Документы компании нельзя в ChatGPT? Как внедрять ИИ без риска

Коротко

«Нам нельзя. Служба безопасности» - это не приговор

«У нас данные чувствительные. Нельзя.»

Эту фразу я слышу почти на каждом согласовании воркшопа с крупным банком, фармкомпанией или юрфирмой. Служба безопасности запрещает выносить рабочие документы в облачные сервисы, комплаенс стоит на страже, и у руководителя опускаются руки: «выходит, вся эта история с нейросетями не про нас».

На практике вывод ровно обратный. «Нельзя грузить в ChatGPT» - это ограничение на один конкретный сервис и на один способ работы. Это не приговор всему ИИ. Разница как между «нельзя хранить наличку в открытом ящике» и «значит, деньги нам не нужны». Деньги нужны - нужен сейф.

И вот тут самое интересное. Компании, которые из-за строгого комплаенса тормозили с ИИ, часто в итоге строят у себя более взрослую систему, чем те, кто радостно грузит всё подряд в первое попавшееся облако. Потому что их с самого начала заставили думать про безопасность, а не про красивое демо.

Сформулирую тезис, который для меня сквозной: внедрение ИИ начинается не с выбора сервиса, а с безопасности, санитарии данных и понимания, какие процессы вообще стоит автоматизировать. Сервис - последний вопрос, а не первый.

Но чтобы построить контур, сначала надо понять, что именно мы защищаем. Не все данные одинаково секретны.

Где на самом деле проходит граница чувствительных данных?

Главная ошибка - грести всё под одну гребёнку: «у нас всё конфиденциальное». Так не бывает. Если разложить рабочий поток по полочкам, окажется, что настоящая стоп-зона - это меньшая часть.

Я предлагаю делить данные на три корзины.

Это и есть санитария данных - гигиена, привычка понимать, что куда можно нести. Как на кухне ресторана: сырое и готовое не режут на одной доске. Не потому что паранойя, а потому что так устроен процесс.

Когда я провожу такое разделение на воркшопе, руководители обычно выдыхают. Выясняется, что 70-80% их повседневных задач - это первые две корзины: свести таблицу, переписать регламент по-человечески, собрать обзор конкурентов, подготовить структуру совещания. Сюда ИИ заходит спокойно, и внедрение можно начинать хоть завтра.

Остаётся стоп-зона. С ней тоже можно работать - просто по другим правилам. Первое правило самое простое: спрятать секрет, отдав суть.

Обезличивание: как отдать нейросети суть, спрятав секрет

Обезличивание - самый недооценённый приём. Смысл простой: нейросети для работы почти никогда не нужны реальные фамилии, ИНН и суммы. Ей нужна структура и задача.

Возьми договор. Замени «ООО Ромашка» на «Сторона А», реальные суммы - на условные, ФИО подписантов - на «Иванов И.И.». Структура, формулировки, юридическая логика остались - а персональных данных и коммерческой тайны больше нет. Теперь этот документ можно нести в облако: пусть ИИ найдёт слабые места, сравнит две редакции, соберёт таблицу расхождений.

Именно так это работает у меня на обучении. Когда я готовлю воркшоп для юрфирмы, домашка заказчику - прислать две обезличенные версии одного договора. На занятии участники загружают их в инструмент и получают разбор: что изменилось между редакциями, где риск. Реальных сторон в документе нет - а навык отрабатывается на настоящей структуре их же договоров. То же с финансовыми таблицами: обезличенный Excel, где цифры условные, а логика расчёта родная.

Но честно, без магии: у обезличивания есть потолок. Иногда сама структура сделки настолько уникальна, что даже без имён по ней узнают, о ком речь. И есть данные, которые нельзя выпускать наружу вообще ни в каком виде - врачебная тайна, гостайна, чувствительные банковские операции. Тогда обезличивания мало. Нужно, чтобы наружу не уходило ничего. Совсем.

Локальные модели: ИИ, который не выходит за периметр

Когда данные нельзя выносить совсем, логику переворачивают. Не ты отправляешь документ на чужой сервер - а модель ставят внутри твоего контура. Данные остаются дома, ИИ приходит к ним. Это называется локальное, или on-premise, развёртывание.

Разберём простым языком. Публичный ChatGPT живёт на чужих серверах за границей: любой документ, который ты туда отправил, физически ушёл наружу. Локальная модель ставится на сервер компании и работает за тем же файрволом, что и вся остальная корпоративная система. Наружу не уходит ничего.

Это не экзотика. В России такое уже поставлено на поток. Например, у корпоративной версии GigaChat есть локальная конфигурация - именно для банков и объектов критической инфраструктуры, где данные не должны покидать контур; по данным Сбера, около двух третей корпоративных контрактов идут как раз в формате on-premise или приватного облака. Плюс есть открытые (open-source) модели, которые ИТ-команда разворачивает на своих мощностях. Внутри такого контура можно поднять и корпоративного ИИ-агента - помощника, который работает с внутренними документами, ни байта не отправляя во внешний мир.

