Включение промышленной продукции в реестр Минпромторга - важная процедура для российских производителей.
С 2024 года системы искусственного интеллекта официально включены в перечень промышленной продукции, подлежащей регистрации в реестре Минпромторга по постановлению № 719. Это открыло разработчикам AI доступ к преференциям в государственных закупках, но одновременно создало сложности с подтверждением российского происхождения нематериальной продукции. За последние 10 месяцев мы помогли 8 разработчикам AI-систем включить их продукты в реестр, разработали 5 методик расчета локализации для различных типов искусственного интеллекта, защитили 3 компании от отказа через предоставление дополнительных обоснований. Сегодня детально разберем, как работает система регистрации AI, какие требования предъявляет Минпромторг к искусственному интеллекту и что нужно для успешного включения в реестр.
AI как промышленная продукция: законодательная база
Постановлением Правительства № 719 от 17 июля 2015 года устанавливаются правила определения страны происхождения товаров и ведения реестра промышленной продукции. До 2024 года это касалось преимущественно материальных изделий. Однако постановлением № 2765 от 30 декабря 2023 года в перечень включены программные продукты и системы искусственного интеллекта как отдельная категория высокотехнологичной промышленной продукции.
2024 год включения AI в систему ПП 719 50% минимальная локализация разработки 15-25% ценовое преимущество в госзакупках
Параллельно действует федеральный закон № 123-ФЗ от 24 апреля 2020 года "О проведении эксперимента по установлению специального регулирования в целях создания необходимых условий для разработки и внедрения технологий искусственного интеллекта". Этот закон определяет понятие системы искусственного интеллекта, устанавливает реестр AI российской разработки при Минэкономразвития. Для целей получения преференций в госзакупках требуется включение как в реестр AI Минэкономразвития, так и в реестр промышленной продукции Минпромторга.
Что считается системой искусственного интеллекта
По закону № 123-ФЗ система искусственного интеллекта - это комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые с результатами интеллектуальной деятельности человека. Ключевые признаки: способность к обучению на данных, принятие решений без явного программирования правил, адаптация к изменяющимся условиям.
🤖 Машинное обучение
Системы классификации, регрессии, кластеризации на основе обученных моделей
🧠 Глубокое обучение
Нейронные сети для распознавания образов, обработки естественного языка, компьютерного зрения
💬 Обработка языка
Системы понимания текста, генерации контента, машинного перевода, чат-боты
👁️ Компьютерное зрение
Распознавание лиц, объектов, видеоаналитика, дефектоскопия
🎯 Рекомендательные системы
Персонализация контента, предиктивная аналитика, оптимизация процессов
🎮 Обучение с подкреплением
Системы оптимального управления, игровые AI, роботизированные системы
Важное разграничение
Не любое программное обеспечение является системой искусственного интеллекта. Обычные алгоритмы, работающие по жестко заданным правилам, не относятся к AI. Например, калькулятор, система с if-then правилами, база данных с поиском - это не искусственный интеллект. Для квалификации как AI необходимо наличие обученной модели, способной обобщать паттерны из данных и применять их к новым ситуациям. Экспертиза центра компетенций обязательно проверяет наличие этого критерия.
Требования к AI для включения в реестр
Минпромторг и центры компетенций адаптировали стандартные требования постановления 719 к специфике систем искусственного интеллекта. Поскольку AI - нематериальный продукт, классические критерии вроде производственных операций на территории России требуют переосмысления.
Базовые критерии российского происхождения AI
1
Разработка на территории России
Основные работы по созданию системы искусственного интеллекта должны выполняться российской организацией на территории РФ. Ключевые стадии: разработка архитектуры модели, подготовка обучающих данных, обучение модели, тестирование и валидация. Допускается использование зарубежных фреймворков (TensorFlow, PyTorch) и открытых предобученных моделей, но финальная модель должна быть обучена в России.
2
Степень локализации не менее 50%
Доля затрат на российские работы и ресурсы должна составлять минимум половину общих затрат на создание AI-системы. В состав российских затрат включаются: заработная плата российских разработчиков, дата-инженеров, ML-специалистов, стоимость российских вычислительных ресурсов (облака, серверы), российские услуги по разметке данных, аннотированию, стоимость российского ПО и инструментов разработки.
