сотрудник
УДК 343.985 Криминалистическая тактика. План расследования. Тактика получения доказательств. Тактика задержания преступника. Розыск
УДК 004 Информационные технологии. Компьютерные технологии. Теория вычислительных машин и систем
В настоящей статье на основе анализа эмпирического материала, включая следственную практику, зарубежного опыта (израильские системы мультимодального анализа Airis, британские платформы визуализации связей I2) и судебных прецедентов (американская система оценки риска рецидивов COMPAS) рассматриваются актуальные вопросы внедрения алгоритмов искусственного интеллекта в тактику производства допроса, выявляются криминалистические возможности и пределы его использования для минимизации рисков судебных ошибок с учетом феномена алгоритмической предвзятости и отсутствия у нейросетей внутреннего убеждения в целом и по конкретному делу. По итогам проведенного исследования предложены практические рекомендации по наиболее результативному применению цифровых технологий в рамках предварительного расследования преступлений, в частности при производстве допроса, а также сформулированы условия, при соблюдении которых искусственный интеллект остается эффективным инструментом, упрощающим деятельность следователя путем автоматизации анализа совокупности больших данных и оптимизации рутинных операций, но не подменяющим участников уголовного судопроизводства как субъектов познания.
уголовный процесс, допрос, искусственный интеллект, криминалистическая тактика, мультимодальный анализ, цифровизация расследования, пределы доказывания, алгоритмическая предвзятость
Допрос традиционно занимает центральное место в системе следственных действий, высту-пая одновременно источником доказательствен-ной информации и средством проверки уже со-бранных материалов. Криминалистическая наука определяет его как сложный, многосоставный процесс взаимодействия допрашивающего и до-прашиваемого, требующий высокого уровня про-фессиональной компетентности следователя, психологической наблюдательности, рефлексив-ного управления коммуникацией и развитой ин-туиции. Качество проведения допроса напрямую определяет полноту доказательственной базы и, соответственно, законность итоговых процессу-альных решений [1, с. 20].
Вместе с тем в условиях цифровизации со-временного общества и стремительного развития научно-технического прогресса деятельность следственных подразделений правоохранитель-ных органов невозможно представить без исполь-зования информационных систем, цифровых баз данных и телекоммуникационных технологий связи. Традиционные методы обработки значи-тельного объема доказательственной информа-ции, включающей текстовые документы, фото- и видеоматериалы, аудиозаписи, данные мобиль-ных устройств, сведения из сети Интернет, тре-буют значительных временных затрат и не всегда позволяют оперативно выявлять взаимосвязи
между отдельными событиями, лицами и доказа-тельствами. Поэтому информационно-телеком-муникационные технологии становятся важней-шим инструментом повышения эффективности предварительного расследования, более быстро-го установления обстоятельств совершения пре-ступлений, идентификации лиц, в том числе с использованием различных баз данных, а также позволяют повысить качество документирования следственных действий и сократить временные затраты сотрудников.
Безусловно, современный этап развития пра-воприменения характеризуется стремительной цифровизацией расследования. 19 мая 2025 г. на Петербургском международном юридическом фо-руме председатель Следственного комитета Рос-сийской Федерации А. И. Бастрыкин представил данные, иллюстрирующие двойственную природу внедрения искусственного интеллекта (далее — ИИ) в практику раскрытия преступлений. С одной стороны, алгоритмы машинного обучения проде-монстрировали высокую эффективность при ана-лизе больших массивов данных, что позволило установить лиц, причастных к убийствам Дарьи Дугиной и Владлена Татарского, а также к поку-шениям на Захара Прилепина и Владимира Со-ловьева . С другой — глава ведомства привел прецедент, имеющий принципиальное кримина-листическое значение: «У нас был случай, когда с помощью механизма ИИ мы задержали подо-зреваемого, потом он стал обвиняемым, отсидел под следствием. А потом у него появилось жест-кое алиби. Это было преступление прошлых лет. Меня это огорчило, потому что мы по сути дела едва не привлекли к ответственности невиновного человека» . Данная дилемма — между большим эвристическим потенциалом ИИ и рисками для процесса доказывания — обусловливает поста-новку проблемы определения криминалистически обоснованных возможностей и юридически допу-стимых пределов использования технологий ИИ в повседневной практической деятельности пра-воохранительных органов.
