Экспорт-импорт: практики ИИ во внешнеторговом процессе

Главный вывод

За период сбора материала (2019–2026, преимущественно 2023–2026) в реестре итерации 2 найдено 16 практик применения ИИ во внешнеторговом процессе: поиск контрагентов, закупки, документы, классификация товаров, таможенное оформление и риск-профилирование, фрахт и порты, расчёты и торговое финансирование (включая закупочные кейсы Walmart/Pactum и Maersk/Keelvar), плюс три научные работы о классификации по HS/ТН ВЭД и один справочный международный ресурс (проект WCO BACUDA). Девять практик заявлены как эксплуатация (production), но независимо подтверждённого эффекта нет ни у одной: все количественные цифры — заявления самих компаний, банков, вендоров или госорганов, без стороннего измерения. Самое зрелое из найденного — узкая функция внутри уже существующего процесса (разбор почты у брокера, анализ рентген-снимка, скрининг санкционных алертов, прогноз валютной позиции); ни одного случая полностью автономного таможенного оформления «от документа до выпуска товара» без финального решения человека не найдено.

Россия на этом фоне — пилоты и планы (ПИДК тестируется на двух пунктах пропуска, масштабный ИИ в ЕАИС ТО обещан к 2028 году) и один открытый спор: коммерческий брокер утверждает, что ФТС «уже» проверяет коды ТН ВЭД нейросетями, сама ФТС говорит о плане. Граница обзора: только легитимно открытые и прочитанные источники реестра итерации 2 (без обхода пейволлов и логинов) и без выхода в интернет при подготовке этого текста. Часть ячеек цепочки (поиск зарубежных поставщиков, платёжные агенты, Латинская Америка) не закрыта и обозначена как пробел, а не как отсутствие практики.

Карта процесса ВЭД и где встроен ИИ

Цепочка процесса: поиск контрагентов → закупки → документы → классификация товаров (HS/ТН ВЭД) → таможенное оформление и риск-профилирование → фрахт и логистика/порты → расчёты, торговое финансирование, валютные и санкционные риски.

Поиск контрагентов / продвижение за рубеж. Единственная найденная практика — рынок Иу (Chinagoods): генерация промовидео на 36 языках для поиска покупателей в зарубежных соцсетях (I2-PR-0043). Адресный поиск ИИ для поиска зарубежных поставщиков (сторона покупателя) результата не дал — см. «Пробелы».
Закупки (buy-side). Автоматизация переговоров с поставщиками (Walmart/Pactum, I2-PR-0001) и стратегический сорсинг/тендеры (Maersk/Keelvar, I2-PR-0066) — обе практики формально относятся к потоку B2B реестра, включены сюда по смежному тегу TRADE как закупочное звено внешнеторговой цепочки.
Документы. Обработка аккредитивов (PoC ANZ/HSBC/Lloyds + Microsoft, I2-PR-0014) и распознавание/оцифровка документарной торговли (Standard Chartered Trade AI Engine, I2-PR-0061).
Классификация товаров (HS/ТН ВЭД). Российский ML-прототип «ВЭД Экспертиза» (I2-PR-0040, R&D) и оспариваемое заявление о нейросетевой проверке кодов у ФТС (I2-PR-0039, статус — противоречие); отдельно — три научные работы о HS-классификации (см. «Что говорит независимая наука»).
Таможенное оформление и риск-профилирование. Анализ рентген-снимков — Тяньцзиньская таможня (I2-PR-0042, эксплуатация) и ПИДК ФТС России (I2-PR-0037, пилот); модернизация всей системы риск-анализа ФТС (ЕАИС ТО, I2-PR-0038, план до 2028); аудит уже поданных деклараций (Flexport, I2-PR-0013, пилот → публичный запуск).
Фрахт и логистика/порты. Автоматизация грузоперевозки у брокера (C.H. Robinson, I2-PR-0057), оптимизация рейсов портовых хаулеров (PSA Singapore, I2-PR-0060), испытания автономных большегрузов в порту (SIPG Шанхай, I2-PR-0041).
Расчёты, торговое финансирование, валютные и санкционные риски. Скрининг санкционных алертов (Valley National Bank, I2-PR-0058), прогноз валютной экспозиции для хеджирования закупок (ASML, I2-PR-0059).

