Короткий ответ: публичные и внутренние данные можно передавать в LLM почти всегда, конфиденциальные — только в среде с договорными условиями об отсутствии обучения и отсутствии хранения, а данные с ограниченным доступом никогда не попадают в промпт иначе как в маскированном виде. Рабочее правило — минимально необходимое раскрытие: отправляйте модели только то, что нужно для ответа на вопрос. Цифры 2026 года объясняют срочность: около 35% корпоративных данных, которые сотрудники вводят в ИИ-инструменты, классифицируются как чувствительные — против 27% годом ранее и 11% двумя годами ранее.
Настоящая проблема — не технология, а уже происходящее использование
В большинстве организаций спор о том, «внедрять ли ИИ», идёт в переговорной, пока сотрудники уже копируют и вставляют. Опросы 2026 года показывают, что около 80% сотрудников пользуются ИИ-инструментами, которые их ИТ-отдел не одобрял, и примерно 63% из них уже вставляли чувствительные материалы — исходный код, данные клиентов, финансовую информацию или стратегические документы — в личный аккаунт чат-бота.
Тревожная деталь — принадлежность аккаунта. Когда вставка происходит из личного аккаунта, она находится вне всех организационных механизмов контроля: нет журнала, нет контроля над хранением и нет способа удалить данные постфактум. По тем же данным, около 82% вставок в ИИ-инструменты приходят из личных аккаунтов.
Цена вопроса: организации с высоким уровнем несанкционированного использования ИИ несут в среднем около 670 000 долларов дополнительных издержек на утечку, а 97% организаций, сообщивших об инциденте, связанном с ИИ, не имели надлежащего контроля доступа к ИИ. При этом лишь около 37% организаций имеют хоть какую-то политику выявления или управления таким использованием.
Практический вывод: тотальный запрет не работает, он лишь загоняет использование в тень. Работает другое — понятная политика классификации в паре с одобренной альтернативой, которой действительно удобно пользоваться.
Четыре уровня классификации и что разрешено на каждом
Большинство корпоративных политик классификации используют четыре уровня: публичный, внутренний, конфиденциальный и ограниченный. Таблица ниже переводит их в практическое решение при работе с языковой моделью:
| Уровень | Примеры | Что разрешено с LLM |
|---|---|---|
| Публичный | Маркетинговые материалы, опубликованные спецификации продуктов, выпущенные отчёты | Разрешено в любом инструменте, включая публичные |
| Внутренний | Регламенты, внутренние презентации, документация процессов | Только в одобренном корпоративном инструменте |
| Конфиденциальный | Данные клиентов, прайс-листы, исходный код, прогнозы | Только там, где действуют договорные условия об отсутствии обучения и хранения |
| Ограниченный | Медицинские данные, зарплатные ведомости, персональные идентификаторы, коммерческая тайна | Никогда не попадает в промпт. Только в маскированном или обобщённом виде |
Самое важное различие — между конфиденциальными и ограниченными данными, и именно здесь путается большинство организаций. Утечка конфиденциальных данных наносит коммерческий ущерб, поэтому хорошего договора достаточно. Утечка ограниченных данных наносит регуляторный и персональный ущерб, и там договора недостаточно, потому что раскрытие невозможно отменить постфактум.
Две техники, которые решают большинство случаев
Анонимизация удаляет или необратимо скрывает персональные идентификаторы. Применяйте её, когда нет нужды связывать ответ с конкретным человеком — например, при анализе трендов по обращениям в поддержку.
Псевдонимизация заменяет идентификаторы обратимыми токенами. Имя клиента становится CUST_4471, а когда ответ возвращается, система сопоставляет его обратно. Именно эта техника позволяет работать с реальными клиентскими данными, не отправляя имена наружу.
Правило, покрывающее оба случая: минимально необходимое раскрытие. Отправляйте модели только то, что требуется для ответа, и полностью исключайте классифицированные элементы из внешних промптов. В большинстве случаев выясняется, что модели нужны структура и контекст, а не имена.
