Основной риск при внедрении ИИ — не сама модель, а данные, которые в неё попадают: переписка, клиентские базы, внутренние документы. Ниже — карта рисков и порядок действий: что классифицировать, где ограничить, какие пункты добавить в договоры и политику.
Сергей Езепенко · 19.11.2026 · время чтения 17 мин
Первое, что стоит зафиксировать до пилота: в ИИ-сервис уходит не «запрос», а полный контекст обращения. Провайдер получает текст промпта, приложенные файлы, историю предыдущих сообщений в треде, а часто — и метаданные: идентификатор пользователя, время, IP, тип устройства. В веб-интерфейсе история диалогов хранится на стороне сервиса и доступна по аккаунту. В API-режиме логирование устроено иначе: часть провайдеров по умолчанию хранит запросы 30 дней для мониторинга злоупотреблений, часть — не хранит вовсе, но это надо проверять в договоре, а не в маркетинговых материалах. Разница между «мы не обучаемся на ваших данных» и «мы не храним ваши данные» принципиальна: первое не отменяет второго.
Настройки хранения и логирования у веб-интерфейса и API различаются, и это регулярный источник инцидентов. Сотрудник тестирует сценарий в браузере с включённой по умолчанию опцией «улучшать модель на моих данных» — и в обучающую выборку попадает фрагмент переписки с клиентом. В корпоративном тарифе та же опция может быть выключена администратором, но только для тех аккаунтов, что заведены через SSO. Отдельно проверить: сохраняются ли вложения, как долго живут логи, можно ли отключить историю, кто из сотрудников провайдера имеет доступ к запросам в рамках поддержки. Эти пункты обычно есть в Data Processing Agreement — читать нужно именно его, а не страницу тарифов.
Корпоративные коннекторы — отдельная категория риска. Когда сервис подключается к почте, корпоративному диску или CRM, он читает не «выбранные документы», а весь доступный объём: ящик целиком, папку целиком, все карточки сделок. Права наследуются от учётной записи, под которой выполнено подключение. Если это аккаунт руководителя или сервисная учётка с широкими правами, в индекс попадают зарплатные ведомости, переписка с юристами, персональные данные клиентов и сотрудников. Индексированные фрагменты могут храниться на стороне провайдера для поиска и кэширования, и удаление исходного файла не всегда означает удаление копии.
Практический пример. Компания из 40 человек подключила ассистента к общему диску, чтобы сотрудники быстрее находили шаблоны договоров. Подключение сделали под учётной записью администратора — так проще. Через две недели выяснилось, что в индекс попала папка «HR» с трудовыми договорами и сканами паспортов. Формально утечки не было, но обработка персональных данных шла через сторонний сервис без основания и без уведомления. Разбор занял три недели: отзыв токена, переиндексация, письменное обоснование для каждого файла.
Что делать до подключения коннектора:
Если сервис не даёт ограничить область чтения, это не техническая мелочь, а ограничение архитектуры — и решать его нужно до запуска, а не после. При выборе подрядчика эти вопросы стоит задавать на этапе оценки: как выбрать подрядчика по внедрению ИИ — там же логика проверки DPA и ответственности сторон.
Классификация — это не бюрократия, а способ заранее ответить на вопрос «что нельзя вводить в промпт». Без письменного перечня сотрудники ориентируются на здравый смысл, а он у всех разный: бухгалтер считает выписку по счёту внутренней информацией, юрист — коммерческой тайной, стажёр — «ну это же просто цифры». Разнобой обнаруживается уже после того, как данные ушли в сервис.
Рабочая схема — четыре уровня. Публичные данные: то, что уже опубликовано или предназначено для публикации — описания услуг, пресс-релизы, открытые прайсы. Внутренние: рабочие материалы без персональных данных и коммерческой тайны — регламенты, шаблоны писем, внутренние инструкции, черновики без цифр. Персональные: любые сведения, относящиеся к физлицу, — ФИО, контакты, паспортные данные, сведения о здоровье, переписка с клиентом, где он identifiable. Коммерческая тайна: себестоимость, условия сделок с поставщиками, финансовая отчётность до публикации, клиентские базы, исходный код, технические решения.