Таблица практик

Организация	Страна/регион	Процесс	Технология	Стадия	Заявленный эффект (кто заявил)	Исход	ID
Walmart (Pactum AI)	США	Переговоры с поставщиками об оплате и скидках (закупки)	agent	эксплуатация	~3% выгоды по сделке, +35 дней отсрочки, 68% сделок закрыто через платформу, 83% «удобно» — Pactum (вендор)	неопределённый	I2-PR-0001
Flexport	США	Аудит уже поданных таможенных деклараций, подготовка возвратов пошлин	agent	пилот → публичный запуск 02.2026	0,2% ошибок, «в 10 раз лучше конкурентов» — Ryan Petersen, CEO Flexport	неопределённый	I2-PR-0013
ANZ, HSBC, Lloyds + Microsoft	Несколько стран (AU/GB/US)	Обработка и проверка аккредитивов (LC, сообщение MT700)	GenAI, agent, NLP	R&D (PoC, показан на Sibos 2025)	эффект не приведён	неопределённый	I2-PR-0014
ФТС России	Россия	Анализ рентген-снимков ПИДК на пунктах пропуска	CV	пилот (2 пункта пропуска)	норматив «10 минут» — цель, не результат (В. Пикалёв, глава ФТС)	неопределённый	I2-PR-0037
ФТС России / АТ Консалтинг	Россия	Модернизация ЕАИС ТО с ИИ-модулями риск-анализа, диспетчеризации, прогноза нагрузки	CV, predictive_ML, optimization	план (контракт до 15.03.2028)	эффект ИИ-части не заявлен; всё импортозамещение стека — 20–30 млрд руб. (независимая оценка, Ю. Швыдченко, «ТеДо»)	не установлен	I2-PR-0038
ФТС России (постконтроль)	Россия	Проверка кодов ТН ВЭД «нейросетями», ретроспективный контроль — противоречие с заявлением ФТС	predictive_ML, CV	не установлена (брокер: «используется»; ФТС: план до 2028)	не заявлен	не установлен	I2-PR-0039
«ВЭД Экспертиза» / Парадигмы Софт	Россия	Определение кода ТН ВЭД по текстовому описанию товара (ML-классификатор)	predictive_ML	R&D	74% (полный код), 80% (товарная позиция, 4 знака), 82%/48% (формальные/неформальные описания) — компания	смешанный	I2-PR-0040
SIPG (上港集团, Шанхайский порт)	Китай	Испытания автономных/малоэкипажных большегрузов порт—мост	other (автономный транспорт)	пилот/испытания	парк 92 машины, >300 тыс. TEU, пробег >10 млн км — 上港集团	неопределённый	I2-PR-0041
Тяньцзиньская таможня	Китай	ИИ-анализ рентген-снимков контейнеров при досмотре («智能审图»)	CV	эксплуатация (с 2018–2019)	разбор снимка — 3–5 сек; доля машинного досмотра >60% среди отобранных — таможня (в изложении СМИ)	успех	I2-PR-0042
Рынок Иу / Chinagoods	Китай	Генерация промовидео на 36 языках для продвижения товаров за рубежом	GenAI, NLP	эксплуатация	просмотры 54 тыс./100 тыс.+ у отдельных торговцев; ~30 тыс. торговцев рынка используют ИИ-инструменты, >1 млрд обращений — оператор рынка	успех	I2-PR-0043
C.H. Robinson	США	Обработка запросов котировок, классификация LTL-груза (NMFC), оформление заказов	GenAI, agent	эксплуатация	>75% LTL-заказов автоматизировано, 300+ человеко-часов/день экономии, >3 млн задач, +30% производительности — компания	успех	I2-PR-0057
Valley National Bank	США	Проверка алертов санкционного скрининга платежей (OFAC)	agent	эксплуатация	65% алертов автоматизировано, 22 000 алертов/мес — WorkFusion/банк	успех	I2-PR-0058
ASML	Нидерланды (EU)	Прогноз валютной (FX) экспозиции для хеджирования закупок	predictive_ML	эксплуатация	точность 70→96%, экспозиция ↓$25–50 млн/мес — ASML/AFP	успех	I2-PR-0059
PSA Singapore	Сингапур	Оптимизация рейсов грузовиков-хаулеров порта (OptETruck)	predictive_ML, optimization	эксплуатация	порожние рейсы ↓50%+, CO2 ↓~10 млн кг/год — PSA	успех	I2-PR-0060
Standard Chartered + IBM	Сингапур / 30+ рынков	Распознавание и обработка документов документарной торговли (Trade AI Engine)	CV, NLP, predictive_ML	эксплуатация (с 2019)	качественно «снижение времени/трудозатрат», без числа — банк	неопределённый	I2-PR-0061
Maersk (платформа Keelvar)	Дания (EU)	Стратегический сорсинг и тендеры (RFP) по категориям расходов	optimization, RPA_automation	эксплуатация	$65 млрд расходов оптимизировано, 200 RFP за 1-й месяц, «недели → дни/часы» — Keelvar/Maersk	успех	I2-PR-0066