Что должно быть в договоре с поставщиком ИИ
Разница между «конфиденциальные данные разрешены» и «не разрешены» почти всегда решается в договоре, а не в технологии. Если сотрудник вставляет конфиденциальные данные в публичную LLM, они могут быть залогированы, сохранены или использованы для улучшения сервиса — если поставщик не связан договором об обратном. Три пункта, которые стоит проверить:
| Пункт | Что он говорит | Почему это важно |
|---|---|---|
| Отказ от обучения | Ваши данные не используются для обучения моделей | Без этого ваши данные могут всплыть в ответе другому пользователю |
| Отсутствие или ограниченное хранение | Промпты удаляются по истечении заданного срока | Сокращает окно раскрытия, если у поставщика произойдёт инцидент |
| Место обработки и субподрядчики | Где обрабатываются данные и кто ещё имеет к ним доступ | Определяет, какие регуляции применяются и что можно передавать |
Как внедрить это без полугодовой программы
Шаг 1: живая инвентаризация. Сопоставьте типы чувствительных данных по классам — персональные идентификаторы, медицинские данные, интеллектуальная собственность и финансовые данные — и назначьте каждому владельца, систему-источник и политику хранения. Это не теоретическое упражнение: это список, на котором держится каждое будущее решение.
Шаг 2: удобная одобренная альтернатива. Прежде чем что-то запрещать, дайте корпоративный инструмент, который действительно работает. Если одобренная альтернатива медленная или неуклюжая, сотрудники вернутся в личный аккаунт, а политика останется на бумаге.
Шаг 3: контроль на уровне данных. Автоматически удаляйте персональные идентификаторы на входе в промпт и применяйте ту же проверку к выходу. Контроль, опирающийся только на обучение сотрудников, не переживает первый квартал.
Шаг 4: одно правило, которое все запомнят. «Если вы не отправили бы это письмом другому клиенту — не вставляйте это в чат». Юридически неточно, но понятно и применимо, а это и требуется.
Связь с вашей базой знаний: как только вы переходите от ручного копирования к системе, которая отвечает по вашим собственным документам, классификация превращается из поведенческого правила в технический фильтр. Мы разобрали это в руководстве по построению корпоративной базы знаний RAG, особенно в разделе о применении прав доступа на этапе поиска.
А если вы взвешиваете инвестиции в инфраструктуру против экономии на инструментах, прогоните цифры через юнит-экономику: стоимость одного инцидента обычно покрывает годы работы одобренной среды. Полное сопровождение этого процесса — в рамках нашего направления по внедрению ИИ.
Часто задаваемые вопросы
Можно ли вводить данные клиентов в ChatGPT?
Не в личный аккаунт и не в публичную версию. Данные клиентов конфиденциальны, поэтому их можно вводить только в корпоративной среде с договорными условиями об отсутствии обучения и хранения. Без такого договора вводите только маскированную версию, в которой имена и идентификаторы заменены токенами.
В чём разница между конфиденциальными и ограниченными данными?
Утечка конфиденциальных данных наносит коммерческий ущерб, поэтому надёжного договора с поставщиком достаточно. Утечка ограниченных данных — медицинских, зарплатных, персональных идентификаторов — наносит регуляторный и персональный ущерб, который невозможно отменить постфактум. Поэтому ограниченные данные никогда не попадают в промпт.
Является ли решением тотальный запрет ИИ-инструментов?
Нет. Опросы 2026 года показывают, что около 80% сотрудников уже пользуются неодобренными инструментами, а примерно 82% вставок приходят из личных аккаунтов. Запрет без удобной одобренной альтернативы просто переносит использование в зону, где нет ни журналирования, ни контроля.
В чём разница между анонимизацией и псевдонимизацией?
Анонимизация удаляет идентификаторы необратимо и подходит для анализа трендов. Псевдонимизация заменяет идентификаторы обратимыми токенами, чтобы ответ можно было сопоставить с конкретным человеком. Используйте второе, когда нужно действовать в отношении конкретного клиента.
Какие пункты обязательно должны быть в договоре с поставщиком ИИ?
Три: отказ от использования ваших данных для обучения моделей, удаление или ограниченное хранение промптов в заданный срок и чёткое определение места обработки и субподрядчиков, имеющих доступ к данным.
Читайте дальше
Критерии приёмки ИИ-функции — что нужно определить до начала разработки, когда правила по данным уже заданы.