Персональные данные требуют отдельного режима. По 152-ФЗ обработка через сторонний сервис — это поручение обработки, а значит, нужны правовое основание, согласие субъекта или иная законная база, оценка того, где физически хранятся данные, и проверка, попадает ли провайдер в перечень лиц, которым можно поручать обработку. Для трансграничной передачи правила отдельные. На практике это означает: перед пилотом нужно решить, будут ли персональные данные вообще попадать в промпты, и если да — в каком объёме и с какими мерами (обезличивание, маскирование, псевдонимизация). Часто самое дешёвое решение — исключить их из сценария на первом этапе.
Перечень запрещённых к вводу данных фиксируется письменно — приказом или регламентом, с датой и ответственным. В нём должны быть не общие формулировки, а конкретика: «не вводить номера договоров с реальными контрагентами», «не загружать выгрузки из 1С», «не прикладывать сканы документов с подписями и печатями». Перечень доводится до сотрудников под подпись или через ознакомление в корпоративной системе. Отдельно прописывается порядок: что делать, если данные всё же ушли, — кому сообщать, в какой срок, кто принимает решение об уведомлении регулятора.
Ответственный за классификацию — ИБ или юрист, не бизнес-заказчик. Причина простая: заказчик заинтересован в быстром результате и склонен расширять допустимый объём данных, чтобы сценарий «лучше работал». Специалист по ИБ смотрит на риск утечки, юрист — на соответствие закону, и оба не мотивированы ускорять пилот в ущерб требованиям. Роль заказчика — описать бизнес-процесс и назвать данные, которые в нём участвуют; роль ИБ и юриста — присвоить уровень и определить режим обработки. Спорные случаи решает не большинство голосов, а письменное заключение ответственного.
Документы, которые стоит подготовить до старта: перечень данных по уровням, регламент работы с ИИ-сервисами, перечень запрещённых к вводу данных, матрица доступа к сервисам по ролям, журнал согласований пилотных сценариев. Этого набора достаточно, чтобы пилот прошёл без переделки политик задним числом.
Модель подключения определяет, где физически лежат данные и кто имеет к ним доступ. До выбора поставщика и подписания договора стоит зафиксировать, какие именно данные пойдут в модель. От этого зависит архитектура, а не наоборот.
Публичное облако. Самый быстрый старт: API-ключ, оплата по токенам, работающий прототип за день-два. Данные при этом уходят на инфраструктуру провайдера, и контроль над их хранением ограничен. Провайдер может держать логи запросов для защиты от злоупотреблений, а сроки хранения определяются его политикой, а не вашим регламентом. Для задач с обезличенной информацией — классификация обращений, черновики писем, разбор публичных документов — это приемлемый вариант. Для персональных данных клиентов, коммерческой тайны, сведений о зарплатах и договорах — риск, который нужно осознанно принять или закрыть техническими мерами: маскирование, вырезание сущностей перед отправкой в запрос.
Корпоративный тенант. Изолированный контур внутри облака провайдера: ваши данные не смешиваются с данными других клиентов, обучение на ваших запросах отключается отдельной настройкой, доступен журнал аудита. Такой вариант обычно доступен на тарифах уровня Enterprise у крупных провайдеров и стоит в разы дороже публичного API — порядок цен зависит от объёма токенов и набора функций безопасности. Ключевое, что нужно проверить: отключено ли обучение по умолчанию или это нужно включать вручную, какие логи пишутся, кто из сотрудников провайдера имеет доступ к данным, есть ли регион размещения на выбор. Изоляция снижает риск, но не отменяет того, что данные находятся не у вас.
Локальная модель. Модель разворачивается на вашем железе или в вашем частном облаке. Полный контроль: данные не покидают периметр, логи ваши, доступы ваши. Цена — инфраструктура и люди. Для модели уровня 30–70 млрд параметров нужен сервер с одной-двумя GPU класса A100 или H100 либо их доступными аналогами; в среднем по рынку это сотни тысяч рублей капитальных затрат плюс электропитание и охлаждение. Нужен инженер, который умеет это поднять, обновлять и мониторить, — либо подрядчик на поддержке. Качество ответов локальных моделей на узких задачах сопоставимо с облачными, на широких — обычно ниже. Локальный контур оправдан, когда доля персональных данных и коммерческой тайны в задачах высока, а объём запросов стабилен и велик.