Показательные случаи

1. C.H. Robinson — от письма до отгрузки, но не «ИИ-native» (США). Компания описывает путь 2023 года («первый прорыв автоматизации», её слова) → 2024 (первые генеративные ИИ-агенты) → 2025 (масштабирование, пресс-релизы апреля и июня). До внедрения: ручная обработка 11 000 входящих email в день (точная цифра Trucking Dive) и подбор кода NMFC для LTL-груза, занимавший, по словам компании, 10+ минут. Сейчас ИИ-агент читает письмо, распознаёт запрос котировки, определяет класс/код NMFC за 3–10 секунд и передаёт заказ другому агенту для оформления; по данным компании (пресс-релиз 19.06.2025), свыше 75% LTL-заказов автоматизировано, экономия — «over 300 hours a day», а флот генеративных агентов выполнил свыше 3 млн задач (пресс-релиз 16.04.2025). Рост производительности компании на 30% в 2023–2024 годах публично связан с генеративным ИИ словами Arun Rajan (Chief Strategy and Innovation Officer). Независимое издание Trucking Dive подтверждает сам факт внедрения, но добавляет нюанс, которого нет в пресс-релизах компании: «shrinking workforce» в контексте роста автоматизации транзакционных задач. Это самый глубокий по охвату процесса случай раздела: меняется весь сквозной процесс грузоперевозки, а не отдельная задача. При этом ни сама компания, ни источники не называют её «AI-native» целиком — меняется процесс, а не операционная модель компании.

2. Тяньцзиньская таможня — ИИ подсказывает, решение принимает инспектор (Китай). Оборудование H986 работает с 1999 года; в 2014 году внедрён централизованный сетевой разбор снимков (机检, без ИИ); ИИ-версия «智能审图» — с 2018–2019 года; данные статьи — на апрель 2022 года. Сотрудник разбирает снимок контейнера «в помощь» системе «智能审图» за 3–5 секунд — источник дословно фиксирует, что решение принимает инспектор («关员在智能审图的辅助下审核»), а не система автономно. При проверке мы намеренно убрали два показателя, которые источник сам не связывает с ИИ: рост нагрузки на одного сотрудника с 10–20 до 60–70 снимков в день за 2009–2022 годы источник прямо объясняет ростом объёма экспорта «中国制造», а не ИИ; доля контейнеров, идущих через сканер, а не вручную (>60% среди уже отобранных к досмотру), связана с централизованной реформой 2014 года, предшествовавшей ИИ-версии. Это пример того, как легко приписать ИИ эффект, вызванный другими изменениями, и как выглядит корректно ограниченная, но реально работающая (production, с 2018–2019 года) практика.