Один пример из моей практики (обезличенно). Готовил обучение для компании из сферы MedTech - там медицинские данные и работа с госзаказчиком, публичные облака под запретом. Часть программы мы строили не на общедоступном ChatGPT, а на локальном решении, которое партнёр развернул в их контуре. Задачи те же - анализ документов, помощник по продукту, - а данные за периметр не уходят.

Итак, инструмент выбран, контур построен. Но остаётся вопрос, о который спотыкаются чаще всего: а на чём, собственно, учить людей, если реальные данные трогать нельзя?

На чём учить команду, если реальные данные трогать нельзя?

Тут срабатывает красивый парадокс. Чтобы научиться работать с чувствительными данными, чувствительные данные не нужны. Нужны данные, которые на них похожи.

Это синтетические, или учебные, данные - выдуманные примеры, которые повторяют форму настоящих, но не содержат ни одной реальной записи. Учебный договор, учебная таблица продаж, учебная база «клиентов» с вымышленными Ивановыми. Навык постановки задачи, проверки результата, работы с документом отрабатывается один в один - а утекать нечему, потому что там изначально нет ничего настоящего.

1. Возьми реальный процесс

   Выбери задачу, которую команда делает руками: разбор договора, сведение отчёта, ответ на типовое обращение.

2. Собери учебный пример

   Попроси нейросеть сгенерировать выдуманный документ той же структуры - или обезличь один реальный до полной неузнаваемости.

3. Отработай навык на нём

   Вся группа тренируется на учебных данных: формулирует запрос, спорит с ответом, проверяет результат.

4. Перенеси в контур

   Отлаженный приём применяется к боевым данным - но уже в защищённой среде, по правилам санитарии.

Отдельно про дисциплину доступа. Когда я делал программу для крупного банка, мы с заказчиком отдельно проговорили: у каждого участника - свой личный аккаунт, делить один на нескольких нельзя. И первый модуль всегда одинаковый - не «вау-фишки», а безопасность данных и границы применимости. Сначала люди понимают, что можно и что нельзя, и только потом - что умеет инструмент. Порядок нарушать нельзя, иначе кто-нибудь на радостях загрузит в облако то, что нельзя.

Чтобы агент работал с обезличенными образцами как знающий сотрудник, а не как случайный человек с улицы, ему подкладывают файлы-инструкции - это второй мозг проекта, тот же принцип контекст-инжиниринга, только на учебных, а не на боевых данных.

Инструменты выбраны, люди обучены. Но всё это - ещё не внедрение. Осталось собрать из кусочков систему.

С чего начать: не с сервиса, а с карты процессов

Почти все начинают с конца: «давайте выберем нейросеть». А правильный порядок обратный. Сначала - что и зачем автоматизируем, потом - какие там данные, и уже в самом конце - чем это делать.

1. Карта процессов

   Выпиши повторяющиеся задачи команды. Где уходит время, где рутина - там и кандидаты на ИИ.

2. Классификация данных

   Разложи задачи по трём корзинам чувствительности. Сразу видно, что можно запускать быстро, а что требует контура.

3. Быстрые победы

   Начни с открытых и внутренних данных - там результат в деньгах и часах виден уже на первой неделе, без капитальных вложений.

4. Контур под стоп-зону

   Параллельно проектируй закрытое решение для чувствительного - это долгий трек, его нельзя откладывать «на потом».

5. Обучение и правила

   Учи команду на синтетике и закрепи санитарию данных письменным правилом, а не «ну вы там аккуратнее».

Такой порядок разбирается пошагово в отдельном гайде о том, как внедрить ИИ в компанию, а как выбрать, за какой процесс браться первым, помогает прикидка ROI от внедрения ИИ: бери задачу, где эффект быстрее всего виден в цифрах.

И держи в голове, зачем всё это. Оборотные штрафы - не пугалка из презентации. С 30 мая 2025 года в России за утечку персональных данных ввели их всерьёз: за повторную утечку - от 1 до 3% годовой выручки, для банков процент считают от собственных средств. За 2025 год первые компании уже получили взыскания, и практика будет только нарастать. Безопасный контур - это не про «перестраховаться», это про сохранить деньги и лицензию.

Частые вопросы

Главный вывод

Если свести всё к одному: запрет грузить документы в публичное облако - это не стена, а условие задачи. Условие, которое решается. Обезличивание закрывает большинство случаев, локальный контур - самые строгие, обучение на синтетике снимает страх «а вдруг кто-то загрузит не то».

ИИ не заменяет твою команду - он её усиливает. Но усиление достаётся тем, кто выстроил безопасный контур, а не тем, кто ждал у моря погоды, пока «станет можно». В регулируемых отраслях окно возможностей открыто ровно для тех, кто научился работать с ограничениями, а не пугаться их.

Как думаешь: строгий комплаенс в банках, фарме и юрсекторе - это тормоз, который отдаст рынок тем, кто рискует и грузит всё в облако, - или, наоборот, фундамент, без которого в этих отраслях ИИ вообще не приживётся всерьёз?

Если хочешь провести своей команде такое обучение - с разбором ваших процессов, классификацией данных и работой в безопасном контуре, а не на абстрактных примерах, - я провожу интенсив по нейросетям для бизнеса: без магии, по делу, под ваш комплаенс.