Новый объект в зале суда

Право входит в эпоху, где главным становится вопрос не только о человеческом свидетельстве, экспертном заключении или документе. В суд приходит новый объект: машинный вывод.

Это результат работы искусственного интеллекта, программы оценки риска, системы распознавания лица или голоса, цифровой криминалистической платформы, диагностического инструмента, модели прогнозирования поведения, автоматического расчёта ущерба. Всё, что обрабатывает большие массивы данных и выдаёт результат, внешне похожий на экспертное заключение.

На первый взгляд такой результат кажется нейтральным. Машина не испытывает эмоций, не забывает, не лжёт в привычном человеческом смысле и не заинтересована в исходе дела так, как свидетель, потерпевший или сторона. Здесь и возникает опасная иллюзия.

Машина не лжёт как человек, но она ошибается как система. Мотива у неё нет, зато есть цели, заложенные при проектировании, и обучающие данные, из которых она наследует статистические и социальные смещения. Показаний она не даёт, но её вывод способен решить судьбу человека.

Отсюда принцип, который суду XXI века придётся сформулировать прямо: машинный вывод не становится истиной только потому, что его произвела машина. Он остаётся доказательством, а доказательство должно быть проверяемым. И если по своей природе оно экспертное, то и проверку обязано пройти экспертную.

Именно вокруг этой проблемы в США идёт работа над новым правилом доказывания, Federal Rule of Evidence 707. Оно должно определить, как суды будут относиться к машинным и AI-выводам, попадающим в процесс без человека-эксперта. Смысл статьи прост: ИИ не должен заменять экспертизу, он сам должен становиться её объектом.

Старая логика доверия и четвёртая фигура

Классический процесс строился вокруг нескольких понятных источников. Свидетель сообщает то, что воспринимал лично. Эксперт объясняет суду специальные знания, которыми суд не владеет. Документ фиксирует информацию в устойчивой форме, вещественное доказательство предъявляет след события, а цифровое показывает электронную запись: файл, лог, транзакцию, изображение.

Для каждого из этих объектов право выработало свой режим доверия. Свидетеля допрашивают, документ аутентифицируют, вещественное доказательство исследуют, цифровой след связывают с устройством, временем, пользователем и цепочкой хранения.

Особое место занимает эксперт. Он не просто сообщает факт, а производит вывод: применяет методику, опыт, расчёты и профессиональное суждение. Поэтому к нему право предъявляет отдельный фильтр надёжности. В американской системе это Rule 702. После поправки 2023 года его логика подчёркнуто требует от стороны, предлагающей экспертизу, показать суду, что заключение опирается на достаточные факты и данные, получено надёжным методом и что этот метод надёжно применён именно к обстоятельствам дела. Эксперта не принимают на веру потому, что он назвал себя экспертом. Его принимают, когда суд убедился в надёжности основания, метода и применения.

ИИ ломает эту привычную архитектуру. Он производит вывод, похожий на экспертный, но в суде может не оказаться человека, который за этот вывод полностью отвечает, объясняет метод, раскрывает данные, показывает возможную ошибку и выдерживает перекрёстный допрос. Так возникает новый процессуальный риск: экспертоподобный результат попадает в дело без экспертного фильтра.

До эпохи ИИ суд работал с тремя фигурами знания: свидетелем, экспертом и объектом (документом или вещью). Машинный вывод становится четвёртой фигурой и не сводится ни к одной из прежних. Он не фиксирует готовый факт, как документ, а интерпретирует его. Он не предъявляет материальный след, как вещественное доказательство, а производит новое содержание. Он ничего не воспринимает, в отличие от свидетеля, и не несёт квалификации и ответственности, в отличие от эксперта.

Но по эффекту машинный вывод действует именно как эксперт. Он говорит суду, что этот человек похож на человека с видеозаписи, что голос принадлежит такому-то, что риск рецидива высок, операция подозрительна, изображение поддельное, ущерб равен такой-то сумме, а медицинская картина соответствует такому диагнозу. Любой из этих выводов может оказаться решающим, поэтому относиться к нему как к технической распечатке нельзя.