3. ФТС России — пилот, план и открытый спор о факте (Россия). Три связанных кейса дают объёмную картину состояния российской таможни. Портальные инспекционно-досмотровые комплексы (ПИДК) с ИИ-анализом рентген-снимков по состоянию на интервью от 05.08.2025 тестируются на двух пунктах пропуска; глава ФТС В. Пикалёв формулирует цель — норматив прохождения пункта пропуска в 10 минут (президентская задача) и связывает снижение участия человека со снижением коррупционных рисков. Это план/цель, а не измеренный результат (I2-PR-0037). Параллельно контракт с ООО «АТ Консалтинг» (структура «Росатома») на модернизацию ЕАИС ТО с ИИ-модулями риск-анализа, диспетчеризации деклараций и прогноза нагрузки рассчитан до 15 марта 2028 года. Независимый эксперт (Ю. Швыдченко, «ТеДо») оценивает всё импортозамещение ИТ-стека ФТС (не только ИИ-часть) в 20–30 млрд рублей и «несколько лет», отмечая, что прежние сроки (2019, затем 2025) уже сорваны (I2-PR-0038). На этом фоне таможенно-логистический брокер eride.ru пишет (обновлено 24.03.2026, настоящее время): «В 2026 году ФТС использует нейросети для автоматической проверки кодов ТН ВЭД», включая сопоставление цены, инвойса, техпаспорта, фото упаковки и блокировку выпуска при расхождении («красный коридор»). Это прямо расходится с формулировкой самой ФТС того же периода (CNews, 08.05.2026): широкое применение ИИ в анализе деклараций «появится» только по итогам модернизации ЕАИС ТО, то есть как план, а не текущая практика. В реестре это зафиксировано как противоречие, а не как факт в пользу любой из сторон (I2-PR-0039): единственный источник этого утверждения — заинтересованная коммерческая сторона, продающая защиту от описываемых рисков.

4. Standard Chartered — шесть лет «production» без числа эффекта (Сингапур / 30+ рынков). Trade AI Engine, разработанный совместно с IBM, запущен 22.05.2019: OCR переводит бумажные/несканированные торговые документы в машиночитаемый формат, система классифицирует тип документа по предустановленной базе, NLP извлекает данные, модель непрерывно дообучается на переклассификации данных пользователем. На момент запуска банк указывал масштаб операций (свыше 36 млн страниц торговых документов и свыше 200 млн элементов данных для распознавания имён в год) — это объём, а не эффект. Собственный числовой результат («на сколько сократилось время обработки») банк не приводит нигде: только качественную формулировку о снижении времени и трудозатрат. Материал того же банка от октября 2025 года описывает опыт индустрии документарной торговли в целом как разочаровавший в прошлых технологических инициативах (blockchain, «closed digital islands» из-за закрытых бизнес-моделей платформ). Из-за этого контекста даже шестилетняя работающая система не выглядит как решённая задача отрасли. Исход — неопределённый.

5. «Умная» автоматизация — это не ИИ: три контрольных случая. При проверке мы намеренно убрали из карты практик три названных кейса, которые остаются полезны как калибровка, а не как практики ИИ. Kenya Revenue Authority (KRA): детальная статья (Techweez, Kevin Ngugi, 26.05.2026) описывает работающую систему iCMS/iSCAN/RECTS — автоматический приём манифестов, риск-движок, маршрутизирующий грузы «based on compliance history, cargo type, country of origin, and fraud indicators» (правила, не ML), электронные пломбы, распознавание номеров. Единственное упоминание ИИ во всей статье — пункт дорожной карты «deploy AI for scanner image analysis inside iSCAN», не реализованный на момент публикации; реальные измеренные эффекты (транзит Момбаса–Кампала 18→4 дня, оформление в порту 2 дня→<30 сек) относятся к цифровизации, а не к ИИ. Pentair × Sievo: кейс поставщика описывает SaaS-инструмент Sievo Spend Analytics («from weeks to just minutes», >90% точность классификации расходов, $15 млн экономии оборотного капитала) — слово «machine learning» встречается только в общем разделе «About Sievo» о платформе вендора в целом, не в описании самого кейса Pentair; по наградным значкам на последней странице материал, вероятно, датируется ~2018 годом. Погранпереход Юйигуань (友谊关, Гуанси — Вьетнам): перепечатка «Жэньминь жибао» (m.gmw.cn, 09.04.2025) описывает три «умные» (智慧/智能) системы с 2022 года — логистическую диспетчерскую платформу, автораспределение смотровых площадок по датчикам занятости (время ожидания −20%, оборачиваемость +35%) и цифровую карантинную систему — ни разу не употребляя слов «人工智能»/«AI»; более крупный проект «умного КПП» (10,62 млрд юаней, спутниковая навигация, 5G) описан как план, ещё не запущенный в опытную эксплуатацию. Все три случая показывают: риторика «умный»/«智慧»/«智能» в госорганах и вендорских материалах систематически шире, чем фактическое применение ML/GenAI, — стоит всегда проверять, называет ли первоисточник именно технологию, а не просто эффект автоматизации.

