Public procurement is one of the key instruments of fiscal policy, ensuring the allocation of a significant share of public finance. In the context of growing digitalization of public administration, supplier relationship management systems (SRM) with integrated artificial intelligence elements are becoming particularly relevant. The article examines the theoretical foundations of SRM systems as applied to the public sector, systematizes the functional capabilities of AI components in the procurement cycle, and provides an analysis of the domestic electronic procurement market. It is established that the integration of intelligent tools into procurement activities can significantly reduce the number of violations and improve the efficiency of budget spending.

Keywords: digital transformation, public procurement, SRM system, artificial intelligence, contract system, electronic procurement, digitalization.

Введение

Государственные закупки занимают особое место в системе бюджетного регулирования: в 2024 году объём контрактуемых расходов федерального бюджета Российской Федерации составил 3 765,8 млрд рублей, увеличившись по сравнению с 2023 годом на 9,4 %. При этом Счётная палата РФ по итогам того же года зафиксировала 158 нарушений законодательства о контрактной системе — от несоблюдения условий исполнения контрактов до нарушений при определении начальной (максимальной) цены [2]. Масштаб и сложность закупочных процессов обусловливают острую необходимость в применении современных цифровых инструментов, способных обеспечить системный контроль, аналитическую поддержку принятия решений и автоматизацию рутинных операций.

Одним из таких инструментов выступают SRM-системы (Supplier Relationship Management) — программные решения для комплексного управления взаимоотношениями с поставщиками на всех стадиях закупочного цикла. Интеграция в них элементов искусственного интеллекта открывает принципиально новые возможности: от предиктивной аналитики и автоматизированной проверки контрагентов до интеллектуального мониторинга исполнения контрактных обязательств. Нормативным основанием для развития подобных технологий в России служат Национальная стратегия развития искусственного интеллекта до 2030 года [1] и федеральное законодательство в сфере информационных технологий [4].

Актуальность темы определяется не только масштабом государственных расходов, но и системными недостатками действующей контрактной системы, требующими технологических решений. Нарастающая конкуренция поставщиков, усложнение требований к прозрачности закупочных процедур и расширение функциональности цифровых платформ формируют благоприятную среду для внедрения интеллектуальных SRM-решений в публичный сектор.

Методология исследования

Исследование построено на комплексном использовании аналитических и эмпирических методов. Применялся системный подход к изучению закупочного законодательства России [2; 3], нормативных актов в сфере цифрового управления [1; 4], а также научных публикаций по тематике ИИ в государственных закупках [5; 6; 7; 8; 9; 12] и отраслевых аналитических обзоров рынка [10; 11]. Для анализа практических данных использовалось Заключение Счётной палаты Российской Федерации на отчёт об исполнении федерального бюджета за 2024 год, содержащее верифицированную статистику о нарушениях в сфере закупок. Рыночные данные получены из обзора консалтинговой компании KEPT «Рынки электронных закупок, систем автоматизации закупок и сопутствующих услуг» (февраль 2026 г.) [10], охватывающего как регулируемый, так и нерегулируемый сегменты отечественного рынка. Теоретическая база формировалась путём синтеза результатов профильных научно-практических конференций и рецензируемых изданий.

Результаты и обсуждение

Под SRM-системой (Supplier Relationship Management) в широком смысле понимается интегрированная цифровая платформа, ориентированная на управление полным спектром отношений организации-заказчика с кругом поставщиков — от первичной квалификации и допуска до оценки результатов исполнения обязательств и принятия решений о продолжении сотрудничества. В отличие от электронных торговых площадок, организующих конкурентные процедуры, SRM-система сосредоточена на стороне заказчика и нацелена на выстраивание управляемых, долгосрочных и измеримых отношений с пулом поставщиков [11]. Применительно к государственному сектору данная логика трансформируется: роль «заказчика» выполняет орган власти или бюджетное учреждение, действующее в рамках контрактной системы, установленной Федеральным законом № 44-ФЗ [2], либо закупочных регламентов по Федеральному закону № 223-ФЗ [3].

