Правовой режим использования генеративного искусственного интеллекта в научной деятельности: авторство, достоверность и юридическая ответственность

• ЭРИАШВИЛИ Нодари Дарчоевичкандидат юридических наук, кандидат исторических наук, доктор экономических наук, профессор, почетный работник сферы образования РФ, лауреат премии Правительства РФ в области образования, профессор кафедры гражданского и трудового права, гражданского процесса Московского университета МВД России имени В.Я. Кикотя; профессор кафедры частного права Государственного университета управленияprofessor60@mail.ru

Статья посвящена формированию специального правового режима использования генеративного искусственного интеллекта в научной деятельности. Обосновывается, что действующее российское законодательство регулирует отдельные элементы соответствующих отношений — статус результата интеллектуальной деятельности, оборот информации, обработку персональных данных и общие требования к научной деятельности, — однако не устанавливает единых правил раскрытия применения ИИ, проверки сгенерированных сведений и распределения ответственности. Предлагается разграничивать вспомогательное, аналитическое и содержательно-генеративное использование ИИ. Авторство научного произведения сохраняется только за физическим лицом, которое определило замысел, методологию и выводы, осуществило содержательную верификацию и способно нести ответственность за результат. Разработана модель обязательной декларации использования ИИ, журнала проверяемости источников и риск-ориентированного контроля научной организации или редакции. Сформулированы предложения о дополнении Федерального закона «О науке и государственной научно-технической политике» нормами о цифровой научной добросовестности.

Ключевые слова: научная деятельность, генеративный искусственный интеллект, научная добросовестность, авторство, интеллектуальные права, достоверность, раскрытие использования ИИ, юридическая ответственность

Образование и наука № 2 (апрель-июнь) 2026 г. 12 Постановка проблемы Генеративные модели перестали быть исключительно экспериментальным инструментом и вошли в повседневный цикл научной работы:

они используются для поиска исследовательских гипотез, структурирования текста, обработки массивов данных, программирования, перевода, подготовки иллюстраций и первичного обзора литературы. Систематический обзор современных практик показывает, что наиболее востребованы генерация идей, структурирование материала, синтез литературы, управление данными и редакционная обработка текста [12]. Одновременно возникло принципиально новое юридическое обстоятельство: между исследователем и итоговым научным текстом появляется автономно функционирующий информационный посредник, способный создавать правдоподобное, но недостоверное содержание.

Действующее российское право исходит из антропоцентрической модели науки и творчества.

Федеральный закон от 23 августа 1996 г. № 127-ФЗ связывает научную деятельность с получением и применением новых знаний, но не определяет правила использования генеративных систем в процессе получения научного результата [1]. Часть четвертая Гражданского кодекса Российской Федерации признает автором гражданина, творческим трудом которого создано произведение [2]. Законы об информации и о персональных данных устанавливают общие требования к обороту сведений и обработке данных [3; 4]. В результате правовое регулирование оказывается фрагментарным: нормы существуют, но не соединены в специальный режим научной добросовестности в цифровой среде.

Актуальность проблемы усиливается тем, что Национальная стратегия развития искусственного интеллекта в редакции 2024 г. ориентирует государство на широкое внедрение технологий ИИ, развитие фундаментальных и прикладных исследований и формирование доверия к таким технологиям [5]. Следовательно, запретительная модель не соответствует стратегическим целям. Требуется разрешительный, но контролируемый режим, который сохраняет технологические преимущества и одновременно обеспечивает проверяемость научного знания.

Цель статьи состоит в разработке юридической конструкции использования генеративного ИИ в научной деятельности. Для ее достижения применены формально-юридический, сравнительно-правовой, системный и риск-ориентированный методы. Научная новизна заключается в обосновании категории «цифровая научная добросовестность», дифференциации режимов применения ИИ и формулировании механизма юридически значимого раскрытия такого применения.

1. Генеративный ИИ как элемент научной деятельности, а не самостоятельный субъект Правовая квалификация должна начинаться не с вопроса о «правосубъектности» модели, а с определения функции технологии в конкретном исследовательском процессе. Генеративная система не формирует собственную научную цель, не обладает правовым интересом, не принимает на себя обязанность исправить ошибку и не может отвечать перед редакцией, грантодателем, работодателем или обществом. Поэтому наделение ее статусом автора разрушило бы связь между интеллектуальным вкладом и ответственностью. Международные редакционные стандарты исходят из того же подхода: COPE прямо исключает возможность указания ИИ в качестве автора [10], а рекомендации ICMJE требуют сохранять ответственность за точность, оригинальность и корректность ссылок за людьми [11].