3
Права на интеллектуальную собственность
Российская организация должна обладать исключительными правами на созданную AI-систему или иметь право использования без территориальных ограничений. Если использованы открытые библиотеки и предобученные модели, их лицензии должны позволять коммерческое использование и модификацию. Права на обученную модель, уникальную архитектуру, датасеты должны принадлежать российскому правообладателю.
4
Документированность разработки
Процесс создания AI-системы должен быть задокументирован: техническая документация на архитектуру модели, описание датасетов и методов их подготовки, отчеты об обучении с метриками качества, результаты тестирования и валидации, репозиторий кода (желательно с историей коммитов). Документация подтверждает, что разработка велась именно заявителем на территории России.
Специфические требования по типам AI
Тип AI-системы Ключевые требования Особенности подтверждения Компьютерное зрение Обучение модели на российских данных, >50% затрат в РФ Документы на датасет изображений, логи обучения, метрики точности Обработка естественного языка Модель обучена на русском языке или адаптирована для него Корпус текстов, файнтюнинг на российских данных, бенчмарки Рекомендательные системы Алгоритмы разработаны в РФ, модель обучена на российских пользователях Описание алгоритма, анонимизированные данные обучения, A/B тесты Предиктивная аналитика Модели прогнозирования созданы в России для российской специфики Математическое описание моделей, валидация на российских данных Голосовые ассистенты Распознавание и синтез русской речи, диалоговая система на русском Акустические модели, языковые модели, сценарии диалогов Автономные системы Алгоритмы управления и принятия решений разработаны в России Техописание системы управления, результаты симуляций, полевые тесты
Критическая проблема: зависимость от зарубежных компонентов
Многие российские AI-системы построены с использованием зарубежных фреймворков (TensorFlow от Google, PyTorch от Meta), облачных сервисов (AWS, Azure, GCP), предобученных моделей (GPT, BERT, ResNet). Формально это не препятствует включению в реестр, если основные работы по адаптации, дообучению, интеграции выполнены в России и составляют более 50% затрат. Однако центры компетенций тщательно проверяют, чтобы российская часть была действительно существенной, а не сводилась к минимальной настройке зарубежного решения.
Расчет степени локализации AI-системы
Определение степени локализации нематериального продукта кардинально отличается от расчета для физических товаров. Нет сырья, комплектующих, производственного оборудования. Вместо этого основные статьи затрат - интеллектуальный труд разработчиков, вычислительные ресурсы, данные для обучения, лицензии на инструменты.
Методика расчета локализации
Степень локализации AI-системы рассчитывается как отношение суммы российских затрат к полной стоимости создания системы, умноженное на 100 процентов. В числитель включаются: фонд оплаты труда российских специалистов (разработчиков, data scientists, ML-инженеров, DevOps), стоимость вычислительных ресурсов в российских дата-центрах или у российских облачных провайдеров, затраты на создание и разметку обучающих данных российскими подрядчиками, стоимость российского ПО и инструментов разработки, накладные расходы (аренда офиса в России, коммунальные платежи).
В знаменатель включаются все вышеперечисленные статьи плюс стоимость зарубежных компонентов: лицензии на зарубежные фреймворки и библиотеки (если они платные), стоимость зарубежных предобученных моделей (если приобретались), затраты на зарубежные вычислительные ресурсы (если использовались AWS, Azure, GCP), стоимость зарубежных датасетов (если покупались), услуги зарубежных консультантов или подрядчиков (если привлекались).
1
Фонд оплаты труда разработчиков
Основная статья - зарплата команды, создавшей AI-систему. Включается полностью: базовые оклады, премии, бонусы, страховые взносы. Учитывается время, фактически затраченное на проект. Если разработчик работал над AI-системой 6 месяцев, а его годовая зарплата 3 миллиона, в расчет включается 1,5 миллиона. Подтверждается табелями учета рабочего времени, ведомостями по проекту.
2
Вычислительные ресурсы
Стоимость серверного времени для обучения моделей, экспериментов, хостинга системы. Если использовались собственные серверы - амортизация оборудования, электроэнергия. Если облачные сервисы - платежи провайдерам. Обучение больших моделей может стоить сотни тысяч рублей в вычислительных ресурсах. Российские провайдеры: Яндекс Облако, Cloud.ru, Selectel. Их услуги полностью включаются в российскую часть.
3
Подготовка обучающих данных
Затраты на создание датасета: сбор данных, очистка, разметка, аннотирование. Для компьютерного зрения - разметка тысяч изображений, для NLP - создание корпусов текстов. Часто используются краудсорсинговые платформы типа Толоки. Если разметка выполнялась российскими исполнителями - включается в российскую часть. Стоимость может достигать миллионов рублей для крупных датасетов.