Анализ юридической природы доказывания позволяет выделить функции, которые следова-тель не вправе делегировать алгоритмическим системам. Во-первых, технические средства не могут оценивать соблюдение процессуальной формы доказательства, поскольку такая оценка требует правовой квалификации [1, с. 49]. Сле-довательно, решение о допустимости доказа-тельства может быть принято исключительно ли-цом, производящим расследование и несущим за него полную юридическую ответственность.
Во-вторых, оценка совокупности доказательств требует синтеза разнородной информации на ос-нове внутреннего убеждения следователя, бази-рующегося на законе и совести, что не может быть подменено статистическим выводом нейросети. Роль ИИ состоит в технической под-держке следователя, оптимизации и автоматиза-ции рутинных операций при производстве след-ственных действий, а также информационном обеспечении деятельности по раскрытию и рас-следованию преступлений, но ключевым ее эле-ментом был и остается человек. Например, при исследовании цифровых носителей информа-ции, телефонных соединений, переписки в мес-сенджерах и социальных сетях алгоритмы ИИ способны выявлять взаимосвязи между фигуран-тами уголовного дела, формировать хронологию событий, систематизировать документы и муль-тимедийные файлы, а также осуществлять быст-рый поиск ключевых слов и подозрительных фраз. Но вместе с тем ИИ только имитирует про-цесс познания при неосмысленном, некритиче-ском чтении массива формализованных
и оцифрованных данных.
В-третьих, на основе анализа сведений, до-ступных в открытых источниках сети Интернет,
с использованием различных программных средств автоматизации поиска информации воз-можно осуществить моделирование личности допрашиваемого, а следовательно, выбрать оп-тимальный метод допроса. Но, повторим, и в данном случае современные технологии играют только вспомогательную роль, а практическая реализация всех предоставленных возможностей и достижение целей допроса остается в прямой зависимости от коммуникативных навыков сле-дователя, его знаний и практического опыта, а также недоступной ИИ интуиции.
Вместе с тем эвристический потенциал тех-нологий ИИ в тактике производства следственных действий остается крайне высоким. Например, на этапе подготовки к допросу важным условием его будущей результативности является грамотное информационное моделирование предстоящего коммуникативного акта. Именно здесь аналитиче-ские способности ИИ проявляются наиболее яр-ко. Как показала практика расследования резо-нансных преступлений в Российской Федерации, алгоритмы ИИ позволили обработать колоссаль-ные массивы неструктурированной информации, включающей записи с камер наружного наблюде-ния (суммарно тысячи часов видео), данные о соединениях абонентов (биллинг), контент соци-альных сетей и мессенджеров, а также открытые интернет-источники. Ручной анализ таких объе-мов
в рамках уголовно-процессуальных сроков объек-тивно затруднен, а в ряде случаев и вовсе не-возможен. Однако применение систем на основе машинного обучения сокращает временные за-траты с нескольких месяцев до нескольких суток, позволяя выявить корреляции и устойчивые шаблоны поведения фигурантов, ускользающие от традиционных криминалистических методов.
Международное взаимодействие, анализ и ис-пользование передового опыта применения со-временных технологий правоохранительными органами других стран демонстрирует схожие тенденции. М. Краг, технический менеджер меж-дународного агентства I2 (Великобритания), в своих исследованиях показывает, что системы визуализации связей на основе ИИ способны в считанные минуты строить графы взаимоотно-шений членов преступных групп [2]. Данные си-стемы автоматически анализируют частотность и длительность телефонных соединений, выявляя иерархическую структуру преступного сообще-ства, идентифицируя «узлы влияния» и каналы коммуникации, недоступные для линейного ана-лиза. Для следователя, готовящегося к допросу рядового участника преступной группы, визуали-зированная схема выступает в роли тактического ключа, позволяющего предъявлять неожиданные доказательства и задавать точные вопросы о ре-альной роли допрашиваемого.