Вместе с тем простое утверждение, что ИИ является лишь техническим средством, недостаточно. Калькулятор воспроизводит детерминированную операцию, тогда как генеративная модель предлагает вероятностно сформированный текст, код или изображение, способные существенно повлиять на постановку вопроса и выводы. Поэтому юридически значим не сам факт использования программы, а степень ее влияния на содержание научного результата.

Предлагается выделить три режима. Первый — вспомогательный: проверка орфографии, перевод под контролем автора, форматирование, техническое преобразование данных. Он сопоставим с использованием обычного программного обеспечения и, как правило, не требует раз - вернутого раскрытия. Второй — аналитический: кластеризация данных, построение моделей, по- иск закономерностей, подготовка кода, ранжи- рование источников. Здесь требуется описание инструмента, версии, исходных данных и проце- дуры проверки в разделе методологии. Третий — содержательно-генеративный: создание фрагмен- тов текста, аргументов, выводов, интерпретаций, обзора литературы либо изображений, включаемых в публикацию. Такой режим требует специальной декларации и повышенной проверки.

Данная классификация согласуется с риск-ориентированной логикой европейского Акта об искусственном интеллекте, который дифференцирует требования в зависимости от назначения и потенциального вреда системы, а также уста- Образование и наука № 2 (апрель-июнь) 2026 г. 13 навливает отдельные обязанности в отношении моделей общего назначения [6]. Научная деятельность не должна механически копировать европейские категории риска, однако сам принцип пропорциональности контроля полезен: чем сильнее модель влияет на доказательственную и смысловую часть исследования, тем выше требования к прозрачности и человеческому надзору.

В российской доктрине обоснованно подчеркивается необходимость смещения акцента с абстрактного признания ИИ субъектом на регулирование использования созданных с его помощью решений и результатов [18]. Современная концепция перформативного авторства также демонстрирует, что охрана должна зависеть от проверяемого человеческого созидательного вклада, а не от формального предъявления готового цифрового артефакта [19]. Для научных произведений этот тезис имеет особую силу: охраняется форма, но общественная ценность публикации определяется еще и достоверностью знания.

2. Авторство и интеллектуальные права на научный результат В соответствии со статьями 1228 и 1257 ГК РФ автором результата интеллектуальной деятельности является гражданин, творческим трудом которого он создан [2]. Отсюда следует, что полностью автономно сгенерированный материал не приобретает автора в гражданско-правовом смысле. Пользователь модели также не становится автором автоматически: ввод темы или общего запроса может быть организационным действием, не достигающим уровня творческого вклада.

Для признания исследователя автором научного произведения, подготовленного с использованием ИИ, предлагается применять совокупность критериев: самостоятельное определение проблемы и гипотезы; выбор методологии; формирование структуры доказательства; критический отбор и переработка сгенерированного содержания; проверка источников и данных; формулирование выводов; способность объяснить ход исследования и воспроизвести основные операции. Ни один промпт сам по себе не заменяет эти элементы. Авторство возникает не из факта управления интерфейсом, а из контролируемого интеллектуального процесса.

Необходимо различать авторство произведения и права на исходные материалы. Научный текст может содержать фрагменты, статистические данные, изображения или программный код, воспроизводящие охраняемые объекты. Генеративная модель не предоставляет пользователю гарантии правовой чистоты результата. WIPO указывает на необходимость оценки рисков, связанных как с обучающими данными, так и с создаваемым контентом [9]. Следовательно, исследователь обязан проверять происхождение заимствований и получать разрешения в тех случаях, когда свободное использование неприменимо. Особую проблему образует машинное перефразирование. Формальное отсутствие буквального совпадения не исключает неправомерного присвоения научной идеи, структуры аргументации или результатов чужого исследования. В правовом смысле идеи и методы сами по себе не охраняются авторским правом, однако их недобросовестное представление как собственных может нарушать требования академической этики, условия договора, локальные акты организации и правила редакции. Поэтому антиплагиатная проверка должна дополняться содержательной экспертизой происхождения тезисов.

Предлагается закрепить презумпцию человеческого авторства при раскрытом и добросовестном использовании ИИ. Если автор описал роль модели, сохранил материалы проверки и способен подтвердить собственный определяющий вклад, применение технологии не умаляет его прав. Сокрытие содержательно-генеративного использования, напротив, должно рассматриваться как обстоятельство, опровергающее достоверность заявления об авторском вкладе и способное повлечь отказ в публикации, отзыв статьи или дисциплинарные последствия.