Что говорит независимая наука (P24/P27, HS-классификация)

Три научные работы этой волны сфокусированы на классификации товаров по гармонизированному коду (HS/HTS/ТН ВЭД) — самом формализуемом звене таможенного процесса — и рисуют картину заметно менее оптимистичную, чем заявления практикующих компаний и госорганов:

ATLAS (I2-SCI-0009, arXiv 2509.18400; авторы — сотрудники Flexify.AI) дообучил LLaMA-3.3-70B на 18 731 реальном решении (rulings) таможенной службы США (CBP, база CROSS) и получил 40,0% полностью верных классификаций на уровне 10 знаков (57,5% на уровне 6 знаков) — выше протестированных готовых моделей (GPT-5-Thinking — 25,0%/55,5%; Gemini-2.5-Pro-Thinking — 13,5%/31%), при инференсе дешевле в 5–8 раз. Даже лучший результат означает, что 6 из 10 товаров на полном коде классифицируются неверно без проверки человеком; независимого воспроизведения нет — оба автора работают в компании, продающей продукты для торгового комплаенса.
Детерминированный агентный конвейер для HS-классификации (I2-SCI-0010, arXiv 2605.14857; трое из семи авторов — сотрудники Главного таможенного управления КНР, GACC, Шанхай) даёт 64,2% top-1 точности на уровне 6 знаков (78,3% top-3) на бенчмарке HSCodeComp (632 товара) с топовой моделью Qwen3.6-plus; открытая модель Qwen3.6-27B-FP8 в том же конвейере совпадает с топовой в 84,2% случаев — выигрыш даёт архитектура (жёсткая последовательность стадий с обязательным цитированием тарифных примечаний), а не мощность модели. Текст называет систему прошедшей «несколько production-релизов», но не приводит данных о реальном объёме обработанных деклараций в GACC — заявленный статус эксплуатации количественно не подтверждён самим документом.
Консенсусный мультиагентный фреймворк для канадского 10-значного HTS-кода (I2-SCI-0036, arXiv 2606.16987, приватный датасет из 3 300 записей) даёт ещё более скромный результат: лучшая модель (Gemini-3.1-Pro) — 40,97% точности полного кода (59,45% в среднем по уровням иерархии); GPT-OSS-120B — 14,58%; Qwen3-30B — 6,94%. Авторы связывают это с «path-dependency» иерархии HS (ошибка на верхнем уровне рушит весь код) и настаивают на evidence-grounded, uncertainty-aware, human-in-the-loop процессах вместо полностью автономного однопроходного предсказания; перенос фреймворка в другую юрисдикцию, по их же оговорке, требует адаптации структуры кода и локальных правовых источников.