Кроме того, непосредственно в ходе производ-ства допроса следователь сталкивается с про-блемой распределения когнитивных ресурсов: ему необходимо одновременно вести протокол, формулировать вопросы, наблюдать за поведе-нием допрашиваемого, анализировать поступа-ющую информацию и динамично трансформиро-вать подготовленную им заранее тактику к реаль-ной модели поведения допрашиваемого и сооб-щаемым сведениям. Решением данной проблемы выступают системы автоматической транскрип-ции: например, португальская система INTU-AI в режиме реального времени преобразует устную речь
в текст, фиксируя паузы, оговорки, интонацион-ные изменения и паралингвистические сигналы [2] . Использование подобных разработок позво-ляет следователю освободиться от технической рутины и сконцентрироваться на тактическом управлении допросом.
Наиболее сложным и дискуссионным направ-лением является использование ИИ для мульти-модального анализа эмоционального состояния допрашиваемого. Израильская компания Airis разработала программное обеспечение, применя-емое спецслужбами при расследовании террори-стических актов, которое обрабатывает видеома-териалы и аудиозаписи из социальных медиа, выявляя микроэкспрессии и стресс-индикаторы [3, с. 156]. Современные системы анализируют три канала — визуальный, аудиальный и тексто-вый. Иными словами, решается задача одновре-менного восприятия не только буквального, линг-вистического смысла того, что человек говорит, но и определения, как он говорит, на основе де-текции неподконтрольных сознанию микровыра-жений лица, а также анализа эмоциональной окраски речи (тональности, тембра и частотных характеристик голоса). Выявление состояния не-конгруэнтности, при котором внутренние убежде-ния, мысли и эмоции допрашиваемого не соот-ветствуют внешним вербальным и невербальным проявлениям, позволяет отличить бессознатель-ный процесс самообмана от намеренной и полно-стью контролируемой лжи, скорректировать так-тику допроса и добиться его максимальной ре-зультативности.
Согласно данным эмпирических исследова-ний, точность автономных систем детекции лжи достигает 77 %, что статистически значительно выше аналогичного показателя интуиции челове-ка — около 56 % [2]. Однако этот факт имеет и обратную сторону: почти каждый четвертый вы-вод алгоритма потенциально ошибочен. Лицо, испытывающее стресс вследствие самого факта уголовного преследования (особенно при первич-ном допросе), демонстрирует поведенческие ре-акции, идентичные реакциям при сознательном сокрытии информации. Следовательно, данные мультимодального анализа могут рассматри-ваться исключительно как ориентирующая ин-формация, способная помочь сформировать следственные версии, но не обладающая доказа-тельственным значением.
Наряду с возможностями практика фиксирует случаи, когда использование ИИ приводило к су-щественным криминалистическим ошибкам. Приведенный выше пример А. И. Бастрыкина, описывающий случай ошибочного задержания лица по преступлению прошлых лет, требует де-тального криминалистического анализа: в данной ситуации алгоритм, обработав данные старого уголовного дела (протоколы допросов, ограничен-ный круг вещественных доказательств, оператив-но-разыскную информацию), выявил корреляци-онные совпадения и указал на конкретного чело-века. Следователь, доверившись рекомендации, провел задержание и предъявил обвинение. По-следующее появление жесткого алиби (нахожде-ние лица в ином месте в момент совершения преступления) опровергло положенную в основу обвинения версию и еще раз подтвердило, что, несмотря на всю цифровизацию уголовного про-цесса, человек остается его ключевым звеном, способным мыслить критично и рационально, логически и интуитивно принимать процессуаль-ные решения, меняющие ход и тактику расследо-вания, и главное — нести ответственность за их практическую реализацию.