Rule 707: зачем понадобилось новое правило

Дискуссия о Rule 707 выросла из практического пробела. У судов уже есть Rule 702 для экспертных свидетельств и Rule 901 для аутентификации доказательств, но сложный AI-вывод проваливается между этими режимами.

Если такой вывод вводят через эксперта, работает Rule 702: специалист объясняет, почему полагается на систему, как она устроена, насколько надёжна и как её результат применён к делу. Проблема возникает, когда вывод предлагают без эксперта, как «машинный результат» или «технический выход программы». Тогда он рискует обойти строгую проверку Rule 702, попав в суд через более мягкие правила относимости и аутентификации.

Rule 707 закрывает именно эту брешь. Текст предложенного правила короткий: когда машинный вывод предлагается без свидетеля-эксперта и подпадал бы под Rule 702, будь он высказан свидетелем, суд может принять его только при соблюдении требований Rule 702(a)-(d). На простые научные приборы вроде термометра или весов правило не распространяется. По сути на машину переносят тот же дубертовский стандарт надёжности, что и на человека: достаточность данных, надёжность метода и корректность его применения.

Важно, что правило не запрещает ИИ в суде. Оно говорит другое: если машинный вывод выполняет функцию экспертного знания, то и проверку он должен пройти как экспертное знание. Задача в том, чтобы не пустить в процесс непроверяемый «чёрный ящик» под видом нейтрального технического результата.

История правила показывает, что юридическое сообщество относится к проблеме всерьёз, но осторожно. Консультативный комитет по правилам доказывания вынес проект Rule 707 в мае 2025 года, и за публикацию для публичного обсуждения проголосовали восемью голосами против одного; единственным против выступил представитель Министерства юстиции. С августа 2025 года правило было открыто для комментариев, слушания прошли в январе 2026-го, а срок приёма замечаний закрылся 16 февраля 2026 года. В мае 2026-го комитет дорабатывал текст с учётом комментариев, и итоговый отчёт ожидался к лету. Даже при благоприятном ходе правило должно пройти ещё несколько инстанций:

  • Постоянный комитет,
  • Судебную конференцию,
  • Верховный суд,
  • Конгресс.

Раньше 1 декабря 2027 года оно вступить в силу не сможет.

Доказательство, которое нельзя оспорить

Процесс держится не только на предъявлении доказательств, но и на возможности их атаковать. Происхождение доказательства должно поддаваться проверке. Суд должен уметь оценить его надёжность, а у противной стороны должна быть возможность ударить по слабым местам. И присяжных нельзя вводить в заблуждение внешней научностью или технологическим авторитетом.

Если ошибается эксперт, его допрашивают. Где учились, какая квалификация, какая методика, какие данные, каков уровень ошибки, признан ли метод сообществом, как он применён к этому делу. Есть кого спросить и есть с кого спросить.

С машинным выводом вопросы становятся тяжелее, а адресат размывается. Кто обучал модель и на каких данных. Были ли данные репрезентативны и какие группы в них недопредставлены. Каков уровень ошибки в целом и отдельно в условиях, похожих на это дело. Проверялась ли система независимо, воспроизводится ли результат, сохранились ли версия модели, настройки и запрос. Можно ли объяснить путь от входных данных к выводу. И кто в итоге отвечает за результат. Если ответов нет, суд получает не доказательство, а технологический авторитет без процедуры проверки.

Это опаснее обычной ошибки эксперта. Человеческая ошибка видна как человеческое суждение, а машинная прячется за интерфейсом, математикой, коммерческой тайной и самим ощущением объективности. Суду и раньше угрожали иллюзии: уверенный свидетель, безупречный эксперт, официальный документ, видеозапись как абсолютная правда. Теперь к ним добавилась иллюзия машинной объективности, и она особенно коварна, потому что совпадает с бытовой верой в технологию. Раз система «посчитала», значит точнее человека, а раз точнее, то и сомневаться можно меньше.

