этого, тем скромнее должна быть роль программы.

Следует подчеркнуть, что ограничения применимости ИИ обусловлены не уровнем технологического развития, а самой природой правовых задач. Там, где требуется интерпретация оценочных понятий, аргументация правового вывода, разрешение коллизий в нетипичных ситуациях или осуществление правового усмотрения, простое наращивание вычислительных ресурсов не приводит к качественному решению. Технологический прогресс в данном случае устраняет лишь внешние, формальные сложности, не преодолевая содержательных ограничений, заложенных в правовой материи. Следовательно, вектор внедрения ИИ должен носить строго субсидиарный характер. Алгоритмы целесообразно применять для первичной сортировки информационных массивов, формирования прогнозов и выдачи рекомендаций, но не для вынесения юридической квалификации. Чем значительнее доля оценочных суждений в задаче, тем строже должен соблюдаться принцип вспомогательности программных средств Значение для регулирования и доктрины У этой картины есть прямой выход на регулирование. Подход, при котором требования к системе зависят от уровня риска [1], нуждается в содержательном признаке, по которому риск определяют – и устройство правоприменительной задачи такой признак дает. Системы, которые применяют к слабо формализуемой квалификации, насыщенной оценками и усмотрением, разумно сразу считать высокорисковыми: за человеком должно оставаться само решение и его мотивировка, его участие должно быть содержательным, а не формальным, и должна сохраняться возможность обжалования. Там же, где задача легко формализуема, допустима и более глубокая автоматизация при должном контроле качества. Такой признак привязывает строгость требований к устройству задачи, а не к расплывчатой ссылке на «влияние на человека», и потому понятнее в применении и устойчивее к произволу.

Для теории отсюда следует правило, которое можно сформулировать как принцип атрибуции квалификации: окончательное отнесение факта к норме и его правовое обоснование должны оставаться действием субъекта, наделенного соответствующим полномочием и несущего ответственность, тогда как результат работы программы способен такое действие информационно обеспечивать, но не замещать. Этот принцип согласует внедрение технологий с требованиями законности и мотивированности и удерживает ответ программы в роли вспомогательного средства, а не источника правоприменительного акта. Заключение Юридическая квалификация по своему устройству близка к тому, что в машинном обучении называют классификацией, и это объясняет успехи автоматизации там, где задача легко формализуема – при определении кода товара, автоматической фиксации дорожных нарушений, выявлении формальных нарушений и сопоставлении налоговых данных. Но близость – не тождество. Там, где квалификация требует наполнить содержанием оценочное понятие, обосновать решение со ссылкой на право, справиться с принципиально новым случаем, сделать выбор по усмотрению или опереться на ответы, заведомая правильность которых праву не дана, сходство нарушается. Эти границы коренятся в самой природе права, нормативного, ценностного и властного явления, и потому не исчезают от совершенствования программ и роста объема данных.

Рациональное место ИИ в

правоприменении – это место помощника, а не того, кто выносит квалификацию. Регулирование и теория должны ориентироваться на устройство задачи, считая высокорисковыми системы для слабо формализуемых задач и оставляя окончательную квалификацию и ее обоснование за человеком. Перспективным направлением дальнейшего исследования представляется перевод предложенной «степени формализуемости» в рабочие признаки и распределение по ней конкретных видов административных и налоговых дел, что позволило бы перевести изложенные теоретические положения в практически применимые критерии допустимости автоматизации.

Список литературы

1. Указ Президента РФ от 10.10.2019 N 490 (ред. от 15.02.2024) «О развитии искусственного интеллекта в Российской Федерации» (вместе с «Национальной стратегией развития искусственного интеллекта на период до 2030 года») // СПС КонсультантПлюс
2. Черданцев А. Ф. Толкование права и договора: учеб. пособие. М.: ЮНИТИ-ДАНА, 2003. 381 с.
3. Воронцов К. В. Машинное обучение: курс лекций. URL: http://www.machinelearning. ru/wiki/index.php?title=Машинное_обучение_ (курс_лекций,_К.В.Воронцов) (дата обращения: 01.06.2026)
4. Таможенный кодекс Евразийского экономического союза (приложение № 1 к Договору о Таможенном кодексе Евразийского экономического союза от 11 апреля 2017 г.) // «Официальный интернет-портал правовой информации» (www.pravo.gov.ru) 9 января 2018 г.
5. Харт Г.Л.А. Понятие права / Пер. с англ.; под общ. ред. Е.В. Афонасина и С.В. Моисеева. – СПб.: Изд-во С.-Петерб. ун-та, 2007. – 302 с.
6. Кашанина, Т.В. Оценочные понятия в советском праве: диссертация... кандидата юридических наук: 12.00.01. – Свердловск, 1974. – 185 с.
7. Налоговый кодекс Российской Федерации (часть первая) от 31.07.1998 № 146- ФЗ (ред. от 17.04.2026) // СПС КонсультантПлюс
8. Определение Конституционного Суда Российской Федерации от 4 июня 2007 г. № 320- О-П «Об отказе в принятии к рассмотрению запроса группы депутатов Государственной Думы о проверке конституционности абзацев второго и третьего пункта 1 статьи 252 Налогового кодекса Российской Федерации» // СПС КонсультантПлюс
9. Федеральный закон от 18 июля 2017 г. N 163-ФЗ «О внесении изменений в часть первую Налогового кодекса Российской Федерации» // Собрание законодательства Российской Федерации от 24 июля 2017 г. N 30 ст. 4443
10. Постановление Пленума ВАС РФ от 12.10.2006 N 53 «Об оценке арбитражными судами обоснованности получения налогоплательщиком налоговой выгоды» // СПС КонсультантПлюс
11. Кодекс Российской Федерации об административных правонарушениях от 30 декабря 2001 г. N 195-ФЗ // СПС КонсультантПлюс
12. Аргунов В. В. Теория «персонализированного права» и гражданское судопроизводство: утопия или ближайшее будущее? // Вестник Университета имени О. Е. Кутафина (МГЮА). 2025. № 2. С. 32–42.
13. Талапина Э. Прозрачность алгоритмов искусственного интеллекта // Право. Журнал Высшей школы экономики. 2025. №3. С. 4-27.
14. Федеральный закон от 12 июля 2024 г. N 176-ФЗ «О внесении изменений в части первую и вторую Налогового кодекса Российской Федерации, отдельные законодательные акты Российской Федерации и признании утратившими силу отдельных положений законодательных актов Российской Федерации» (с изменениями и дополнениями)
15. Понкин И. В., Редькина А. И. Искусственный интеллект с точки зрения права // Вестник Российского университета дружбы народов. Серия: Юридические науки. 2018. Т. 22. № 1. С. 91-109.
16. Морхат, П. М. Правосубъектность искусственного интеллекта в сфере права интеллектуальной собственности: гражданско- правовые проблемы: дис.… доктора юридических наук: 12.00.03 / Морхат Петр Мечиславович; [Место защиты: Рос. гос. акад. интеллектуал. собственности]. – Москва, 2018. – 420 с.

Скачать