Как организовать работу сотрудников, чтобы они не сливали данные в нейросети

Еще пару лет назад бизнес активно мотивировал сотрудников пользоваться ChatGPT и другими нейросетями. Однако теперь встает вопрос о том, как организовать работу, чтобы вместе с промптом они не отправляли ИИ персональные данные клиентов или коммерческую тайну. И эти опасения вполне обоснованы: по данным недавнего исследования, в целом 50,5% российских компаний либо подозревают утечки данных через ИИ-инструменты (42,4%), либо уже сталкивались с подобными инцидентами (8,1%).

Да, генеративные нейросети значительно упрощают работу: они помогают писать письма, анализировать документы, исправлять код, готовить презентации и отчеты. Но вместе с этим сотрудники начинают отправлять чат-ботам документы, которые никогда не должны были покидать корпоративный контур.

Например, в 2023 году сотрудники Samsung загрузили в ChatGPT внутренний исходный код, после чего компания запретила использовать для внутренних задач внешние генеративные модели. Схожая ситуация произошла и в Amazon, где сотрудников попросили не делиться конфиденциальной информацией с ChatGPT, так как в ответах чат-бота обнаружились данные, очень похожие на внутренние материалы компании.

Что касается России, то недавно широкую огласку получил случай, когда сотрудницу московской компании даже уволили за отправку коммерческой тайны в DeepSeek. Как отметил работодатель, это создало угрозу перехвата конфиденциальной информации.

Примечательно, что в подобных историях обычно наблюдается одна и та же закономерность: утечки происходят не потому, что сотрудники намеренно хотят навредить компании, а потому, что они просто пытаются быстрее выполнить свою работу.

Многие пользователи воспринимают ChatGPT и подобные нейросети как обычный текстовый редактор. Но на практике все гораздо сложнее.

Когда сотрудник отправляет запрос внешней модели, информация передается на серверы поставщика сервиса, где она обрабатывается и хранится. При определенных настройках такие данные могут использоваться для улучшения моделей и проскальзывать в ответах чат-бота, как в случае с Amazon. Кроме того, история переписки остается также в аккаунте пользователя, к которому могут получить доступ третьи лица.

То есть проблема заключается не в том, что кто-то в прямом смысле «перехватит» запрос – современные сервисы используют защищенные каналы связи. Проблема в том, что сами данные покидают инфраструктуру компании и передаются стороннему поставщику. Если в запросе содержатся персональные данные клиентов или другая конфиденциальная информация, организация может столкнуться не только с репутационными последствиями, но и с юридическими рисками.

Российское законодательство предъявляет строгие требования к обработке персональных данных. За их нарушение предусмотрена административная ответственность: в зависимости от состава нарушения и обстоятельств дела штрафы для юридических лиц могут составлять от 30 тысяч до 6 миллионов рублей, а при повторном нарушении – до 18 миллионов рублей. Для должностных лиц максимальные суммы составляют 336 тысяч рублей при первом нарушении и более 1 млн рублей при повторном. Помимо этого не стоит забывать, что существуют отдельные режимы защиты коммерческой, банковской и налоговой тайны.

Но даже если передача данных не приводит к нарушению законодательства, остается другой риск – потеря конкурентных преимуществ. Утечка исходного кода, финансовых показателей, бизнес-планов, коммерческих предложений или внутренних инструкций может нанести компании не меньший ущерб, чем слив персональных данных.

Самая распространенная ошибка сотрудников – считать, что если документ нужно просто проанализировать, то его загрузка в нейросеть не несет серьезных рисков. Подобные ситуации происходят ежедневно.

Все эти действия с точки зрения сотрудников выглядят безобидно, поскольку они решают рабочую задачу. Но фактически конфиденциальные сведения уже оказались за пределами корпоративной инфраструктуры.

Кроме того, есть еще одна распространенная проблема – использование для работы личных аккаунтов в нейросетях. Контролировать такие сценарии значительно сложнее.

Главное правило довольно простое: если документ нельзя публиковать в открытом доступе, его не стоит отправлять и во внешний ИИ-сервис.

Относительно безопасно использовать нейросети для работы с обезличенными текстами, шаблонами документов, публичной информацией, открытым исходным кодом, инструкциями и материалами, которые уже размещены на сайте компании.

Совсем иначе обстоит дело с персональными данными клиентов и сотрудников, внутренней финансовой отчетностью, договорами с реквизитами, коммерческими предложениями, исходным кодом собственных продуктов, медицинской информацией и любыми документами, подпадающими под режим коммерческой тайны.

Если полностью отказаться от использования реальных документов невозможно, стоит применять анонимизацию. Вместо настоящих фамилий, названий компаний, номеров договоров и реквизитов лучше использовать условные обозначения вроде «{ФИО}», «{Компания}» или «{Номер договора}». Для большинства задач этого вполне достаточно, а риск утечки существенно снижается.

Как правило, когда возникают проблемы, связанные с утечкой данных через ИИ, первой реакцией компаний становится простое решение: полностью запретить ChatGPT, Claude, DeepSeek и другие сторонние сервисы.