4
Инструменты и лицензии
Стоимость ПО, использованного при разработке. Открытые библиотеки (TensorFlow, PyTorch, scikit-learn) бесплатны - не учитываются ни в числителе, ни в знаменателе. Платные инструменты: IDE, системы контроля версий, среды разработки. Если использовались российские продукты (например, российские IDE или платформы для ML) - российская часть. Зарубежные платные лицензии - зарубежная часть.
Пример расчета для NLP-системы
Разберем конкретный пример. Российская компания разработала систему автоматической классификации обращений граждан для государственных органов на базе обработки естественного языка. Затраты на создание системы: заработная плата команды из 5 специалистов за 8 месяцев разработки - 8 миллионов рублей, вычислительные ресурсы Яндекс Облако для обучения модели - 450 тысяч рублей, разметка корпуса из 50 тысяч текстов обращений через Толоку - 320 тысяч рублей, лицензии на российские инструменты разработки - 80 тысяч рублей, накладные расходы (аренда, коммунальные) - 240 тысяч рублей.
Также использовались: открытая предобученная модель BERT (бесплатно), дообучение на российском корпусе выполнено силами команды, открытые библиотеки Transformers, PyTorch (бесплатно), зарубежные облачные сервисы не использовались, зарубежные консультанты не привлекались. Общие затраты: 8 000 000 + 450 000 + 320 000 + 80 000 + 240 000 = 9 090 000 рублей. Российская часть: все 9 090 000 рублей (100%). Зарубежная часть: 0 рублей (открытые библиотеки не считаются). Степень локализации: 9 090 000 / 9 090 000 × 100% = 100%.
Система соответствует требованию минимальной локализации 50% с большим запасом. Ключевой момент: использование открытых зарубежных фреймворков и предобученных моделей не снижает локализацию, если все работы по адаптации, дообучению, интеграции выполнены российской командой за счет российских ресурсов. Центр компетенций примет такой расчет при условии документального подтверждения всех статей затрат.
Документы для подтверждения российского происхождения AI
Экспертиза центра компетенций по AI-системам требует обширного комплекта документов, подтверждающих не только факт разработки в России, но и техническую сущность созданного искусственного интеллекта, методологию обучения, достигнутые результаты.
📄 Техническая документация
Описание архитектуры AI-системы, используемых алгоритмов, структуры нейронных сетей, параметров моделей
📊 Отчеты об обучении
Логи процесса обучения, графики метрик качества, результаты валидации, сравнение с бейзлайнами
💾 Характеристики датасетов
Описание обучающих данных, объем, источники, методы разметки, примеры данных (анонимизированные)
💻 Исходный код
Репозиторий с кодом обучения и инференса, история коммитов, подтверждающая разработку российской командой
📈 Результаты тестирования
Отчеты о тестировании системы, метрики качества работы, бенчмарки, результаты пилотных внедрений
💰 Калькуляция затрат
Детальная разбивка всех затрат на создание с подтверждающими документами, расчет степени локализации
Требования к технической документации
Техническая документация на AI-систему должна содержать достаточную детализацию для понимания экспертами центра компетенций, что именно было создано и как это работает. Обязательные разделы: общее описание назначения системы и решаемых задач, архитектура системы с блок-схемами компонентов, описание моделей машинного обучения (тип модели, структура, количество параметров), описание процесса обучения (датасет, гиперпараметры, время обучения, использованное оборудование), метрики качества и их значения, требования к запуску и эксплуатации системы.
Не требуется раскрытие коммерческих секретов или ноу-хау, но должен быть понятен общий подход и архитектура. Например, для системы компьютерного зрения достаточно указать: "Использована сверточная нейронная сеть архитектуры ResNet-50, модифицированная добавлением блока внимания. Обучена на датасете из 100 000 размеченных изображений методом transfer learning с предобученной моделью ImageNet. Финальная точность на валидационной выборке - 94,2%". Такого уровня детализации достаточно для подтверждения наличия AI.
Подтверждение прав на интеллектуальную собственность
Необходимо подтвердить, что российская организация обладает правами на созданную AI-систему. Формы подтверждения: свидетельство о регистрации программы для ЭВМ в Роспатенте (желательно, но не обязательно), лицензионное соглашение или договор об отчуждении прав, если AI создан на заказ, трудовые договоры с разработчиками с условием о служебных произведениях, договоры с подрядчиками с условием о передаче прав на результаты работ.