Суд не может жить такой логикой. ИИ-система создана людьми, обучена на собранных людьми данных, оптимизирована под конкретные задачи и не лишена ограничений. Она бывает точна в лаборатории и слаба в реальном деле, уверенно выдаёт вывод там, где исходные данные неполны или нерепрезентативны. Поэтому машинную объективность приходится заменить судебной проверяемостью. Суду не нужно верить машине, ему нужно понимать, почему результат машины заслуживает доверия именно здесь.

Что суд должен проверять

Если машинный вывод предлагают как доказательство, проверять нужно не только результат, но и весь путь его происхождения. Практически это сводится к нескольким узлам.

  • Исходные данные. Кто их собрал, полны ли они, не искажены ли, сохранилась ли цепочка хранения, можно ли подтвердить, что использовались именно эти данные и что с ними делали при очистке и нормализации.
  • Обучающие данные. На каком массиве обучалась система, репрезентативен ли он для населения, языка, региона, типа поведения или преступления, о котором идёт речь, и не заложены ли в нём исторические, расовые, социальные или экономические смещения.
  • Метод. Что лежит в основе вывода: статистическая модель, нейросеть, классификатор, генеративная или правиловая система. И как именно она переходит от входа к результату.
  • Уровень ошибки. Любая методика ошибается, поэтому вопрос не в самом факте ошибки, а в её частоте и в условиях, в которых она возникает. В уголовном процессе особенно важно различать ложноположительные и ложноотрицательные срабатывания: ложное обвинительное совпадение опаснее «средней» по модели ошибки.
  • Валидация и воспроизводимость. Проверялась ли система независимо, где и кем, публиковались ли результаты, проходила ли она рецензирование, применялась ли именно в такой сфере. И удастся ли получить тот же результат при тех же данных, если версия модели, настройки и запрос сохранились, а сама генерация не была случайной.
  • Объяснимость и человеческий контроль. Раскрывать все внутренние параметры сложной модели не обязательно, но объяснения должно хватать, чтобы связать данные, метод и вывод. И важно понимать, кто контролировал работу системы. Человек действительно оценил результат и понимает пределы инструмента или просто нажал кнопку. Готов ли он отвечать на вопросы суда.
  • Наконец, возможность состязательного оспаривания. Если противная сторона не может получить информацию для проверки, доказательство становится процессуально опасным. Суд не должен принимать «чёрный ящик» только потому, что его выдал дорогой поставщик, государственная система или известная платформа.

Криминологическая ставка

Для криминологии тема особенно чувствительна, потому что ИИ всё чаще работает там, где речь идёт о подозрении, риске, идентификации и прогнозе: распознавание лиц и голоса, анализ телефонных данных и геолокации, поведенческие паттерны, финансовые транзакции, связи между аккаунтами, атрибуция кибератак, оценка риска рецидива, проверка подлинности изображения. Каждая из этих сфер способна повлиять на свободу человека. Ошибка в рекламной выдаче стоит человеку неудачного товара, ошибка в суде стоит свободы, репутации, имущества, работы, иногда детей.

Поэтому криминолог должен видеть в AI-доказательстве не удобный инструмент, а новый источник возможной институциональной ошибки. Опаснее всего здесь три вещи. Система автоматизирует подозрение: помечая человека как риск, она заставляет подозрение появиться раньше факта, и человек оказывается не обвиняемым за действие, а объектом прогнозной классификации. Она же технологически усиливает обвинение, потому что полиция, прокурор, суд и присяжные склонны считать машинный вывод более сильным, чем он есть, и результат получает символическую силу науки даже при слабой методологии. И она способна лишить человека защиты: если сторона не понимает, как получен вывод, оспорить его она не может, а без этого рушится состязательность.

