Оценка потенциала и потребности в автоматизации государственных организаций

Автор: Ширин Атласова, проектный менеджер IDF | shirin.atlasova@idf.tj

Основная цель автоматизации в государственном секторе заключается в использовании цифровых технологий для улучшения взаимодействия с гражданами и бизнесом, а также для оптимизации внутренних операций. Это стремление направлено на повышение эффективности, улучшение качества принимаемых решений и обеспечение большего удобства для граждан при взаимодействии с государством. Переход к цифровому правительству является глобальной тенденцией, обусловленной трансформационным потенциалом цифровых технологий в государственном секторе.

Однако, несмотря на очевидные преимущества, автоматизация несет в себе и потенциальные риски. К ним относятся возможность компрометации социальных ценностей ради экономической выгоды, неверная оценка обстоятельств граждан и необходимость компенсации последствий алгоритмических ошибок. Поэтому для успешной реализации автоматизации необходим стратегический подход, который позволит максимально использовать ее преимущества, одновременно минимизируя эти риски.

Определение того, каким государственным органам или ведомствам необходима автоматизация, и какова ее специфика, начинается с глубокого анализа текущего состояния и выявления существующих неэффективностей.

Оценка цифровой зрелости и организационной готовности

Прежде чем приступать к автоматизации, крайне важно провести всестороннюю оценку цифровой зрелости и готовности организации. Это позволяет понять текущее положение дел и потенциал для трансформации.

Для оценки готовности к цифровой трансформации и автоматизации правительства могут применять различные методологии. Они включают количественные методы, такие как анализ статистических данных, проведение опросов и расчет показателей эффективности. Также используются качественные методы, включающие экспертные оценки, анализ документов и изучение общественного мнения. Наиболее эффективными часто оказываются комплексные подходы, сочетающие в себе как количественные, так и качественные методы.  

Например, в Российской Федерации разработана методика расчета уровня цифровой зрелости государственного и муниципального управления. Этот расчет проводится по индикаторам, определенным для пяти ключевых отраслей: здравоохранения, образования, городского хозяйства и строительства, общественного транспорта и государственного управления. Такой подход демонстрирует, что оценка готовности не ограничивается общими методами, а включает детальную, сектор-специфическую оценку. Это подчеркивает, что для точного определения областей, нуждающихся в автоматизации, недостаточно знать, как проводить оценку; необходимо также понимать, что именно оценивать. Переход от широких методологий к конкретным индикаторам позволяет выявить специфические болевые точки и возможности для автоматизации в каждом функциональном направлении, а не применять универсальный подход.

Эффективная цифровая трансформация и внедрение искусственного интеллекта (ИИ) в государственном управлении опираются на несколько фундаментальных столпов :  

• Надежные основы данных: Высококачественные, доступные и совместимые данные являются ключевыми для разработки эффективных моделей ИИ. Это требует строгих процессов очистки, проверки и обогащения данных, создания безопасных хранилищ, использования общих форматов данных (API) и соблюдения принципов управления данными, таких как точность и прозрачность на протяжении всего жизненного цикла данных.  
• Готовность рабочей силы к ИИ: Формирование междисциплинарных команд с опытом в области науки о данных, инженерии, этики и управления проектами имеет жизненно важное значение. Это включает повышение квалификации существующих сотрудников, создание внутренних центров передового опыта, партнерство с академическими учреждениями и разработку конкурентных стратегий привлечения талантов.  
• Надежный ИИ: Системы автоматизации, особенно те, что основаны на ИИ, должны быть спроектированы с учетом объективности, прозрачности и подотчетности. Это требует надежных механизмов надзора, четких руководств и участия различных заинтересованных сторон (политиков, технических экспертов, представителей общественности) для обеспечения соответствия решений потребностям и уважения прав.  
• Масштабируемая и безопасная инфраструктура ИИ: Инвестиции в облачные вычисления, высокопроизводительные вычисления (HPC) и безопасные решения для хранения данных являются обязательными. Агентства должны решать проблемы устаревших систем и информационных разрозненностей посредством модернизации, виртуализации данных, каталогов данных и согласованных стандартов данных. Кибербезопасность, включая шифрование, многофакторную аутентификацию и регулярные аудиты, имеет решающее значение.  
• Стратегические партнерства для инноваций: Сотрудничество между государственными учреждениями, научными кругами и лидерами отрасли способствует обмену знаниями, передаче технологий и совместному созданию решений. Межведомственное сотрудничество также жизненно важно для обмена данными и ресурсами, а также для разработки общих стандартов.  
• Соответствие миссии и общественное доверие: В отличие от частного сектора, правительство должно оптимизировать свою деятельность не только для скорости или масштаба, но и для справедливости, доступности и долгосрочного социального воздействия. Инициативы по автоматизации должны четко поддерживать мандат по служению людям, требуя проактивного и доступного общения с общественностью.  
• Правовые и конституционные ограничения: Готовность к ИИ в правительстве требует юридической грамотности, обеспечивающей соблюдение существующих законов (например, надлежащей правовой процедуры, антидискриминационных законов, положений о равной защите и законов о прозрачности записей), даже если эти законы были написаны до появления ИИ.  
• Политика закупок и проверка поставщиков: Правительствам следует перейти от пассивных покупателей «ИИ как услуги» к стратегическим управляющим технологиями, отвечающими общественным интересам, внедряя этические, правовые и операционные требования на каждом этапе жизненного цикла закупок (от запросов предложений до пилотных оценок и продления контрактов) и оценивая поставщиков не только по цене и скорости, но и по прозрачности, функциям управления, правам на данные и долгосрочной подотчетности.  