Концептуально SRM-система для государственных закупок охватывает несколько взаимосвязанных функциональных модулей. Первый — модуль квалификации и реестра поставщиков — обеспечивает сбор, хранение и актуализацию сведений о контрагентах: юридический статус, финансовая устойчивость, опыт исполнения аналогичных контрактов, наличие необходимых лицензий и допусков. Второй — модуль управления закупочными процедурами — автоматизирует подготовку документации, формирование технических заданий и взаимодействие с внешними электронными площадками. Третий — модуль контроля исполнения — отслеживает соблюдение сроков поставки, качественных параметров и условий оплаты. Четвёртый — аналитический модуль — агрегирует данные о закупочной деятельности и формирует управленческую отчётность [5; 8].

Интеграция элементов искусственного интеллекта переводит каждый из перечисленных модулей на качественно иной уровень функциональности. В модуле квалификации алгоритмы машинного обучения анализируют массивы структурированных и неструктурированных данных — судебные решения, сведения из реестров недобросовестных поставщиков, новостной фон, динамику финансовой отчётности — и формируют интегральный рейтинг надёжности контрагента в автоматическом режиме [5]. Подобный подход принципиально превосходит ручную проверку по скорости обработки и охвату источников информации. В сфере здравоохранения, например, применение ИИ при квалификации поставщиков медицинского оборудования позволяет существенно сократить время преддоговорной проверки и снизить риск заключения контрактов с компаниями, имеющими проблемную историю исполнения [9].

В модуле контроля исполнения ИИ-инструменты реализуют предиктивную аналитику рисков: на основе исторических данных о типовых нарушениях и текущих индикаторов хода контракта модели прогнозируют вероятность срыва поставки или ненадлежащего выполнения работ задолго до наступления критического события [7]. Это позволяет заказчику своевременно применить превентивные меры — направить предупреждение, скорректировать график или инициировать расторжение контракта, — вместо того чтобы реагировать постфактум. Отдельного внимания заслуживает функция интеллектуального обоснования начальной (максимальной) цены контракта: нейросетевые модели анализируют рыночную конъюнктуру, историю закупок аналогичной продукции и ценовые предложения в открытых источниках, формируя объективное ценовое обоснование и тем самым снижая коррупционные риски на этапе планирования [12].

Правовое измерение применения ИИ в государственных закупках остаётся наименее разработанным. Действующее законодательство о контрактной системе не содержит прямых норм, регулирующих автоматизированное принятие решений в закупочном процессе. Принципиальным ориентиром служит Национальная стратегия развития искусственного интеллекта на период до 2030 года [1], закрепляющая приоритет государственного стимулирования ИИ-технологий во всех сферах управления, а также общие нормы об информационных технологиях и защите данных [4]. Ряд авторов указывает на необходимость прямого законодательного закрепления статуса ИИ-систем как вспомогательного инструмента принятия решений, а не самостоятельного субъекта закупочных правоотношений [12]. Без такого разграничения возникает правовая неопределённость относительно ответственности за ошибочные алгоритмические рекомендации, что сдерживает готовность государственных заказчиков к внедрению интеллектуальных платформ [7].

Отдельную категорию теоретических вопросов составляет проблема интеграции SRM-систем с государственными информационными ресурсами. Единая информационная система в сфере закупок (ЕИС) аккумулирует значительные массивы данных об участниках контрактной системы, однако их структура и форматы нередко не оптимизированы для машинного анализа. Формирование полноценной аналитической экосистемы требует не только внедрения SRM-платформы, но и систематической работы по повышению качества данных в смежных государственных реестрах — реестре контрактов, реестре недобросовестных поставщиков, ЕГРЮЛ и других [8]. Именно качество входных данных в конечном счёте определяет точность и надёжность ИИ-компонентов, поскольку даже наиболее совершенная модель не способна компенсировать систематические ошибки и пробелы в исходной информации [6].