3. Достоверность научного знания и проблема «галлюцинаций» Основной публично-правовой риск генеративного ИИ в науке состоит не в создании нового объекта авторского права, а в производстве непроверенного знания с внешними признаками научности. Исследование 243 случаев искаженной ин- формации позволило выделить восемь крупных групп ошибок, включая необоснованную фабри- кацию, фактические, логические, математические и текстовые ошибки [14]. Для научной публикации особенно опасны вымышленные источники, неверные реквизиты нормативных актов, несуще- ствующие судебные решения и ссылки, которые формально существуют, но не подтверждают те- зис. Эмпирические данные подтверждают системность проблемы. В исследовании качества ссы- лок семи крупных языковых моделей от 50 до 90 процентов ответов оказались не полностью под- тверждены указанными источниками; даже при использовании веб-поиска значительная часть от- дельных утверждений оставалась без надлежащей опоры [15]. Ранее было показано, что библиогра- фические ссылки, создаваемые ChatGPT, нередко содержат фабрикации и ошибки [16]. В 2026 г. Nature сообщило о признаках массового проникновения недействительных ссылок в научные пу- бликации 2025 г. [17]. Юридическое значение таких ошибок различается. Непреднамеренная неточность может повлечь исправление публикации. Грубая не- брежность при отсутствии проверки — дисци- плинарную, договорную или репутационную ответственность. Сознательное включение вы - Образование и наука № 2 (апрель-июнь) 2026 г. 14 мышленных данных или ссылок для имитации доказанности должно квалифицироваться как форма фальсификации научного результата.

Если недостоверный материал используется в отчете по государственному заданию, гранту, экспертизе безопасности либо становится основанием управленческого решения, возможны имущественные и публично-правовые последствия.

Категория цифровой научной добросовестности может быть определена как обязанность исследователя обеспечивать прослеживаемость происхождения цифрового содержания, проверяемость фактов и ссылок, прозрачность существенного использования алгоритмических инструментов и сохранение человеческого контроля над выводами. Она конкретизирует общую добросовестность применительно к гибридному человеко-машинному производству знания.

Минимальный стандарт проверки должен включать: открытие и чтение каждого цитируемого источника; сверку автора, названия, года, страниц и DOI; подтверждение того, что источник действительно поддерживает конкретный тезис; проверку реквизитов нормативных актов по официальным базам; повторный расчет числовых результатов независимым способом; фиксацию версии модели и даты обращения. Простая фраза «текст проверен автором» не создает достаточной доказательственной базы. 4. Конфиденциальность, персональные данные и охраняемая информация Использование внешнего сервиса ИИ означает передачу данных оператору цифровой платформы. В научной работе такими данными могут быть неопубликованные рукописи, результаты эксперимента, персональные данные участников исследования, врачебная, коммерческая или иная охраняемая законом тайна. Федеральные законы № 149-ФЗ и № 152-ФЗ требуют соблюдения режима доступа к информации и законных оснований обработки персональных данных [3; 4]. Однако исследователь нередко воспринимает диалог с моделью как локальную работу с текстовым редактором, не оценивая трансграничную передачу, хранение запросов и возможность их использования для улучшения сервиса.

Международные редакционные рекомендации запрещают загружать конфиденциальные рукописи в системы, которые не обеспечивают соответствующий режим, поскольку это нарушает тайну рецензирования и привилегированный характер коммуникации [11]. Такой же подход должен распространяться на диссертационные советы, грантовую экспертизу и внутреннюю оценку проектов.

Научная организация обязана утвердить перечень допустимых сервисов и классов данных.

Для открытых материалов возможно использование общедоступных моделей. Для обезличенных исследовательских данных — только при документированной оценке риска повторной идентификации. Для сведений ограниченного доступа — локальные модели или защищенная инфраструктура, исключающая передачу третьим лицам. Нарушение этих правил следует рассматривать отдельно от недостоверности результата:

даже корректный ответ модели может быть получен неправомерным способом.

5. Модель правового регулирования и распределение ответственности Международные документы формируют устойчивый консенсус относительно человекоцентричности, прозрачности и подотчетности ИИ. Рекомендация ЮНЕСКО по этике искусственного интеллекта закрепляет принципы человеческого надзора, безопасности и ответственности [7]. Руководство ЮНЕСКО по генеративному ИИ в образовании и исследованиях предлагает государствам разрабатывать долгосрочную политику и укреплять способность человека контролировать технологию [8]. COPE и ICMJE переводят общие принципы в редакционные обязанности раскрытия [10; 11].