На первый взгляд это выглядит логично. Если сотрудники не смогут пользоваться внешними нейросетями, то и утечек не будет. Но на практике полный запрет не гарантирует, что работники перестанут пользоваться ИИ. Часть из них может продолжить работу с такими сервисами через личные устройства и аккаунты или начать использовать малоизвестные решения, которые не контролируются ИТ-службой. В результате компания теряет не только контроль над данными, но и возможность понимать, какие инструменты вообще используются внутри организации.

Именно поэтому сегодня гораздо эффективнее не запрещать генеративный ИИ полностью, а создавать безопасную среду для его использования.

Один из вариантов – использовать корпоративный облачный сервис с необходимыми гарантиями по обработке и защите данных. В этом случае ИИ-сервис работает на инфраструктуре поставщика, но компания получает отдельный корпоративный доступ и может установить определенные правила работы с данными. Такой вариант будет удобен, если у компании нет ресурсов для самостоятельного развертывания и поддержки ИИ-инфраструктуры. При выборе сервиса важно заранее проверить, где хранятся данные, используются ли запросы для обучения моделей, кто имеет к ним доступ и какие меры защиты предусмотрены договором и настройками платформы.

Другой вариант – корпоративный ИИ, работающий внутри собственного контура. Это значит, что большая языковая модель разворачивается на серверах организации, а запросы и обрабатываемые данные не покидают корпоративную инфраструктуру. Такой подход позволяет сохранить привычный функционал современных LLM и одновременно значительно снизить риск утечек.

Кроме того, внутреннюю ИИ-модель можно подключить к корпоративной базе знаний, регламентам, документации, CRM и другим системам. В результате сотрудники получают не просто чат-бота, а полноценного цифрового помощника, который умеет отвечать с учетом внутренних данных компании.

При этом для пилотного проекта не всегда требуется дорогостоящая инфраструктура. Некоторые современные открытые модели, например Qwen или Llama, можно развернуть на относительно компактных серверах, но конкретные требования зависят от размера модели и количества пользователей. Для запуска и тестирования локального ИИ можно использовать такие инструменты, как Ollama, vLLM и Open WebUI.

Одних корпоративных ИИ-решений недостаточно: безопасная работа сотрудников с искусственным интеллектом требует комплексного подхода.

1. Прежде всего, проведите аудит используемых ИИ-инструментов. Начать стоит с того, чтобы выяснить, какими сервисами сотрудники уже пользуются в работе. Это могут быть не только ChatGPT, Claude или DeepSeek, но и специализированные помощники для написания текстов, генерации кода, обработки изображений, расшифровки встреч и автоматизации других задач. Важно учитывать не только официально одобренные решения, но и так называемый теневой ИИ – сервисы, которые сотрудники подключают самостоятельно. Без понимания реального масштаба использования невозможно оценить риски и выстроить эффективную защиту.

2. Определите, какие данные нельзя передавать во внешние ИИ-сервисы. Важно заранее разделить их по уровню конфиденциальности. Например, отдельно выделить персональные данные клиентов и сотрудников, финансовую информацию, исходный код, внутреннюю документацию, коммерческую тайну и другие категории, которые требуют особой защиты. При этом сотрудникам нужны не абстрактные требования, а конкретные примеры: какой документ можно загрузить в нейросеть, а какой нельзя.

3. Разработайте понятные правила использования ИИ. Корпоративная политика должна отвечать на несколько простых вопросов: какими сервисами разрешено пользоваться, какие данные запрещено передавать во внешние модели, в каких случаях требуется предварительное согласование и как обезличивать документы перед загрузкой. Чем проще сформулированы правила, тем выше вероятность, что сотрудники действительно будут ими пользоваться.

4. Используйте технические средства предотвращения утечек – DLP-системы. Они анализируют передаваемую информацию и способны обнаруживать персональные данные, банковские реквизиты, API-ключи и другие чувствительные сведения. В зависимости от настроек система может предупредить сотрудника о нарушении или заблокировать передачу данных во внешний сервис. Это позволяет превратить требования корпоративной политики в работающий технический механизм защиты.

5. Регулярно обучайте сотрудников. Как уже говорилось, большинство подобных инцидентов происходит не из-за намерения навредить компании, а из-за незнания или желания быстрее выполнить рабочую задачу. Поэтому важно регулярно объяснять сотрудникам, что нельзя передавать ИИ, и разбирать сценарии утечек – обычно это полезнее объемных регламентов, которые сотрудники даже не открывают.

6. И конечно, предоставьте безопасную альтернативу внешним нейросетям. Если ИИ используется часто и действительно нужен для работы с внутренними документами, компании стоит предоставить контролируемый инструмент. Тогда организация получит возможность централизованно управлять доступами, настройками безопасности и правилами работы с информацией, а сотрудникам не приходится искать обходные пути и самостоятельно выбирать сторонние сервисы.

Полностью отказаться от использования нейросетей уже не получится – они стали таким же рабочим инструментом, как электронная почта или CRM-система. Поэтому задача бизнеса сегодня заключается не в том, чтобы запретить сотрудникам пользоваться ИИ, а в том, чтобы они делали это безопасно.

Лучшие результаты обычно показывает комплексный подход: понятные правила работы с данными, обучение сотрудников, контроль передачи конфиденциальной информации и использование корпоративных LLM там, где сотрудники регулярно работают с внутренними документами. В этом случае компания получает преимущества искусственного интеллекта, не превращая его в источник новых рисков.