ИИ в государственных социальных услугах: автоматизация льгот, предиктивная социальная помощь и anti-fraud

Семья, имеющая право на пособие, тратит 3 часа на МФЦ, собирает 12 справок, ждёт 30 дней проверки. При этом в базах государства уже есть все нужные данные — доход, состав семьи, наличие льготных категорий. AI позволяет перевернуть логику: государство само видит право на льготу и предлагает её гражданину.

Кейс 1. Госуслуги и ЕСИА — проактивные государственные услуги

Инструменты

• ML-анализ баз данных для автоматического назначения льгот
• Predictive Service: выявление граждан, которым положена, но не назначена помощь
• NLP-чат-бот на Госуслугах для первичной консультации
• Автоматическая верификация документов

Что происходит

Проактивный подход: в России с 2020 года ряд пособий назначается в «проактивном» режиме. Рождение ребёнка зафиксировано в ЗАГСе → данные автоматически попадают в СФР → материнский капитал назначается без заявления.

ML-анализ: система находит граждан, соответствующих критериям льгот, но не получающих их. «Семья с доходом ниже прожиточного минимума × 2 (по данным ФНС), трое детей (данные ЗАГС) → имеет право на несколько видов поддержки, не получает ни одной». Уведомление через Госуслуги.

NLP-чат-бот Госуслуг: отвечает на вопросы о льготах, помогает определить, какие выплаты положены, объясняет как оформить.

Результаты

• Доля проактивно назначенных услуг: растёт ежегодно — цель правительства 100% к 2030
• Материнский капитал: автоматически назначен >95% новорождённых без визита в ведомство
• Госуслуги: >100 миллионов зарегистрированных пользователей — крупнейший цифровой государственный портал в мире

Кейс 2. ФСС и ПФР — AI для выявления мошенничества с льготами

Инструменты

• ML-скоринг заявлений на льготы (риск мошенничества)
• Перекрёстная проверка данных: ФНС × ФСС × ЗАГС × Росреестр
• Поведенческий анализ: нетипичные паттерны получения льгот
• Graph Analytics: выявление организованного мошенничества

Что происходит

Типичные схемы мошенничества с льготами: фиктивная занятость для получения больничных, «мёртвые души» в пособиях, незаконное получение пенсий на умерших.

ML-система ФСС: проверка больничных листов. Алгоритм выявляет: один и тот же человек получает больничные 80% рабочего времени в течение года → нетипично → проверка. Одно медучреждение выдаёт в 3 раза больше больничных, чем аналогичное → нетипично → ревизия.

Graph Analytics: несколько ИП с одними и теми же сотрудниками, которые одновременно получают пособия по безработице и зарплату → схема обналичивания → комплексная проверка.

Результаты

• ФСС России: выявление необоснованных выплат с ML выросло на ~45% за 2 года
• Сэкономленные средства: >₽2–5 млрд/год по оценке ведомства
• Время проверки обоснованности пособия: с 30 дней до 3–5 дней (автоматическая верификация)

Кейс 3. Международный опыт: предиктивная социальная помощь

Кейс — Финляндия: AI предсказывает риск бедности

Финляндия использует ML-модели для предсказания, какие семьи с высокой вероятностью окажутся в социальной уязвимости в следующие 12 месяцев. Это позволяет превентивно предложить поддержку до кризиса — переобучение, социальный работник, финансовая консультация.

Результаты: семьи с превентивной поддержкой в 2 раза реже оказываются в критической бедности.

Кейс — Великобритания: DWP и fraud detection

Department for Work and Pensions применяет ML для выявления мошенничества в системе пособий (годовые потери — ~£7 млрд). ML-модели анализируют заявления и история получателей, выявляют паттерны злоупотреблений.

Результаты: выявление мошенничества выросло на ~30%, сэкономлено >£250 млн в год.

Источники: Минцифры России данные о Госуслугах, ФСС отчёты, ПФР пресс-релизы, OECD «AI in Public Services 2024», UK DWP fraud statistics.