Если использовались открытые компоненты (фреймворки, предобученные модели), необходимо представить копии их лицензий с подтверждением, что они разрешают коммерческое использование и создание производных работ. Типичные лицензии: Apache 2.0, MIT, BSD - все они позволяют коммерческое использование. GPL требует раскрытия исходного кода производных работ, что может быть проблемой. Центр компетенций проверит совместимость лицензий использованных компонентов с коммерческой эксплуатацией AI-системы.
Процедура включения AI в реестр
Процесс регистрации AI-системы в реестре Минпромторга проходит те же этапы, что и для других видов промышленной продукции, но с особенностями в части экспертизы и подтверждающих документов.
1
Предварительная регистрация в реестре AI Минэкономразвития
Перед обращением в Минпромторг желательно (хотя не строго обязательно) включить AI-систему в реестр российских разработок в сфере искусственного интеллекта при Минэкономразвития. Подаете заявку на портале ai.gov.ru, предоставляете описание системы, подтверждение российской разработки. Получаете свидетельство о включении в реестр. Это упростит экспертизу в центре компетенций Минпромторга.
2
Выбор центра компетенций
Для экспертизы AI-систем аккредитованы специализированные центры: Сколтех, МФТИ, РЭУ имени Плеханова, некоторые отраслевые институты. Центр выбирается в зависимости от области применения AI (промышленность, медицина, финансы). Направляете заявку в выбранный центр с комплектом документов. Оплачиваете услуги экспертизы: от 150 до 300 тысяч рублей в зависимости от сложности системы.
3
Экспертиза центра компетенций
Эксперты центра изучают техническую документацию, проверяют соответствие критериям системы искусственного интеллекта, анализируют расчет локализации, проверяют подтверждающие документы. Могут запросить демонстрацию работы системы, дополнительные материалы. При необходимости проводят собеседование с техническим руководителем проекта. Срок экспертизы - до 45 рабочих дней.
4
Получение заключения
При положительном результате центр выдает заключение о подтверждении российского происхождения AI-системы с указанием степени локализации. Заключение содержит: описание системы, подтверждение выполнения основных работ в России, расчет локализации, вывод о соответствии требованиям. Срок действия заключения - 3 года с возможностью продления.
5
Регистрация в реестре Минпромторга
С полученным заключением подаете заявку на портале ЕИС Промышленности в раздел регистрации программной продукции. Заполняете карточку AI-системы: наименование, функциональное назначение, технические характеристики, правообладатель. Прикладываете заключение центра компетенций, свидетельство Роспатента (если есть). Минпромторг проверяет документы в течение 10 рабочих дней и включает систему в реестр.
Срок и стоимость процедуры
Полный цикл включения AI-системы в реестр Минпромторга занимает 3-4 месяца: подготовка документов - 3-4 недели, экспертиза центра компетенций - 6-7 недель, регистрация в Минпромторге - 2 недели. Затраты: услуги центра компетенций - 150-300 тысяч рублей, регистрация программы в Роспатенте (опционально) - 3-5 тысяч рублей, консультационное сопровождение - от 200 тысяч рублей. Итого 350-500 тысяч рублей для стандартного случая.
Реальные кейсы включения AI в реестр
За 10 месяцев действия новых правил мы помогли 8 разработчикам AI-систем пройти процедуру включения в реестр. Расскажу о трех показательных случаях с различными типами искусственного интеллекта и особенностями подтверждения происхождения.
Кейс: система компьютерного зрения для промышленной дефектоскопии
Компания "ВижнТех" из Москвы разработала систему автоматического контроля качества промышленных изделий на конвейерных линиях с использованием компьютерного зрения. Система анализирует изображения с камер, детектирует дефекты, классифицирует их по типам и критичности. Основа - сверточная нейронная сеть, обученная на большом датасете изображений деталей с различными дефектами.
При подготовке к включению в реестр столкнулись с проблемой: архитектура нейросети основана на популярной модели YOLOv5, разработанной зарубежной компанией Ultralytics. Использовали предобученные веса этой модели, дообучили на собственном датасете из 50 тысяч изображений деталей российских заводов. Возник вопрос: можно ли считать систему российской разработки, если базовая архитектура и начальные веса - зарубежные?