В крайней форме всё это оборачивается автоматизированной виной. Человек оказывается виноватым не потому, что суд убедительно исследовал факты, а потому, что система присвоила ему высокий риск, совпадение или подозрительный профиль. Наступает такая вина незаметно. Сначала система помогает следствию, потом прокурору, потом суду, а затем начинает формировать саму рамку восприятия, и человек защищается уже не против факта, а против машинной классификации. Особенно это опасно в делах о терроризме, организованной и киберпреступности, в миграционных и финансовых расследованиях. Право должно сказать прямо: человек не может быть осуждён машинной вероятностью. Вероятность бывает инструментом анализа, но вина требует доказательства, доказательство требует процедуры, а процедура требует возможности оспаривания.

Кто такой ИИ в суде

Стоит определиться прямо, кем ИИ является в процессе. Он не свидетель, потому что не воспринимает событие, а обрабатывает данные. Он не эксперт, потому что не имеет квалификации, опыта и обязанности отвечать на вопросы. Он не документ, потому что часто создаёт новое содержание вместо того, чтобы фиксировать готовое. И он не вещественное доказательство, потому что интерпретирует след, а не предъявляет его.

Значит, ИИ не субъект доказательства, а инструмент производства вывода, и проверке подлежит сам вывод. ИИ не свидетельствует и не проводит экспертизу, он выдаёт результат, который должен быть экспертно проверен. Когда человек-эксперт использует ИИ как инструмент, он обязан объяснить, почему тот надёжен, как применён и какие имеет ограничения. Когда сторона хочет обойтись без эксперта, к выводу должен применяться фильтр надёжности, близкий к Rule 702. На это Rule 707 и нацелено.

Чёрный ящик и коммерческая тайна

Труднее всего обстоит дело с коммерческой тайной. Многие системы принадлежат частным компаниям, и архитектура, обучающие данные, отчёты о валидации и внутренние процедуры у них закрыты. Поставщик может утверждать, что раскрытие уничтожит его конкурентное преимущество.

Но суд не может подчинить справедливость коммерческой тайне. Если система влияет на решение по делу, должна существовать процедура проверки, пусть и не всегда публичная. У суда есть закрытое исследование, независимый эксперт, защитный ордер, ограниченное раскрытие. Недопустима ситуация, в которой защита не может проверить доказательство лишь потому, что поставщик не хочет раскрывать метод. Иначе складывается формула, несовместимая с правосудием: частная компания производит вывод, государство использует его против человека, суд принимает его как доказательство, защита не может понять метод, а последствия несёт человек. Это уже не правосудие, а делегирование судебной власти непрозрачной машине.

Спор о правиле и отдельная проблема подделок

Дискуссия вокруг Rule 707 не завершена и не проста. Часть критиков считает правило преждевременным: технология и её понимание меняются быстро, норма должна быть точной, и есть риск зафиксировать неверную модель. Министерство юстиции, чей представитель был единственным голосом против при вынесении проекта, доказывает, что действующего Rule 702 и без того достаточно, и заявило о более широких возражениях, которые собиралось изложить отдельно. Другие возражения практические: правило может потребовать дорогих технических экспертов и создать неравенство между сторонами с разными ресурсами, а недобросовестная сторона способна использовать его как повод затянуть процесс.

Эти доводы нельзя просто отбросить. Слишком широкое правило создаст путаницу, слишком узкое оставит опасный пробел, слишком раннее закрепит неверную модель, слишком позднее позволит опасной практике укорениться. Но сама дискуссия уже важна: суды больше не могут делать вид, будто AI-вывод остаётся обычной технической распечаткой. В какой бы редакции ни приняли правило и как бы ни сдвинулись сроки, фундаментальный вопрос останется прежним. Как проверить машинный вывод, если он влияет на решение по делу.

При этом у проблемы две разные стороны, и смешивать их нельзя. С одной стороны стоит признанный машинный вывод: сторона прямо говорит, что использовала AI-систему и получила такой результат, и здесь работает логика Rule 707. С другой стороны стоит скрыто сгенерированный объект: deepfake-видео, синтетический голос, поддельная переписка или изображение, которые выдают за подлинные, а это уже вопрос аутентификации, ближе к Rule 901. Показательно, что параллельные предложения по подделкам, то есть отдельный механизм проверки для потенциальных deepfake, комитет решил пока придержать, сочтя, что существующие правила аутентификации с этим в целом справляются, а специальную норму можно держать наготове на будущее.