Согласно прогнозу KEPT, рынок электронных закупок в России достигнет 94,5 трлн рублей к 2030 году — почти вдвое превысив объём 2024 года (53,2 трлн рублей), при среднегодовом темпе роста 12,2 % в период 2025–2030 годов [10]. Данная динамика обусловлена как ростом государственных расходов (прогнозный CAGR консолидированного бюджета составляет 5,8 % до 2028 г.), так и расширением проникновения электронных форматов в нерегулируемый сегмент.

Для наглядного представления ключевых характеристик сравниваемых форматов закупочных систем приведены данные в табл. 1.

Таблица 1

Сравнительная характеристика регулируемых и нерегулируемых закупок в части применения SRM-систем

Источник: составлено автором по данным [10]

Анализ данных табл. 1 свидетельствует о значительном разрыве между регулируемым и нерегулируемым сегментами по уровню цифровой зрелости. Регулируемые закупки достигли высоких показателей охвата электронными форматами, однако дальнейшее совершенствование связано не с расширением охвата, а с углублением функциональности — именно здесь SRM-системы с ИИ-компонентами обладают наибольшим потенциалом. В нерегулируемом секторе рост проникновения предполагается умеренным: с 25,1 % до 29,4 % к 2030 году, что открывает существенные возможности для внедрения интеллектуальных платформ.

Данные об объёме нарушений в государственных закупках за 2024 год подтверждают актуальность технологических решений. По итогам внешней проверки исполнения федерального бюджета Счётной палатой зафиксированы нарушения при осуществлении государственных закупок на сумму 11,8 млрд рублей. Среди выявленных 158 нарушений закупочного законодательства: 29 связаны с нарушением условий исполнения контрактов, включая сроки расчётов; 29 — с неприменением или ненадлежащим применением мер ответственности; 20 — с нарушениями при представлении информации в реестр контрактов; 80 — с нарушениями при ведомственном контроле и нормировании. Перечисленные нарушения относятся именно к тем областям, где ИИ-инструменты способны обеспечить наиболее ощутимый эффект: автоматический мониторинг сроков, генерация претензий, верификация реестровых данных.

Структура нарушений законодательства о контрактной системе, выявленных Счётной палатой РФ в 2024 году представлена в табл. 2.

Таблица 2

Структура нарушений законодательства о контрактной системе, выявленных Счётной палатой РФ в 2024 году

Источник: составлено автором по данным Счётной палаты РФ

Как видно из табл. 2, значительная часть нарушений приходится на области, поддающиеся автоматизированному контролю. Внедрение SRM-системы с ИИ-компонентами позволяет перевести мониторинг исполнения контрактов и ведомственный контроль в режим непрерывного автоматизированного надзора, существенно снижая зависимость от человеческого фактора.

Вместе с тем реализация таких систем сопряжена с рядом практических ограничений. К числу ключевых барьеров относятся: несовершенство нормативной базы, регулирующей применение ИИ в публичных закупках [12]; неоднородность качества данных в существующих государственных информационных системах; кадровый дефицит специалистов, способных работать с интеллектуальными аналитическими платформами [8]; а также риски, связанные с ошибками алгоритмических моделей при оценке надёжности поставщиков [7]. Опыт применения ИИ-инструментов в закупках медицинского оборудования демонстрирует, что эффект от внедрения проявляется прежде всего в сокращении транзакционных издержек и повышении скорости проведения закупочных процедур [6; 9].