Российская модель должна быть многоуровневой. На уровне закона необходимо закрепить основные обязанности и гарантии. На уровне Правительства Российской Федерации или уполномоченного органа — утвердить рамочные требования к использованию ИИ в исследованиях, финансируемых из бюджета. На уровне научной организации, диссертационного совета и редакции — установить конкретные процедуры с учетом отраслевых рисков.

В Федеральный закон № 127-ФЗ целесообразно включить статью «Использование систем искусственного интеллекта в научной и науч- но-технической деятельности». В ней следует за- крепить: право исследователя применять ИИ при сохранении человеческого контроля; обязанность раскрывать существенное влияние системы на со- держание и методы; запрет указывать систему ИИ в качестве автора; обязанность проверять факты, ссылки и данные; запрет передавать сведения ограниченного доступа без законного основания; обязанность научной организации утвердить ло- кальную политику и обеспечить обучение работ- ников. Юридически значимым документом должна стать декларация использования ИИ. В ней ука- зываются наименование и версия системы, дата использования, цели, категории переданных дан- ных, части исследования, в которых применялся инструмент, и способы проверки. Декларация не обязательно публикуется полностью, но хранится вместе с материалами исследования. Для публикации достаточно стандартизированного сообщения, например: «Генеративный ИИ использовался для языкового редактирования и первичной классификации источников; все ссылки и выводы проверены автором». При содержательной гене- Образование и наука № 2 (апрель-июнь) 2026 г. 15 рации требуется более подробное описание.

Второй элемент — журнал проверяемости.

Он включает перечень сгенерированных тезисов, подтверждающие источники, результаты сверки и сведения о внесенных исправлениях. Такой журнал выполняет доказательственную функцию при споре об авторстве, добросовестности или качестве исследования. Его ведение обязательно для работ высокого риска: медицинских, инженерных, юридических заключений, исследований, влияющих на безопасность и государственное управление.

Ответственность должна распределяться по принципу контролируемой сферы риска. Исследователь отвечает за содержание представленного результата и соблюдение режима данных.

Научная организация отвечает за отсутствие необходимых правил, обучения и защищенной инфраструктуры. Редакция отвечает за соблюдение собственной процедуры, но не подменяет автора в проверке первичных данных. Разработчик или оператор ИИ несет ответственность в пределах законодательства и договора за свойства сервиса, безопасность и предоставленную информацию о его ограничениях. Перенос всей ответственности на пользователя несправедлив, но освобождение пользователя ссылкой на ошибку модели также недопустимо.

Санкции должны быть пропорциональны.

Для несущественного нераскрытия — требование дополнить декларацию. Для небрежной публикации недостоверных ссылок — исправление, предупреждение, отзыв публикации, возврат финансирования в предусмотренных договором случаях. Для сознательной фабрикации данных — признание нарушения научной этики, дисциплинарные меры и иные виды ответственности при наличии состава правонарушения. Автоматические детекторы ИИ-текста не могут быть самостоятельным доказательством нарушения из-за вероятностного характера; решение должно основываться на совокупности материалов и праве автора дать объяснения.

Предлагаемая модель не тормозит инновации.

Напротив, она снижает неопределенность: исследователь понимает допустимые способы применения технологии, редакция получает единый стандарт, а общество — гарантии происхождения и проверяемости научного знания. Комментарий о генеративном ИИ как «друге или враге» научного письма справедливо сводит проблему к качеству институциональных правил, а не к самой технологии [13].

Заключение

Генеративный искусственный интеллект изменяет не только техническую сторону подготовки научных текстов, но и юридическую архитектуру научной деятельности. Он усиливает продуктивность, однако создает новые риски недостоверности, неясности авторского вклада, нарушения интеллектуальных прав и утечки охраняемой информации.

Действующее российское законодательство позволяет разрешать отдельные споры, но не формирует целостного превентивного режима.

Основным объектом регулирования должен быть не «электронный субъект», а поведение участников научного процесса при использовании технологии. Автором может быть только физическое лицо, сохранившее определяющий творческий и методологический вклад, проверившее результат и принявшее ответственность.