Практический критерий выбора — доля персональных данных в потоке задач. Если она ниже 10–15% и данные можно замаскировать, публичное облако с фильтрацией на входе закрывает потребность. Если выше и маскирование ломает смысл задачи — корпоративный тенант. Если речь о медицинских, финансовых или кадровых данных в промышленных объёмах — локальный контур, и бюджет на него закладывают до пилота, а не после. Ошибка, которую видно в проектах: пилот запускают на публичном API с реальными клиентскими данными, потому что «быстрее», а потом переписывают интеграцию под другой контур. Закладывайте модель подключения сразу — это дешевле, чем менять её на работающем продукте. Как соотносятся контур и сроки проекта, разобрано в материале о том, сколько времени занимает внедрение ИИ-агента.
Договор с поставщиком ИИ — не стандартная лицензия на софт. Здесь есть предмет обработки данных, и от формулировок зависит, что вы сможете предъявить при инциденте. Ниже — четыре блока, которые стоит вычитать построчно, а не пролистать.
Условия хранения, сроки удаления и место размещения. Зафиксируйте, где физически находятся данные: страна и, если возможно, дата-центр. Для персональных данных российских граждан требование локализации означает хранение на территории РФ — это проверяется в реестре провайдеров и в приложении к договору. Пропишите срок хранения логов запросов и срок удаления по запросу: не «в разумный срок», а конкретно, например 30 календарных дней с момента обращения. Отдельно — что происходит с данными при расторжении договора: удаляются, возвращаются в выгружаемом формате, в какой срок. Если поставщик не может назвать срок удаления, это ответ сам по себе.
Запрет на использование входных данных для обучения. Формулировка должна быть прямой: поставщик не использует содержимое запросов и ответов, а также загруженные документы для обучения, дообучения и настройки своих моделей. Уточните, распространяется ли запрет на агрегированную статистику и «улучшение качества сервиса» — под этим часто прячется то же обучение. Если поставщик использует субподрядчиков или сторонние модели, запрет должен транслироваться на них. Хорошая практика — право провести аудит или запросить отчёт о том, как технически обеспечено отключение обучения.
Поручение обработки персональных данных. Если в поток попадают персональные данные, поставщик выступает обработчиком по поручению, и это оформляется отдельным документом по ст. 6 152-ФЗ. В поручении перечисляют: состав данных, цели обработки, перечень действий, срок, требования к защите. Проверьте, что у поставщика есть собственные документы по безопасности и что он принимает обязанность соблюдать конфиденциальность. Если поставщик отказывается подписывать поручение и настаивает на том, что «данные обезличены», — попросите показать, как именно, и закрепите это в договоре. Ответственность за утечку персональных данных перед субъектом и регулятором несёт оператор, то есть вы, а не поставщик.
Уведомление об инцидентах. Пропишите срок уведомления — реалистично от 24 до 72 часов с момента обнаружения, — формат (письмо ответственному лицу с описанием характера инцидента, категорий затронутых данных, числа субъектов, принятых мер) и ответственность за нарушение. Уточните, кто расследует инцидент и предоставляет ли поставщик отчёт. Полезно оговорить обязанность уведомлять даже о подозрениях на инцидент, а не только о подтверждённых случаях.
Пример из практики: компания подписала договор с агрегатором ИИ-сервисов, где в приложении было указано «данные могут обрабатываться с привлечением третьих лиц» без перечня. При проверке выяснилось, что часть запросов уходила в зарубежную модель. Пришлось переводить задачу на другого поставщика и заново проходить согласование — два месяца работы. Перечень субподрядчиков в приложении к договору стоит требовать сразу.
Политика — это документ на 3–5 страниц, который отвечает на три вопроса: чем можно пользоваться, что нельзя туда класть и кто за это отвечает. Без него сотрудники действуют по своему усмотрению: кто-то переписывает договор через публичный чат-бот, кто-то подключает сторонний сервис к рабочей почте. Формально это не нарушение, пока не случился инцидент, но разбираться придётся компании.