Мы помогли обосновать российское происхождение следующими аргументами. Во-первых, YOLOv5 распространяется под лицензией GPL-3.0, разрешающей коммерческое использование и модификацию. Это открытый компонент, не влияющий на локализацию. Во-вторых, "ВижнТех" модифицировал архитектуру: добавил дополнительные слои для multi-scale detection, внедрил блок внимания, оптимизировал для работы на процессорах Intel. Это уже оригинальная разработка. В-третьих, создание датасета - полностью российская работа: фотографирование деталей на российских заводах, разметка дефектов российскими специалистами через краудсорсинговую платформу, валидация качества разметки.
В-четвертых, процесс обучения модели выполнялся на серверах "ВижнТех" в российском дата-центре. Это заняло 200 часов GPU-времени на мощных видеокартах. В-пятых, разработали программный комплекс для интеграции модели с производственными линиями: модули захвата изображений с камер, предобработка изображений, запуск инференса модели, визуализация результатов, интерфейс оператора. Всё это - оригинальная разработка российской команды.
Рассчитали локализацию: заработная плата команды из 4 ML-инженеров за 10 месяцев - 7,2 млн рублей, разметка датасета через краудсорсинг - 800 тысяч рублей, вычислительные ресурсы (серверы, GPU) - 450 тысяч рублей, разработка программного комплекса - 1,5 млн рублей, накладные расходы - 350 тысяч рублей. Итого российская часть: 10,3 млн рублей. Зарубежная часть: 0 (YOLOv5 - открытая лицензия, не считается). Локализация: 100%.
Подготовили комплект документов: техническое описание системы с архитектурой модифицированной нейросети, отчет об обучении с графиками loss, accuracy, примерами детекций, описание датасета с анонимизированными примерами изображений, код репозитория GitHub с историей коммитов российских разработчиков, результаты тестирования на реальных производственных линиях, калькуляцию затрат с подтверждающими документами. Подали в Сколтех как центр компетенций. Через 6 недель получили положительное заключение. Ещё через 2 недели система была включена в реестр Минпромторга. Компания получила возможность участвовать в госзакупках систем промышленного контроля качества с преференциями для российской продукции.
Кейс: NLP-система анализа обращений граждан
Компания "ТекстАналитика" из Санкт-Петербурга создала систему автоматической обработки обращений граждан в государственные органы на основе технологий Natural Language Processing. Система классифицирует обращения по тематикам, определяет тональность (жалоба, предложение, благодарность), выделяет ключевые сущности (адреса, даты, организации), генерирует проекты ответов для типовых запросов.
Основа системы - предобученная языковая модель ruBERT (Russian BERT), созданная компанией DeepPavlov. Модель была дообучена на корпусе из 100 тысяч реальных обращений граждан (анонимизированных) для задач классификации и извлечения сущностей. Дополнительно разработан модуль генерации ответов на базе fine-tuned GPT-модели российской разработки ruGPT-3.
При подготовке к включению в реестр возникли вопросы. DeepPavlov - российская лаборатория, но модель ruBERT построена на архитектуре BERT от Google. Можно ли считать её российской? Модель ruGPT-3 разработана Сбером, но "ТекстАналитика" использовала её через API облачного сервиса. Как учитывать эти зависимости?
Мы помогли обосновать следующую логику. ruBERT, несмотря на базовую архитектуру BERT, является оригинальной моделью, обученной российской командой на русскоязычном корпусе. Модель включена в реестр AI Минэкономразвития как российская разработка DeepPavlov. Лицензия Apache 2.0 позволяет свободное использование. Использование ruBERT "ТекстАналитикой" аналогично использованию российского компонента в сложной системе. По ruGPT-3: компания не просто использовала API, а провела fine-tuning модели на собственных данных обращений через сервис Сбера. Веса дообученной модели принадлежат "ТекстАналитике". Это существенная доработка, а не простое потребление сервиса.
Дополнительно "ТекстАналитика" разработала собственные модули: препроцессинг текстов обращений с учетом специфики языка госорганов, пост-обработку результатов классификации с бизнес-правилами, интеграцию с системами документооборота государственных органов, веб-интерфейс для операторов с функциями проверки и корректировки автоматических решений. Всё это - оригинальная российская разработка.