Заключение

Цифровая трансформация государственных закупок через внедрение SRM-систем с элементами искусственного интеллекта представляет собой закономерный и объективно обусловленный ответ на системные проблемы контрактной сферы. Масштаб выявляемых нарушений — 158 случаев только по результатам внешней проверки Счётной палаты за 2024 год, совокупный объём нарушений при осуществлении государственных закупок в 11,8 млрд рублей — наглядно демонстрирует пределы возможностей традиционных административных механизмов контроля. При этом структура нарушений прямо указывает на области, где технологические решения способны дать наибольший практический эффект: автоматизированный мониторинг исполнения контрактов, ведомственный контроль, своевременность расчётов и верификация реестровых данных.

Рынок электронных закупок в России демонстрирует устойчивую восходящую динамику: при объёме 53,2 трлн рублей в 2024 году прогнозируется его рост до 94,5 трлн рублей к 2030 году со среднегодовым темпом 12,2 %. Увеличение расходов консолидированного бюджета на 5,8 % в год до 2028 года, расширение инвестиционных программ компаний с государственным участием и постепенный рост проникновения электронных форматов в нерегулируемый сегмент формируют устойчивый долгосрочный спрос на интеллектуальные закупочные платформы. В этих условиях SRM-системы с ИИ-компонентами перестают быть технологическим экспериментом и приобретают характер стратегической инфраструктуры публичного управления.

Теоретическое осмысление предметной области позволяет выделить три взаимосвязанных измерения проблемы. Первое — функциональное: ИИ-инструменты в составе SRM-систем охватывают полный закупочный цикл, обеспечивая интеллектуальную квалификацию поставщиков, предиктивное управление рисками, автоматизированное обоснование цены контракта и непрерывный мониторинг исполнения. Каждое из этих направлений адресует конкретные уязвимости действующей контрактной системы, выявляемые в ходе контрольных мероприятий. Второе — правовое: отсутствие прямого законодательного регулирования статуса ИИ-систем в закупочных правоотношениях остаётся ключевым институциональным барьером, сдерживающим готовность государственных заказчиков к полноценному внедрению интеллектуальных платформ. Без разграничения ответственности между алгоритмической рекомендацией и решением должностного лица правовая неопределённость будет воспроизводиться независимо от технической зрелости применяемых решений. Третье — инфраструктурное: точность и надёжность ИИ-компонентов принципиально зависят от качества данных в государственных информационных системах, смежных реестрах и базах данных контрагентов. Совершенствование архитектуры данных — необходимое условие результативного применения любых интеллектуальных аналитических инструментов.

Опыт отраслевого внедрения SRM-систем — в частности, в электроэнергетическом комплексе и в сфере закупок медицинского оборудования — подтверждает, что практический эффект проявляется прежде всего в сокращении транзакционных издержек, ускорении закупочных процедур и снижении числа ошибочных решений при выборе поставщика. Вместе с тем перенос этого опыта в государственный сектор требует учёта специфики публичных правоотношений: жёсткой регламентации процедур, повышенных требований к прозрачности и публичной подотчётности принимаемых решений. Алгоритмические модели, показывающие высокую точность в коммерческих закупках, нуждаются в дополнительной верификации и аудите применительно к государственному контексту.

Перспективы дальнейшего развития данного направления связаны с несколькими приоритетами. В нормативной плоскости — с разработкой специализированного регулирования, определяющего допустимые сценарии применения ИИ в закупочном процессе и устанавливающего требования к прозрачности алгоритмических решений. В организационной плоскости — с формированием профессиональных компетенций специалистов контрактных служб в части работы с интеллектуальными аналитическими платформами и интерпретации их выходных данных. В технологической плоскости — с разработкой отечественных SRM-решений, нативно интегрированных с ЕИС и ориентированных на особенности российского закупочного законодательства. Реализация обозначенных приоритетов в совокупности способна придать цифровой трансформации государственных закупок системный, а не фрагментарный характер, превратив SRM-системы с ИИ-компонентами в полноценный инструмент повышения эффективности и прозрачности расходования бюджетных средств.