Общий вывод: даже в контролируемых офлайн-условиях с лучшими доступными моделями точность полной HS-классификации не превышает ~40–64% в зависимости от страны и уровня детализации — задача далека от автономной надёжности. Это перекликается с практикой: единственный найденный живой прототип классификации по ТН ВЭД («ВЭД Экспертиза», I2-PR-0040) даёт близкие по порядку цифры (74–82% на разных срезах, статус — R&D, не эксплуатация), а claim брокера eride.ru о том, что нейросети ФТС «уже» надёжно проверяют коды в промышленном режиме (I2-PR-0039), не подтверждён ни ФТС, ни наукой такого уровня зрелости технологии. Справочный проект WCO BACUDA (I2-SRC-0002, bacuda.wcoomd.org) — единственный найденный централизованный международный ресурс capacity-building по ИИ в таможне (модели AI-HS и обнаружения мошенничества DATE для стран-членов ВТамО) — публикует материалы о необходимых основах data governance, но количественных метрик эффективности собственных инструментов на сайте немного, независимая проверка не проводилась.

Региональное сравнение

Россия (4 практики: ФТС ×3, «ВЭД Экспертиза»). Ни одной подтверждённой практики уровня «эксплуатация» с измеренным эффектом: ПИДК — пилот на двух пунктах пропуска (I2-PR-0037), полноценный ИИ в ЕАИС ТО — план до 2028 года (I2-PR-0038), частный ML-прототип классификации кодов — R&D-эксперимент с точностью 74–82% (I2-PR-0040). Отдельно — открытое противоречие между заявлением брокера о «нейросетевом» контроле ТН ВЭД «уже сейчас» и словами самой ФТС о плановом характере (I2-PR-0039). Пробел: адресный поиск ИИ для поиска зарубежных поставщиков, для платёжных агентов трансграничных платежей и для автоматизации у таможенных представителей (Альта-Софт и др.) результата не дал.
Китай (3 практики: SIPG, Тяньцзиньская таможня, рынок Иу). Единственный регион с подтверждённой государственной эксплуатацией узкой ИИ-функции в таможне (Тяньцзинь, с 2018–2019 года, финальное решение — за инспектором) и с рыночной практикой продвижения товаров через генеративное видео (Иу/Chinagoods). Масштабный пилот автономных портовых грузовиков (SIPG, 92 машины, >10 млн км пробега) источник сам называет «испытаниями» несмотря на масштаб, а параллельный кейс «умного» погранперехода Юйигуань при ближайшем чтении вовсе не упоминает ИИ (см. «Показательные случаи») — риторику «智慧口岸» («умный порт/КПП») стоит проверять отдельно от факта применения ML/GenAI. Именованного отката или провала ИИ во внешней торговле Китая за два адресных поиска не найдено — пробел, а не отсутствие.
США/Европа/глобально (9 практик: Walmart, Flexport, банковский PoC LC, C.H. Robinson, Valley National, ASML, PSA Singapore, Standard Chartered, Maersk). Самый насыщенный кластер практик уровня «эксплуатация» с количественными заявлениями (C.H. Robinson, Valley National, ASML, PSA Singapore) — но все они самоотчёт компаний или их вендоров; независимой верификации ни для одной не найдено, только частичное подтверждение факта внедрения у C.H. Robinson независимым изданием (Trucking Dive). Здесь же — единственные найденные пилот/R&D-примеры по документам и таможне вне Китая/России (Flexport, банковский консорциум LC) и случай с явно неопределённым исходом при долгом сроке эксплуатации (Standard Chartered, с 2019 года, без раскрытого числового эффекта).
Пробел по регионам. Латинская Америка — адресный поиск не проводился. Африка и Ближний Восток — только как рынки Standard Chartered в пресс-релизе, без собственной именованной практики.