Расчет локализации: зарплата команды из 6 NLP-инженеров за 12 месяцев - 10,8 млн рублей, создание и разметка корпуса обращений - 650 тысяч рублей, fine-tuning моделей через Сбер Cloud - 280 тысяч рублей (российский провайдер), разработка интеграционных модулей и интерфейса - 2,1 млн рублей, накладные расходы - 470 тысяч рублей. Российская часть: 14,3 млн рублей. Зарубежная часть: 0 (ruBERT и ruGPT - российские компоненты с открытыми лицензиями). Локализация: 100%.
Подготовили документы: архитектура системы с описанием всех компонентов и их взаимодействия, техописание процесса fine-tuning моделей с метриками качества, описание корпуса обращений (анонимизированное, с сохранением конфиденциальности), примеры работы системы на тестовых данных, свидетельство о регистрации программы в Роспатенте, калькуляцию затрат. Обратились в РЭУ имени Плеханова как центр компетенций по AI для государственного управления. Экспертиза заняла 7 недель - запрашивали дополнительные сведения о fine-tuning процессе. Получили положительное заключение с локализацией 100%. Система включена в реестр Минпромторга. Компания выиграла тендер Минцифры на автоматизацию обработки обращений в федеральных госорганах на 45 миллионов рублей.
Кейс: предиктивная система управления энергопотреблением
Компания "ЭнергоАИ" из Екатеринбурга создала AI-систему прогнозирования энергопотребления и оптимизации распределения нагрузки для промышленных предприятий. Система анализирует исторические данные потребления, погоду, производственные планы, строит прогноз на сутки вперед с точностью 95 процентов, предлагает оптимальное распределение нагрузки между энергоблоками для минимизации затрат.
Техническая основа - ансамбль моделей машинного обучения: градиентный бустинг LightGBM для краткосрочного прогноза, LSTM (рекуррентная нейросеть) для учета долгосрочных трендов, линейная модель для базового прогноза, взвешенное комбинирование предсказаний трех моделей. Алгоритм оптимизации распределения нагрузки на базе линейного программирования с учетом ограничений.
Особенность случая: значительная часть работ была выполнена на заказ университетской лабораторией по договору НИР. Вуз разработал математические модели, провел эксперименты, обучил прототипы. "ЭнергоАИ" получила исключительные права на результаты, доработала систему до промышленного решения, создала программный продукт с интерфейсом. Как учитывать затраты вуза и подтверждать российское происхождение?
Решение: затраты на НИР по договору с вузом полностью включаются в российскую часть. Университет - российская организация, работы выполнены на территории России российскими исследователями. По договору "ЭнергоАИ" получила исключительные права на все результаты НИР. Это аналогично аутсорсинговой разработке, что допустимо. Важно документально подтвердить переход прав и объем выполненных работ.
Расчет локализации: договор НИР с университетом на разработку моделей - 3,5 млн рублей (российская часть), заработная плата команды "ЭнергоАИ" на доработку и промышленизацию за 8 месяцев - 5,6 млн рублей, сбор и подготовка данных с реальных предприятий - 420 тысяч рублей, вычислительные ресурсы для экспериментов и обучения - 280 тысяч рублей, разработка программного продукта и интеграций - 1,8 млн рублей, тестирование на пилотных предприятиях - 350 тысяч рублей, накладные расходы - 250 тысяч рублей. Российская часть: 12,2 млн рублей. Зарубежная часть: 0 (использованы только открытые библиотеки). Локализация: 100%.
Документы: техническое описание архитектуры системы и алгоритмов, научный отчет университета по результатам НИР с математическими моделями, договор НИР с вузом и акт передачи исключительных прав, отчеты об обучении моделей с метриками качества прогнозов, результаты пилотного внедрения на трех предприятиях с экономическим эффектом, свидетельство Роспатента на программу для ЭВМ, калькуляция затрат. Обратились в МФТИ как центр компетенций. Экспертиза заняла 5 недель. Эксперты подробно изучали договор с вузом, проверяли подтверждение прав. Получили положительное заключение. Система включена в реестр. "ЭнергоАИ" участвует в тендерах энергетических компаний с госучастием на поставку решений по оптимизации потребления.
Типичные проблемы и способы их решения
При включении AI-систем в реестр разработчики сталкиваются с рядом повторяющихся проблем. Знание этих подводных камней помогает подготовиться заранее и избежать отказов со стороны центров компетенций.