Эти столпы готовности к автоматизации не являются независимыми элементами, а тесно взаимосвязаны. Например, создание “надежных основ данных” не ограничивается техническим качеством, но также включает “суверенитет данных, целостность и межведомственное сотрудничество” и “этические соображения”. “Готовая к ИИ рабочая сила” должна обладать “юридической грамотностью” и пониманием “требований к справедливости, доступности и алгоритмической честности”. “Масштабируемая и безопасная инфраструктура ИИ” напрямую способствует “прозрачности и объяснимости как общественному праву” , позволяя публиковать журналы использования и документацию по моделям. Если какой-либо из этих столпов слаб, все усилия по автоматизации подвергаются риску, особенно в государственном секторе, где общественное доверие и подотчетность имеют первостепенное значение. Такой целостный подход имеет решающее значение для устойчивой и этичной автоматизации, выводя ее за рамки простого внедрения технологий и превращая в ответственное управление.  

Выявление неэффективности: Подход, основанный на данных

Выявление необходимости автоматизации по сути сводится к диагностике существующих неэффективностей и узких мест в государственных процессах. Для этого требуется систематический, основанный на данных подход.

Распространенные индикаторы неоптимальных процессов в государственном управлении: Неэффективность часто проявляется в следующих формах:

• Полное или частичное дублирование операций, избыточные звенья цепи и излишние точки контроля, что приводит к ненужным шагам и задержкам.  
• Нечеткое разграничение обязанностей, вызывающее путаницу и узкие места.  
• Отсутствие понимания необходимости операций, когда процессы выполняются без четкой цели.  
• Приспособление процесса к человеку, а не человека к процессу, что приводит к непоследовательным и нестандартизированным рабочим процессам.  
• Высокая фрагментация, то есть большое количество участников, распределенных по множеству отделов, что увеличивает сложность, время и стоимость.  
• Трудоемкие офлайн-процессы, представляющие собой ручные, бумажные рабочие процессы, которые медленны и подвержены ошибкам.  
• Неконтролируемые затраты и медленное обслуживание, являющиеся прямыми последствиями неэффективных процессов.  
• Отсутствие качества и низкая прозрачность, проблемы, возникающие из-за ручных ошибок и непрозрачных операций.  
• Перегруженный персонал и устаревшая технологическая инфраструктура, симптомы системы, которая с трудом справляется с требованиями.  

Наблюдение, что “приспособление процесса к человеку” и “перегруженный персонал” являются общими причинами или проблемами, указывает на то, что неэффективность не является чисто технической или процессной проблемой. Она глубоко переплетена с человеческим фактором. Когда процессы плохо определены или чрезмерно обременительны, сотрудники испытывают стресс, что приводит к ошибкам, снижению морального духа и тенденции к созданию обходных путей. Это, в свою очередь, увековечивает неэффективность. Следовательно, выявление потребности в автоматизации должно также учитывать влияние на персонал и стремиться улучшить его опыт, а не только показатели процесса. Автоматизация должна освобождать сотрудников для более ценной работы.  