Rule 707 отвечает на вопрос, как оценить AI-вывод, если его признают AI-выводом. Правила аутентификации отвечают на другой вопрос, как установить, что объект не подделка. На практике эти линии будут пересекаться: одна система создаёт поддельный объект, а другая оценивает его подлинность. Тогда суд получает двойную машинную задачу, где машина создала след и она же его проверяет. В таком мире человеческая экспертиза не исчезает, а становится ещё нужнее. И это не гипотетика. Суды уже сталкивались и с представленным в дело фальшивым видео-«показанием», сгенерированным ИИ, и с юридическими документами, куда нейросеть вписала несуществующие судебные решения с правдоподобными реквизитами.

Новая роль эксперта

ИИ не отменяет эксперта, он меняет его роль. Эксперт будущего должен уметь не только делать выводы сам, но и оценивать системы, которые их делают: понимать, какие данные и какая модель использованы, какие ошибки возможны, какая валидация проведена, как система ведёт себя в условиях конкретного дела, какие есть альтернативные объяснения и как перевести технический результат на язык суда. Он перестаёт быть придатком машины и становится тем, кто её контролирует. Не преклоняется перед системой, а методологически её допрашивает. В этом смысле судебная экспертиза после ИИ должна стать строже, а не автоматичнее.

Шесть вопросов к машинному выводу

Для практики стандарт можно свести к шести вопросам, которые суду стоит задавать всякий раз, когда перед ним сложный машинный вывод.

  • Откуда взялись данные, на которых он основан.
  • Как система пришла к результату.
  • Каков известный уровень ошибки, особенно в условиях, похожих на это дело.
  • Воспроизводим ли результат при тех же данных, настройках и версии.
  • Может ли сторона понять, почему система выдала именно такой вывод.
  • И кто отвечает за использование этого вывода в суде.

Эти шесть вопросов и есть минимум судебной культуры после ИИ. Если ответов на них нет, машинный вывод стоит воспринимать не как доказательство высокой силы, а как источник риска.

Заключение: ИИ не свидетель, а объект проверки

Суд стоит перед выбором. Он может принять машинный вывод как новый символ объективности и тем самым открыть дверь технологической непрозрачности. А может встроить ИИ в строгую систему доказательственного контроля, где каждое машинное утверждение проходит проверку по происхождению, данным, методу, ошибке, воспроизводимости, объяснимости и ответственности.

Справедливость после ИИ держится на нескольких простых требованиях. Машинный вывод не самодостаточен: он бывает полезен и точен, но не становится достоверным сам собой. Его нужно оставлять оспоримым, потому что неоспоримое доказательство несовместимо с состязательным правосудием, и если защита не может его проверить, суд обязан быть предельно осторожен. А отвечать за применение машины должен человек, ведь сам ИИ процессуальной ответственности не несёт; её несёт тот, кто его применяет, представляет суду, продаёт или внедряет.

Rule 707 ценно прежде всего тем, что называет проблему юридическим языком. Оно показывает, что суду уже мало спросить, можно ли аутентифицировать цифровой объект. Спрашивать нужно глубже: надёжен ли машинный вывод, который предлагают вместо экспертного знания или рядом с ним. Машина способна помочь правосудию, но не заменить его. ИИ может быть инструментом эксперта, но не самим экспертом, которого никто не допрашивает.

Главный закон судебной эпохи после ИИ умещается в одну фразу. Если машинный вывод влияет на судьбу человека, его нельзя принимать на веру, его нужно подвергать экспертизе. Правосудие не может обменять человеческую ошибку на машинную непрозрачность. Ему предстоит обратное: взять технологию, но усилить процедуру проверки. Поэтому ИИ в суде не закрывает эпоху экспертизы, а открывает новую, экспертизу машинного вывода.

Официальный e-mail профессора Олега Мальцева: Phd@oleg-maltsev.com