Пробелы

Поиск зарубежных поставщиков/контрагентов — два отдельных адресных поиска не дали именованного кейса; только рекламные листинги посредников без описанного ИИ-процесса.
Платёжные агенты трансграничных платежей (Китай–Россия) — отдельный адресный поиск: рынок агентов (A7, Platejka, ВЭД Агент, Moneyport) описан без упоминания ИИ/скоринга.
Латинская Америка как регион — целенаправленный поиск по ВЭД не проводился.
Именованный откат/провал ИИ именно во внешней торговле или таможне — не найден по итогам трёх адресных поисков; только обезличенные жалобы и смежный кейс — штраф Cadence Design Systems ($140 млн) за пробелы в denied-party screening, где причина — отсутствие автоматизации, а не её провал.
Фрахт/логистика как самостоятельная практика вне customs — найдены только вендорские блоги без клиента (Digiqt) или устаревший кейс без эффекта (CALISTA/PSA, 2020).
Автоматизация у российских таможенных представителей с явным ИИ (кроме заявления eride.ru) — адресный поиск (Альта-Софт и др.) результата не дал.
HS-классификация как отдельная работающая (не R&D) практика вне вендорских блогов — не найдена ни в одном регионе.

Что это значит для руководителя

Из материала следуют пять практических выводов для руководителя.

Ни на одном найденном примере таможенное оформление не проходит без финального решения человека. Там, где источник вообще уточняет его роль (Тяньцзинь: «сотрудник разбирает снимки с подсказками ИИ»; Flexport: подготовка исправлений, а не автоматическая подача), речь идёт о поддержке конкретного шага, а не об автономном сквозном процессе; закладывать в стратегию «ИИ сам растаможит» пока преждевременно.
Риторика «умного»/«智慧»/«智能» в госорганах и вендорских материалах систематически шире фактического применения ИИ (KRA, Pentair/Sievo, Юйигуань). Прежде чем опираться на чужой отчёт о «внедрении ИИ», стоит проверить, называет ли первоисточник именно ML/GenAI, а не автоматизацию по правилам.
Российский случай ФТС показывает практический риск: материал брокера утверждает текущую (2026) работу нейросетевого постконтроля ТН ВЭД, тогда как сама ФТС говорит о планах до 2028 года. Комплаенс-стратегия, выстроенная по такому материалу, рискует переоценить нынешние возможности регулятора (наблюдение из источников, не юридическая рекомендация).
Наука по HS-классификации (лучший результат — 40–64% полной точности) задаёт реалистичную планку для проекта автоматической классификации: цифры вроде 74–82% у российского R&D-прототипа или обещания «нейросетевой проверки» от брокера стоит сверять с тем, о какой выборке и каком уровне детализации кода идёт речь.
Там, где эффект заявлен количественно (C.H. Robinson, ASML, Valley National, Maersk/Keelvar, PSA Singapore), это неизменно самоотчёт компании или вендора; ни один из 16 случаев не имеет независимого подтверждения, поэтому решение об инвестиции стоит опирать на собственный измеримый пилот, а не на цифру из пресс-релиза.

Откуда данные и границы

Материал построен на 16 записях практик из раздела внешней торговли реестра (включая Walmart/Pactum и Maersk/Keelvar из раздела B2B — как закупочное звено внешнеторговой цепочки), трёх записях научных работ о HS-классификации и одном справочном источнике — проекте WCO BACUDA. Часть кейсов рассмотрена и не вошла в карту практик как контрольные случаи «ИИ не установлен»: Kenya Revenue Authority и Pentair/Sievo (сняты при разборе материалов по глобальной торговле), погранпереход Юйигуань/友谊关 (снят при разборе материалов по Китаю). Все записи прошли от одного до трёх раундов независимой проверки; у части («ФТС ПИДК», «ФТС постконтроль», Standard Chartered) остаются открытые незначительные замечания проверяющего, учтённые в тексте прямыми оговорками, а не сглаженные. Почти все количественные эффекты — заявления организаций или их вендоров; ни одного независимо измеренного случая уровня A/B прежнего синтеза E5 (125 исходов, из них 0 — Россия) в этом разделе нет, сравнивать напрямую нельзя. Регион отражает страну внедрения, как её указывает реестр, пересобранный координатором 25 сентября 2026 года (ASML — Европа/Нидерланды; Standard Chartered — Сингапур/другие рынки; банковский консорциум ANZ/HSBC/Lloyds/Microsoft — несколько стран).

Смежные документы итерации: Каталог практик и изменения, Индекс оригиналов и профиль мониторинга, B2C, B2B-продажи.