Картирование процессов и анализ потока создания ценности для выявления узких мест: Для выявления конкретных областей для автоматизации государственные учреждения должны проводить детальное картирование процессов. Это включает визуализацию текущих рабочих процессов для выявления неэффективности. Методы включают:

• Картирование процессов: Использование визуальных инструментов, таких как блок-схемы и диаграммы, для упрощения и повышения читаемости процессов для всех участников.  
• Картирование потока создания ценности (Value Stream Mapping, VSM): Инструмент бережливого производства, который отображает поток информации, материалов и ресурсов от идеи до поставки. Он визуально представляет время, затрачиваемое на работу/ожидание, трудозатраты, частоту ошибок, время простоя и узкие места на каждом этапе. VSM помогает выявить расточительные процессы, которые не добавляют ценности, и дает представление об общем времени цикла. ИИ может улучшить VSM, автоматизируя повторяющиеся задачи, прогнозируя узкие места и предоставляя данные для принятия решений.  
• BPMN (Business Process Model and Notation): Богатая нотация для разработки подробных моделей работы, предназначенных для автоматизации, четко показывающая взаимодействие между исполнителями.  
• Также могут использоваться другие методы, такие как картирование будущего состояния (идеальный процесс), картирование рабочего места (физическое расположение), диаграмма добавленной ценности (VAD – процессы и их продукты) и диаграмма «Спагетти» (анализ перемещений).  

Интеграция ИИ в картирование процессов превращает его из диагностического инструмента в прогностический и предписывающий. ИИ может не только  

выявлять существующие узкие места, но и прогнозировать потенциальные будущие узкие места, а также предлагать оптимальные меры автоматизации в режиме реального времени. Это позволяет перейти от простого понимания «того, что есть» к активному формированию «того, что может быть» с большей точностью и скоростью, делая фазу диагностики более проактивной и менее реактивной.

Использование ключевых показателей эффективности (KPI) для диагностических данных: KPI необходимы для измерения текущей производительности и выявления областей, где автоматизация может принести наибольшую выгоду.  

Ключевые категории KPI для диагностики неэффективности:

• Показатели производительности: Отражают результат бизнес-процесса, например, доход, текучесть кадров, объем производства, полнота/своевременность/достоверность финансовой информации.  
• Показатели затрат: Прямые и косвенные затраты, включая временные и материальные ресурсы.  
• Временные показатели: Продолжительность бизнес-процесса (время цикла, время выполнения), с целью его сокращения.  
• Показатели качества: Ошибки, жалобы, бракованная продукция.  
• Показатели фрагментации: Количество задействованных сотрудников и структурных подразделений, с целью их сокращения для повышения эффективности.  
• Удовлетворенность клиентов/граждан: Рейтинги удовлетворенности пользователей.  
• Частота ошибок: Частота возникновения ошибок в процессе.  
• Уровень соответствия: Соблюдение законов и нормативных актов.  
• Производительность по объему работы: Эффективность и объем выполненной работы.  

KPI служат не только для выявления проблем, но и для количественной оценки их серьезности и приоритизации того, какие проблемы (и, следовательно, какие проекты автоматизации) следует решать в первую очередь. Например, высокая частота ошибок в критически важном процессе сразу указывает на необходимость автоматизации и оправдывает ее приоритетность. Это переводит обсуждение от простого выявления к стратегическому принятию решений, подготавливая почву для следующего раздела, посвященного выбору решений.

Таблица 1: Распространенные индикаторы неэффективности и возможности автоматизации в государственных процессах

Индикатор неэффективности	Проявления/Симптомы	Возможность/Тип автоматизации
Ручной ввод данных	Бумажные формы, ошибки, задержки	RPA, Цифровые платформы
Длительные сроки обработки	Задержки, очереди, низкая скорость обслуживания	RPA, ИИ, Цифровые платформы
Высокая частота ошибок	Повторная работа, некорректные данные, жалобы	RPA, ИИ, Автоматизированная проверка
Дублирование усилий	Избыточные согласования, параллельные процессы	Автоматизация рабочих процессов, RPA
Отсутствие прозрачности	Сложность отслеживания статуса, низкая подотчетность	Цифровые платформы, ИИ для отчетности
Высокие операционные затраты	Перерасход бюджета, неэффективное использование ресурсов	RPA, ИИ, Электронные закупки
Низкая удовлетворенность граждан	Негативные отзывы, низкое участие	ИИ-чат-боты, Цифровые услуги, Персонализация
Перегруженный персонал	Высокая текучесть кадров, выгорание, низкая производительность	RPA, ИИ для рутинных задач
Устаревшие системы	Сбои системы, несовместимость, медленная работа	Модернизация ИТ-инфраструктуры, Цифровые реестры
Сложные проверки соответствия	Штрафы, юридические риски, ручные аудиты	RPA, ИИ для комплаенса
Фрагментированные рабочие процессы	Межведомственные задержки, отсутствие единого видения	Интегрированные цифровые платформы, BPMN