🌍
Зависимость от зарубежных компонентов
Решение: документировать существенность российской доработки, показать, что российская часть превышает 50% затрат, использовать российские вычислительные ресурсы
📊
Сложность подтверждения локализации
Решение: вести детальный учет времени разработчиков по проекту, сохранять все платежные документы, готовить калькуляцию заранее
📄
Отсутствие техдокументации
Решение: создавать документацию в процессе разработки, не откладывая на момент подачи в реестр, использовать шаблоны центров компетенций
⚖️
Неясность прав на AI
Решение: оформлять договоры с разработчиками о служебных произведениях, регистрировать программы в Роспатенте, документировать переход прав при аутсорсинге
Стоимость и сроки включения AI в реестр
Процедура включения системы искусственного интеллекта в реестр российской промышленной продукции требует значительных временных и финансовых ресурсов, особенно на этапе подготовки документации и прохождения экспертизы.
Базовая AI-система
Простые ML-модели с готовой документацией и высокой локализацией
- Анализ соответствия требованиям
- Расчет степени локализации
- Подготовка базовой документации
- Экспертиза центра компетенций
- Регистрация в реестре Минпромторга
Срок: 2,5-3 месяца
Стоимость: от 350 000 рублей
Стандартная AI-система
Сложные модели, требующие детальной технической документации
- Все услуги базового пакета
- Разработка полной техдокументации
- Подготовка отчетов об обучении
- Оформление прав на интеллектуальную собственность
- Сопровождение экспертизы
Срок: 3-4 месяца
Стоимость: от 580 000 рублей
Комплексная AI-платформа
Многокомпонентные системы с зарубежными зависимостями
- Все услуги стандартного пакета
- Аудит архитектуры и зависимостей
- План импортозамещения компонентов
- Регистрация в Роспатенте
- Регистрация в реестре AI Минэкономразвития
- Юридическое сопровождение
Срок: 4-6 месяцев
Стоимость: от 920 000 рублей
Дополнительные расходы
Помимо услуг консультантов потребуются: услуги центра компетенций по экспертизе - 150-300 тысяч рублей в зависимости от сложности, регистрация программы в Роспатенте - 3-5 тысяч рублей, регистрация в реестре AI Минэкономразвития - бесплатно, нотариальное заверение документов (при необходимости) - 5-10 тысяч рублей. Итоговая стоимость включения типовой AI-системы в реестр составляет 500-800 тысяч рублей.
Наш опыт работы с AI-системами
С момента включения искусственного интеллекта в систему ПП 719 мы специализируемся на помощи разработчикам AI в регистрации их продуктов в реестре Минпромторга. Помогли 8 компаниям включить AI-системы различных типов, разработали 5 методик расчета локализации, подготовили 8 комплектов технической документации для центров компетенций.
🔍 Специализация на AI
Глубокое понимание технологий машинного обучения, требований регуляторов к AI-системам
📋 Комплексный подход
От аудита соответствия требованиям до получения регистрации, включая техдокументацию и правовое оформление
🤝 Связи с центрами компетенций
Знание специфики экспертизы в Сколтехе, МФТИ, РЭУ, понимание требований экспертов
✓ 100% успешность
Все 8 AI-систем, с которыми мы работали, успешно включены в реестр с первой попытки
Частые вопросы об AI в реестре
Можно ли включить в реестр AI-систему на базе иностранных LLM вроде GPT или Claude?
Технически да, но с существенными ограничениями. Если вы просто используете API GPT или Claude от OpenAI/Anthropic для своего продукта, это не считается российской разработкой - вы потребитель зарубежного сервиса. Однако если вы взяли открытую LLM (например, LLaMA, Mistral), провели fine-tuning на российских данных под специфическую задачу, создали оригинальную оболочку с функциональностью, это может быть признано российской AI-системой. Ключ - существенность ваших работ и локализация более 50%. Рекомендуем использовать российские базовые модели (ruGPT, YaLM, GigaChat API с fine-tuning) для упрощения процедуры.
Нужна ли регистрация в Роспатенте для включения AI в реестр?
Формально не обязательно, но крайне желательно. Свидетельство о регистрации программы для ЭВМ в Роспатенте существенно упрощает подтверждение прав на AI-систему перед центром компетенций. Процедура регистрации простая и недорогая - 3-5 тысяч рублей госпошлины, срок 2-3 месяца. Заявка подается онлайн через портал ФИПС. Для регистрации нужен реферат программы, формула (алгоритм), исходный код (фрагменты). Полный исходный код раскрывать не обязательно. Рекомендуем зарегистрировать AI-систему до обращения в центр компетенций Минпромторга.
Как учитывать использование российских облачных AI-сервисов?
