ИИ внутри контура: нейросеть для защищённых данных

Разговор про ИИ в крупной компании упирается не в качество моделей, а в один вопрос безопасника: куда уходят данные. Если ответ «в чужое облако», разговор заканчивается, и сотрудники продолжают пользоваться им со своих личных аккаунтов, что хуже любого сценария. ИИ внутри контура это третий путь: все возможности нейросети, но внутри периметра, под контролем и с журналом.

Что значит «внутри контура»

Контур это граница, за которую данные не выходят. Внутри неё модель живёт на серверах компании или в доверенном дата-центре, общается только с внутренними системами и не имеет технической возможности никуда позвонить: внешние соединения закрыты на уровне сети. Запрос сотрудника, найденные документы и ответ остаются внутри.

Отсюда следствия, которые любят юристы и безопасники: можно точно сказать, где лежат данные, кто имел к ним доступ и что покажет аудит. С облачным сервисом на эти вопросы отвечает чужой регламент и чужое законодательство, с контуром отвечаете вы. Когда такой вариант становится не предпочтением, а необходимостью, разобрано в статье про локальный ИИ и данные в облаке.

Кому контур обязателен

Персональные данные по 152-ФЗ: если модель видит ПДн клиентов или сотрудников, передача в зарубежное облако это трансграничная передача с согласиями и рисками. Проще не передавать. Банки и платёжные сервисы: тайна вклада и платёжные данные не покидают периметр по внутренним стандартам и требованиям регулятора. Медицина: врачебная тайна, истории болезней и результаты анализов, любая внешняя обработка требует отдельной юридической конструкции.

Юридические фирмы и M&A: документы клиентов под адвокатской тайной. Госсектор и оборона: требования известны. Производства с чертежами и рецептами: коммерческая тайна, утечка которой стоит контрактов. Общий тест простой: если бы вы не отправили этот документ незнакомому человеку по почте, его нельзя отдавать облачному сервису.

Как выглядит ИИ в контуре на практике

Фундамент это сервер или выделенный кластер внутри инфраструктуры: свой, арендованный у российского оператора или в сегменте облака с нужными сертификатами. На нём разворачивается открытая модель: Llama, DeepSeek, Qwen или отечественные сборки, важно лишь, что веса лежат у вас. Как собрать такой сервер и что он тянет, описано в материале про свой сервер для ChatGPT.

Вокруг модели собирается обвязка: база знаний из внутренних документов с правами доступа, чтобы сотрудник видел только то, что ему положено. Журнал запросов и ответов для аудита: это не формальность, а именно то, что проверяющий просит показать первым. Каждый запрос фиксируется с датой, ролью сотрудника и разделом базы знаний, к которому он обращался, поэтому любой спорный эпизод восстанавливается за минуты. Интеграции с внутренними системами: почта, документооборот, CRM. Полностью автономный вариант, когда контур физически отрезан от интернета, разобран в статье про ИИ без интернета.

Из чего состоит внедрение

Сначала классификация данных: какие документы и потоки попадут в модель, где они лежат, кто владелец. Затем границы прав: роли, доступы, правила журналирования. Дальше пилот на одном процессе, обычно поиск по внутренним регламентам или помощь первой линии, с метриками, которые покажут безопасникам и юристам реальную картину вместо страхов.

Отдельная работа это договорённости с вашими контролёрами: чек-листы для ИБ, записи в модели угроз, регламенты на случай инцидента. Это рутина, но именно она превращает «нейросеть на сервере» в систему, которой пользуются все, включая самых осторожных сотрудников. Этапы такого пути целиком разобраны в материале про этапы внедрения ИИ в компании.

Сколько это стоит и когда окупается

Статьи расходов: железо или его аренда, лицензии на ПО (открытые модели бесплатны, обвязка стоит работы), внедрение и поддержка. Против этого экономия: часы сотрудников на поиск по документам, скорость ответов, и главное, отсутствие рисков утечки, цена которых в чувствительных отраслях несопоставима с любым бюджетом проекта.

Контур окупается быстрее там, где объём использования большой: сотни сотрудников, тысячи запросов в день. Для малых команд честный ответ может быть гибридным: чувствительное внутри, остальное в облако. Сравнение подходов и граница между ними разобраны в обзоре локальных нейросетей и моделей для бизнеса.