Предложенная конструкция цифровой научной добросовестности включает дифференциацию способов использования ИИ, обязательную декларацию существенного применения, журнал проверяемости, ограничения на передачу данных и риск-ориентированный институциональный контроль. Закрепление этих элементов в Федеральном законе № 127-ФЗ и локальных актах научных организаций позволит соединить свободу научного творчества, развитие технологий и доверие к результатам российской науки.

Список литературы

1. О науке и государственной научно-технической политике: Федеральный закон от 23.08.1996 № 127-ФЗ // Собрание законодательства Российской Федерации. 1996. № 35. Ст. 4137.
2. Гражданский кодекс Российской Федерации (часть четвертая): Федеральный закон от 18.12.2006 № 230-ФЗ // Собрание законодательства Российской Федерации. 2006. № 52 (ч. 1). Ст. 5496.
3. Об информации, информационных технологиях и о защите информации: Федеральный закон от 27.07.2006 № 149-ФЗ // Собрание законодательства Российской Федерации. 2006. № 31 (ч. 1). Ст. 3448.
4. О персональных данных: Федеральный закон от 27.07.2006 № 152-ФЗ // Собрание законодательства Российской Федерации. 2006. № 31 (ч. 1). Ст. 3451.
5. О развитии искусственного интеллекта в Российской Федерации: Указ Президента Российской Федерации от 10.10.2019 № 490 (в ред. Указа Прези- дента Российской Федерации от 15.02.2024 № 124) // Официальный интернет-портал правовой информации. URL: publication.pravo.gov.ru (дата обращения: 19.07.2026).
6. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act) // Official Journal of the European Union. 2024. L 2024/1689.
7. Recommendation on the Ethics of Artificial Intelligence. Paris: // UNESCO, 2021. URL: unesdoc. unesco.org/ark:/48223/pf0000381137 (дата обращения: 19.07.2026).
8. Miao F., Holmes W. Guidance for Generative AI in Education and Research. Paris: UNESCO, 2023. 44 p.
9. Generative AI: Navigating Intellectual Property. Geneva: // World Intellectual Property Organization, 2024. URL: wipo.int/publications/en/details.jsp?id=4713 Образование и наука № 2 (апрель-июнь) 2026 г. 16 (дата обращения: 19.07.2026).
10. Authorship and AI Tools: COPE Position Statement. // Committee on Publication Ethics, 2023. URL: publicationethics.org/guidance/cope-position/authorship-and-ai-tools (дата обращения: 19.07.2026).
11. Recommendations for the Conduct, Reporting, Editing, and Publication of Scholarly Work in Medical Journals. Updated January 2026. International Committee of Medical Journal Editors. // International Committee of Medical Journal Editors. URL: icmje.org/ recommendations/ (дата обращения: 19.07.2026).
12. Khalifa M., Albadawy M. Using Artificial Intelligence in Academic Writing and Research: An Essential Productivity Tool // Computer Methods and Programs in Biomedicine Update. 2024. Vol. 5. Art. 100145.
13. Cohen J. F., Moher D. Generative Artificial Intelligence and Academic Writing: Friend or Foe? // Journal of Clinical Epidemiology. 2025. Vol. 179. Art. 111646.
14. Sun Y., Sheng D., Zhou Z., Wu Y. AI Hallucination: Towards a Comprehensive Classification of Distorted Information in Artificial Intelligence- Generated Content // Humanities and Social Sciences Communications. 2024. Vol. 11. Art. 1278.
15. Wu K., Wu E., Wei K. et al. An Automated Framework for Assessing How Well LLMs Cite Relevant Medical References // Nature Communications. 2025. Vol. 16. Art. 3615.
16. Walters W. H., Wilder E. I. Fabrication and Errors in the Bibliographic Citations Generated by ChatGPT // Scientific Reports. 2023. Vol. 13. Art. 14045.
17. Naddaf M., Quill E. Hallucinated Citations Are Polluting the Scientific Literature. What Can Be Done? // Nature. 2026. 1 April. // Nature. URL: nature.com/articles/ d41586-026-00969-z (дата обращения: 19.07.2026).
18. Ли Яо. Особенности нормативно-правового регулирования генеративного искусственного интеллекта в Великобритании, США, Евросоюзе и Китае // Право. Журнал Высшей школы экономики. 2023. Т. 16. № 3. С. 245–267.
19. Будник Р. А. Правовая концепция перформативного авторства // Право. Журнал Высшей школы экономики. 2026. Т. 19. № 1. С. 81–111.

Скачать