Использование российских облачных сервисов для обучения или инференса моделей (Яндекс Cloud ML, Сбер Cloud AI, Cloud.ru) полностью учитывается в российской части локализации. Платежи этим провайдерам включаются в расчет как российские затраты. Это аналогично использованию российских вычислительных ресурсов. Важно иметь договоры и платежные документы, подтверждающие объемы использования сервисов. Если вы проводили fine-tuning моделей через облачные сервисы, права на дообученную модель принадлежат вам (по условиям сервисов), что укрепляет позицию российского происхождения.
Что делать, если локализация получается ниже 50%?
Необходимо повысить долю российских работ и ресурсов. Варианты: перенести обучение моделей с зарубежных облаков (AWS, GCP) на российские (Яндекс, Сбер), заменить платные зарубежные инструменты на российские или бесплатные открытые, увеличить объем собственных работ по доработке моделей вместо использования готовых решений, привлечь российских подрядчиков для задач типа разметки данных вместо зарубежных, более полно учесть косвенные затраты (зарплата, офис, коммунальные) в калькуляции. При детальном учете всех российских затрат обычно удается достичь 50-60% локализации даже при использовании зарубежных базовых компонентов.
Можно ли включить в реестр AI-систему, созданную на аутсорсинге?
Да, если аутсорсинг выполнялся российским подрядчиком и права на результаты перешли к заказчику. По договору на разработку ПО или НИР должна быть предусмотрена передача исключительных прав на созданную AI-систему заказчику. Затраты на аутсорсинг включаются в российскую часть локализации, если подрядчик - российская компания и работы велись в России. В документах для центра компетенций нужно представить договор с подрядчиком, акт приемки работ, документы о передаче прав, техническую документацию от подрядчика. Заказчик как правообладатель включает систему в реестр от своего имени.
Как мы помогаем включить AI в реестр
Мы предлагаем полный комплекс услуг по включению систем искусственного интеллекта в реестр российской промышленной продукции Минпромторга. Берем на себя всю работу от предварительного аудита до получения регистрации.
1
Консультация и анализ
Свяжитесь с нами: +7 920-898-17-18, WhatsApp/Telegram или reestrgarant@mail.ru. Расскажите о вашей AI-системе: назначение, технологии, архитектура, используемые компоненты. Проведем экспресс-анализ соответствия требованиям ПП 719, оценим вероятность успешного включения, определим стратегию.
2
Расчет локализации
Детально анализируем затраты на создание AI-системы, классифицируем их на российские и зарубежные, рассчитываем степень локализации по методике Минпромторга. Если локализация недостаточна - предлагаем способы её повышения: перенос вычислений на российские ресурсы, замена платных зарубежных инструментов, детализация учета российских работ.
3
Подготовка документации
Готовим полный комплект документов для центра компетенций: техническое описание AI-системы, отчеты об обучении моделей, характеристики датасетов, подтверждение прав на интеллектуальную собственность, калькуляцию локализации с подтверждающими документами. При необходимости помогаем с регистрацией программы в Роспатенте.
4
Прохождение экспертизы
Выбираем оптимальный центр компетенций для вашего типа AI, подаем заявку с документами, взаимодействуем с экспертами, отвечаем на запросы, организуем демонстрацию системы при необходимости. Сопровождаем процесс до получения положительного заключения. После этого регистрируем AI-систему в реестре Минпромторга.
Откройте доступ к госзакупкам для вашего AI
Телефон: +7 920-898-17-18
WhatsApp / Telegram: +7 920-898-17-18
Email: reestrgarant@mail.ru
Работаем с разработчиками AI по всей России. Первая консультация бесплатно. Специализация на системах машинного обучения всех типов. Опыт 100% успешных включений в реестр. Сопровождение от анализа до регистрации.
Сделайте ваш AI конкурентоспособным в госзакупках
Включение системы искусственного интеллекта в реестр Минпромторга открывает доступ к масштабному рынку государственных закупок AI-решений. Программа цифровизации госорганов, импортозамещение зарубежных IT-систем, автоматизация госуслуг - спрос на российский AI растет. Преференции в тендерах дают решающее конкурентное преимущество. Но требования к подтверждению российского происхождения строгие - нужна правильная подготовка документов и расчет локализации. Мы знаем, как это сделать. Не теряйте время на самостоятельное изучение правил - доверьте регистрацию профессионалам. Звоните: +7 920-898-17-18