Итак, с позиции криминалистики использова-ние ИИ в повседневной практической деятельно-сти сопряжено с тремя ключевыми рисками. Во-пер-вых, происходит смешение корреляции с ка-узальностью: наличие совпадений (внешнее сходство, использование похожего предмета одежды или средства связи) алгоритм, оперируя только математическими корреляциями, может интерпретировать как доказательство причастно-сти, не имея возможности установить причинно-следственную связь.
Во-вторых, существует проблема зависимости итоговой модели версии от качества и полноты входных данных (правило «Garbage In, Garbage Out»). Так, в материалах дел по преступлениям «прошлых лет» часто отсутствуют современные биометрические данные (ДНК-профили, каче-ственные изображения), что увеличивает вероят-ность ошибки идентификации. Безусловно, исто-рически процесс расследования преступлений всегда стремится к использованию самых пере-довых достижений науки и техники каждой эпохи, поэтому формирование доказательственной базы должно осуществляться в том числе на перспек-тиву появления новых подходов к решению кри-миналистических задач, обеспечивать полноту
и всесторонность исследования обстоятельств дела.
В-третьих, широкое распространение высоких технологий и их доступность неограниченному кругу лиц привели к возникновению феномена «алгоритмического авторитета». Так, получив «научно обоснованную» рекомендацию от ИИ, следователь может утрачивать критическое вос-приятие информации, что вступает в противоре-чие с требованием ст. 17 Уголовно-процес-суального кодекса Российской Федерации от
18 декабря 2001 г. № 174-ФЗ об оценке доказа-тельств по внутреннему убеждению. К примеру, согласно исследованию ProPublica (2016), ис-пользование системы COMPAS (Correctional Offender Management Profiling for Alternative Sanctions)
в судах США для прогнозирования риска рециди-ва демонстрировало систематическую предвзя-тость: алгоритм завышал риск рецидива для аф-роамериканцев и занижал для лиц европеоидной расы [4]. Важно отметить, что разработчики не закладывали расовые признаки в исходную мо-дель. Алгоритм самостоятельно, путем динамич-но развивающегося на данный момент машинного обучения, перенял дискриминационные паттерны, содержавшиеся в истории судебных решений. Более того, алгоритм COMPAS являлся коммер-ческой тайной, что делало невозможной его про-верку стороной защиты.
Более того, в доктрине уголовного процесса также выделяется проблема «галлюцинаций» нейросетей — ситуаций, когда генеративные мо-дели (англ. Large Language Model, LLM) продуци-руют несуществующие факты, выдавая их за до-стоверные . Поэтому в международной юриспру-денции сформировалось правило: ссылка на «ре-комендацию нейросети» не освобождает долж-ностное лицо от ответственности за проверку фактов и не может служить единственным осно-ванием для процессуального решения. Алгорит-мы не обладают и внутренним убеждением, предполагающим рефлексивную оценку совокуп-ности доказательств, недоступную вероятност-ным моделям, а также неспособны при принятии решений руководствоваться не только буквально закрепленными в законе нормами,
но и совестью как категорией нравственного со-знания, связанной с ответственностью перед че-ловеком и обществом. Китайский Модельный за-кон об искусственном интеллекте (2023) ярко де-монстрирует важность закрепления принципа прозрачности и объяснимости алгоритмов (англ. Explainable AI) . Для уголовного судопроизвод-ства это требование имеет фундаментальное значение: выводы, полученные с помощью не-проверяемого «черного ящика», не могут высту-пать
в качестве судебных доказательств.
На основании вышеизложенного, а также ис-ходя из анализа правоприменительной практики
и доктринальных подходов, представляется воз-можным сформулировать криминалистически обоснованные рекомендации по интеграции ИИ
в тактику допроса.
