# Документы компании нельзя в ChatGPT? Как внедрять ИИ без риска

Запрет грузить документы в ChatGPT - не повод бросать ИИ. Где проходит граница чувствительных данных, как обезличивать и когда нужен локальный контур.

URL: https://posts.danashkin.ru/guides/chuvstvitelnye-dannye-i-neyroseti-v-kompanii
Обновлено: 2026-08-10

---

## Коротко

**Главное**

- «Нам нельзя грузить документы в ChatGPT» - это не повод отказаться от ИИ, а повод построить безопасный контур. Внедрение начинается не с выбора сервиса, а с безопасности и санитарии данных.
- Сначала раздели данные по чувствительности. Большая часть рабочих задач - на открытых или внутренних данных, туда ИИ заходит спокойно. Стоп-зона - персональные данные клиентов, банковская, врачебная, коммерческая тайна.
- Для стоп-зоны есть три хода: обезличивание (отдаёшь суть, прячешь секрет), локальная модель в закрытом контуре (данные не выходят за периметр), обучение команды на синтетических «учебных» примерах.
- В России с 30 мая 2025 года за утечку персональных данных ввели оборотные штрафы - до 3% годовой выручки. Это уже не теория, а статья расходов.
- Кому это: руководителю в банке, фарме, юрфирме, госсекторе - там, где комплаенс запрещает публичные модели, но отставать от рынка тоже нельзя.

## «Нам нельзя. Служба безопасности» - это не приговор

**Главное**

Запрет грузить документы в публичный ChatGPT - реальность банков, фармы, юристов и госсектора. Но это ограничение на один сервис, а не запрет на ИИ. Правильная реакция - не «значит, нам рано», а «значит, нам нужен свой контур».

«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?

**Главное**

Не всё «рабочее» - секретное. Раздели данные на три корзины: открытые (можно в любое облако), внутренние рабочие (осторожно, обезличивая) и стоп-зона (персональные данные клиентов, банковская, врачебная, коммерческая тайна, гостайна). Большинство задач живёт в первых двух.

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.

| Корзина | Что это | Можно ли в публичное облако |
|---|---|---|
| Открытые | Тексты для сайта, посты, обзоры рынка, публичная аналитика, черновики без цифр | Да, свободно |
| Внутренние рабочие | Шаблоны писем, регламенты, обезличенные таблицы, учебные примеры | Осторожно, обезличив реальные имена и цифры |
| Стоп-зона | Персональные данные клиентов, банковская и врачебная тайна, коммерческая тайна, гостайна, B2G | Нет. Только обезличивание или закрытый контур |

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

**Главное**

Обезличивание (маскирование) - это замена реальных имён, номеров и сумм на условные с сохранением структуры. Нейросеть видит форму документа и делает работу, но не видит, чья это сделка. Так на воркшопах юристы сравнивают версии договоров, а финансисты анализируют таблицы - на обезличенных копиях.

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.

**Как обезличить быстро**

Не делай это вручную по одному слову - устанешь и пропустишь. Три рабочих способа: 1) «найти и заменить» в самом Word/Excel по списку реальных названий; 2) попросить обезличить локальный инструмент, который не выходит в интернет; 3) для типовых документов один раз собрать шаблон-«рыбу» с условными данными и работать всегда на нём. Главное - после замены перечитай глазами: одна забытая фамилия обнуляет всю затею.

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

**Главное**

Если данные нельзя выпускать наружу вообще - модель приходит к данным, а не данные к модели. Это локальное (on-premise) развёртывание: нейросеть работает на серверах компании, внутри защищённого контура. Дороже и требует ИТ - но данные физически не покидают 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](/concepts/ai-agent) - 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.

**Честно про минусы**

Локальный контур - не бесплатный обед. Он дороже облака, требует своих серверов и живого ИТ-отдела, а сами модели «в коробке» обычно чуть слабее самых топовых облачных. Это нормальный размен: ты платишь удобством и мощностью за то, что данные никогда не покидают компанию. Для банка или клиники этот размен очевиден. Для пекарни у дома - избыточен. Выбирай по реальной чувствительности, а не по страху.

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?