Литература:

1. Указ Президента Российской Федерации от 10.10.2019 № 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») // Собрание законодательства Российской Федерации. — 2019. — № 41. — Ст. 5700.
2. Федеральный закон от 05.04.2013 № 44-ФЗ (ред. от 28.12.2025) «О контрактной системе в сфере закупок товаров, работ, услуг для обеспечения государственных и муниципальных нужд» // Собрание законодательства Российской Федерации. — 2013. — № 14. — Ст. 1652.
3. Федеральный закон от 18.07.2011 № 223-ФЗ (ред. от 08.08.2024) «О закупках товаров, работ, услуг отдельными видами юридических лиц» // Собрание законодательства Российской Федерации. — 2011. — № 30. — Ст. 4571.
4. Федеральный закон от 27.07.2006 № 149-ФЗ (ред. от 29.12.2025) «Об информации, информационных технологиях и о защите информации» // Собрание законодательства Российской Федерации. — 2006. — № 31 (ч. I). — Ст. 3448.
5. Гафурова, Г. Т. Роль искусственного интеллекта в снижении рисков и повышении устойчивости государственных закупок / Г. Т. Гафурова, С. З. Валиуллина // Цифровая трансформация управления: проблемы и решения: Материалы VII Всероссийской научно-практической конференции, Москва, 24 апреля 2025 года. — Москва: Государственный университет управления, 2025. — С. 19–25. — EDN FGGCOP.
6. Довгаль, Н. А. Внедрение элементов искусственного интеллекта в информационные системы для оптимизации закупок и технического обслуживания медицинского оборудования / Н. А. Довгаль, М. А. Мгоев, Д. А. Замотайлова // Информационное общество: современное состояние и перспективы развития: СБОРНИК МАТЕРИАЛОВ XVII МЕЖДУНАРОДНОГО ФОРУМА, Краснодар, 16–20 июня 2025 года. — Краснодар: ФГБОУ ВО «Кубанский государственный аграрный университет имени И. Т. Трубилина», 2025. — С. 87–88. — EDN JZIQFE.
7. Жевакин, В. С. Использование искусственного интеллекта в системе цифрового управления государственными закупками: ограничения, риски и институциональные барьеры / В. С. Жевакин // Экономика и управление: проблемы, решения. — 2026. — Т. 2, № 2(167). — С. 122–130. — DOI 10.36871/ek.up.p.r.2026.02.02.014. — EDN CIBTHB.
8. Костышина, Е. Я. Современные тренды использования искусственного интеллекта в системе государственных закупок / Е. Я. Костышина, С. С. Макарова // Финансовый контроль и казначейское сопровождение целевых средств: перспективы развития в условиях цифровизации: Материалы ІІ Международной научно-практической конференции, Донецк, 23 октября 2024 года. — Донецк: Издательство ФЛП Кириенко С. Г., 2024. — С. 220–223. — EDN QXCNNW.
9. Марков, А. С. Применение искусственного интеллекта в системе государственных закупок для здравоохранения: перспективы и вызовы / А. С. Марков, Н. Д. Трофимов // Актуальные проблемы экономики, управления и права: Сборник материалов VI Всероссийской научно-практической конференции с международным участием, Москва, 03 апреля 2025 года. — Москва: Московский городской педагогический университет, 2025. — С. 153–155. — EDN OONUZO.
10. Рынки электронных закупок, систем автоматизации закупок и сопутствующих услуг. [Электронный ресурс]. — Режим доступа. — URL: https://clck.ru/3TDDyw (дата обращения: 21.04.2026).
11. Смаглий, Р. Л. Роль SRM-систем в повышении эффективности закупок на предприятиях электроэнергетического комплекса / Р. Л. Смаглий // Парадигма. — 2026. — № 3–2. — С. 375–378. — EDN WHOWTH.
12. Солодов, В. В. Обоснование применения технологии искусственного интеллекта в системе государственных и муниципальных закупок: правоприменительные аспекты / В. В. Солодов // Юридическая наука. — 2023. — № 4. — С. 174–178. — EDN NSLCOU.