Во-первых, на этапе подготовки к допросу ис-пользование систем анализа больших данных (англ. Big Data) для выявления скрытых связей между фигурантами (как в делах об убийствах
Д. Дугиной и В. Татарского) должно обязательно подкрепляться верификацией полученной ин-формации через следственные действия и внут-реннее убеждение следователя. Перспективным является применение платформ визуализации связей и генеративных возможностей ИИ для ре-конструкции структуры преступной группы, опре-деления иерархии и каналов коммуникации, формирования предварительного вопросника с учетом личности допрашиваемого и специфики расследуемого события [3, с. 87].
Во-вторых, необходимость на этапе собствен-но производства допроса обработки больших объемов доказательственной информации дела-ет внедрение элементов ИИ в практику расследо-вания преступлений объективной необходимо-стью: техническая поддержка следователя обес-печивает оптимизацию и автоматизацию рутин-ных операций. Применение систем автоматиче-ской транскрипции освобождает допрашивающее лицо от технической фиксации и позволяет скон-центрироваться на тактическом аспекте, а данные мультимодального анализа (детекция эмоций, стресса) предоставляют дополнительную ориен-тирующую информацию для выдвижения версий, не подменяя собой при этом доказательства ви-новности или невиновности допрашиваемого.
В то же время отметим, что следователю крайне важно сохранять режим «критического по-требления» данных, не делегируя алгоритмам функции принятия процессуальных решений, а также учитывать высокую вероятность ошибок («галлюцинаций»), предвзятости, обусловленной качеством обучающих выборок и несовершен-ством самообучающихся только на основе стати-стических корреляций систем без анализа при-чинности. Все выводы, полученные с помощью ИИ, в обязательном порядке должны быть прове-рены посредством процессуальных источников доказательств
а персональная ответственность — возлагаться исключительно на человека как субъекта позна-вательной деятельности, когнитивные функции которого нейросети только имитируют, но не подменяют [3, с. 87].
Таким образом, проведенный анализ позволя-ет заключить, что технологии ИИ в настоящее время могут и должны являться инструментом совершенствования уголовного судопроизвод-ства. Эмпирические данные подтверждают их высокую эффективность в аналитических зада-чах, а также свидетельствуют о значительном криминалистическом потенциале этих систем. Тем не менее прецеденты судебных ошибок определяют необходимость жесткого ограничения пределов использования ИИ: последний является только вспомогательным средством познания, но не субъектом доказывания. Формирование внут-реннего убеждения, оценка достоверности пока-заний и принятие итоговых процессуальных ре-шений остаются исключительной прерогативой следователя, руководствующегося законом и со-вестью. Только разработка и законодательное закрепление требований, регламентирующих прозрачность используемых алгоритмов, проце-дуры верификации результатов ИИ иными дока-зательствами, а также определяющих субъектив-ную ответственность за решения, принятые на основе рекомендаций ИИ, позволит реализовать потенциал современных цифровых технологий в повышении скорости и качества расследования без риска нарушения фундаментальных принци-пов уголовного процесса. Необходимо обеспе-чить прозрачность и подотчетность алгоритмов ИИ, а также на системной основе информировать и проводить обучение сотрудников правоохрани-тельных органов, прокуроров, судей и адвокатов по вопросам информационной безопасности, эти-ки и защиты прав человека в контексте использо-вания цифровых технологий и ИИ.
1. Цифровая криминалистика: учеб. для вузов / под ред. В. Б. Вехова, С. В. Зуева. 2-е изд., перераб. и доп. Москва: Юрайт, 2024. 490 с.
2. INTU-AI: digitalization of police interrogation supported by Artificial Intelligence / Garcia J. P., Grilo C., Domingues P., Miragaia R. // Applied sciences. 2025. Vol. 15 (19). P. 10781—10795.
3. Сбор доказательств с использованием искусственного интеллекта: материалы междунар. круглого стола / под общ. ред. А. В. Федорова. Москва: Юрлитинформ, 2024. 312 с.
4. Angwin J., Larson J., Mattu S., Kirchner L. Machinebias: risk assessments in criminal sentencing // ProPublica: site. URL: https://www. propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing (access date: 10.06.2026).