**Главное**

Учи на синтетических данных - выдуманных примерах, которые структурно повторяют реальные, но не содержат ни одной настоящей записи. Команда набивает навык на «учебном» договоре или таблице, а потом переносит его на боевые данные уже в защищённом контуре.

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](/concepts/vtoroy-mozg) проекта, тот же принцип [контекст-инжиниринга](/concepts/context-engineering), 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

**Главное**

Правильный порядок обратный привычному: сначала карта процессов, потом классификация данных по чувствительности, и только в конце - выбор инструмента. Быстрые победы берёшь на открытых данных, а под стоп-зону строишь контур. Так внедрение не упирается в первый же запрет.

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](/guides/kak-vnedrit-ii-v-kompaniyu-poshagovo), а как выбрать, за какой процесс браться первым, помогает прикидка [ROI от внедрения ИИ](/guides/kak-ocenit-roi-ot-vnedreniya-ii-instrumentov-v-kompanii-metriki-i-formuly): 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

**Главное**

Короткие ответы на четыре главных вопроса: можно ли вообще грузить документы в ChatGPT, что делать маленькой компании без бюджета на серверы, безопаснее ли китайские модели и снимает ли обезличивание все ограничения.

### Частые вопросы

**Так можно всё-таки загружать документы компании в ChatGPT или нет?**

Зависит от двух вещей: что за данные и в каком режиме. Публичный или бесплатный ChatGPT для персональных данных клиентов и любой тайны - нет. Корпоративные тарифы, где вендор обязуется не обучаться на твоих данных, - мягче, но данные всё равно физически уходят на зарубежные серверы, а это отдельный вопрос по закону. Простое правило: сомневаешься - обезличь или используй закрытый контур.

**У нас маленькая компания, на локальные серверы бюджета нет. Что делать?**

Тебе, скорее всего, локальный контур и не нужен. Начни с обезличивания и с задач на открытых данных - это бесплатно и закрывает большую часть потребностей. Для чувствительного посмотри российские облачные сервисы в корпоративном режиме, которые изначально заточены под 152-ФЗ. Контур - это для банков и клиник, не для каждого.

**Китайские модели вроде публичного DeepSeek - они безопаснее?**

Нет. Безопасность тут не про страну происхождения модели, а про то, где физически лежат твои данные. Публичный сервис - хоть американский, хоть китайский - это всё равно чужой сервер за рубежом. Для стоп-зоны важно не чьё это облако, а то, что данные из твоего периметра не выходят.

**Мы обезличили документ - теперь точно можно грузить куда угодно?**

Для персональных данных - да, если обезличил честно и перепроверил. Но помни про потолок: уникальную сделку иногда узнают и без имён, а гостайну и часть банковской и врачебной тайны не спасает никакое обезличивание - их нельзя выносить в принципе. Проверяй не только имена, но и то, не выдаёт ли секрет сама структура.

## Главный вывод

**Главное**

«Нам нельзя в ChatGPT» - это не «нам рано для ИИ», это «нам нужен свой контур». Санитария данных, обезличивание, локальные модели и обучение на синтетике снимают барьер, который многих останавливает. Порядок один: сначала безопасность и процессы, потом сервис.

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](https://danashkin.ru/workshop): без магии, по делу, под ваш комплаенс.

### Источники

- [КонсультантПлюс - Новые штрафы за утечку персональных данных с 30 мая 2025 года (Федеральный закон от 30.11.2024 N 420-ФЗ)](https://www.consultant.ru/legalnews/28492/)
- [Сбер Про - GigaChat Enterprise: локальное (on-premise), облачное и гибридное развёртывание для банков и критической инфраструктуры](https://sber.pro/publication/shtat-ii-sotrudnikov-vnutri-kompanii-sber-predstavil-gigachat-biznes-gigachat-enterprise/)
- [ComNews - В 2025 году шесть компаний получили штрафы за утечки, в 2026 их будет больше (по данным InfoWatch)](https://www.comnews.ru/content/243497/2026-01-29/2026-w05/1008/2025-g-shest-kompaniy-poluchili-shtrafy-za-utechki-2026-g-shtrafov-budet-bolshe)