Начните с реестра разрешённых сервисов. Таблица с колонками: название сервиса, задачи, для которых он допущен, владелец сервиса (конкретная роль или ФИО), условия хранения данных, дата последней проверки. Владелец — не «IT-отдел», а человек, который отвечает за продление договора и за то, чтобы настройки не менялись втихую. Для каждого сервиса фиксируется режим: например, корпоративная подписка с отключённым обучением на данных клиента — можно; тот же сервис в бесплатной версии — нельзя. Отдельно перечисляются задачи, где ИИ применять запрещено вообще: например, генерация ответов клиентам без проверки человеком в договорах страхования или подготовка медицинских заключений.
Второй блок — запрет на вставку клиентских данных в публичные чат-боты. Формулировка должна быть операционной, а не декларативной. В политике перечисляется, что считается персональными данными и коммерческой тайной: ФИО и контакты, номера договоров, суммы, реквизиты, тексты переписок, внутренние регламенты, финансовые показатели. Для работы с такими данными допускается только корпоративный контур с договором обработки данных, и это должно быть видно из реестра. Практический приём — маскирование: сотрудник заменяет имена и номера на условные обозначения перед отправкой запроса. Это не защита от утечки, но снижает ущерб, если запрос всё же уйдёт не туда.
Порядок согласования нового сценария описывается как маршрут с шагами и сроками:
Срок по каждому шагу стоит зафиксировать — в среднем по рынку это 3–5 рабочих дней на согласование типового сценария. Без срока заявки зависают, и сотрудники возвращаются к обходным путям.
Обучение — 1–2 часа, и оно работает только на разборе реальных случаев. Показывайте не слайды про кибергигиену, а конкретные эпизоды: как менеджер вставил в чат-бот выгрузку из CRM с телефонами клиентов; как сотрудник подключил личный аккаунт к рабочей почте; как в промпт попал фрагмент договора с конфиденциальными условиями. По каждому эпизоду — что сработало, что нет, какое правило появилось после. Такой разбор занимает 20–30 минут на кейс и запоминается лучше, чем список запретов. Повторять обучение имеет смысл раз в полгода или при каждом крупном инциденте.
Учётные записи в ИИ-сервисах должны быть именными. Общий логин на отдел — прямой путь к ситуации, когда по логам видно, что запрос с персональными данными ушёл в 14:20, но не видно, кто его отправил. Именная учётка стоит денег (лицензия на каждого пользователя), но альтернатива дороже: без атрибуции невозможно ни разобрать инцидент, ни доказать регулятору, что компания контролирует доступ. При увольнении сотрудника учётка блокируется в тот же день — это отдельный пункт регламента, а не пожелание.
Ролевая модель строится на минимальных правах. Базовый принцип: доступ к данным определяется задачей, а не должностью. Аналитик, которому нужны агрегаты по продажам, не получает доступ к строкам с контактами клиентов. Менеджер поддержки видит историю обращений своих клиентов, но не всей базы. Права выдаются по заявке с указанием срока — например, на проект 3 месяца, дальше доступ снимается автоматически. Отдельно ограничивается подключение ИИ-инструментов к внутренним системам: интеграция с CRM или хранилищем данных согласуется так же, как новый сценарий, и настраивается на чтение, а не на запись, если запись не нужна.
Журналирование — самая трудоёмкая часть. Логи промптов и ответов хранятся от 3 месяцев; для сценариев с персональными данными разумно держать 6–12 месяцев, потому что сроки разбора инцидентов и претензий растягиваются. Что писать в лог: дату и время, учётную запись, сервис и модель, текст запроса, ответ, идентификатор связанной задачи или клиента. Объём растёт быстро — при 200 активных пользователях и 30 запросах в день это порядка 180 тысяч записей в месяц, поэтому заранее продумайте хранение и ротацию: горячее хранилище на 3 месяца, архив на остаток срока.
Логи бесполезны, если их никто не читает. Выборочная проверка — регламентная процедура: раз в месяц или в две недели ИБ выгружает случайную выборку, порядка 50–100 запросов, и смотрит три вещи: не уходят ли в промпты персональные данные в открытом виде, не используются ли неразрешённые сервисы, нет ли аномалий по времени или объёму запросов. Результат оформляется короткой справкой на одну страницу: что проверили, что нашли, какие меры приняли. Справки накапливаются и становятся аргументом при разговоре с юристами и аудиторами.
Пример из практики: в компании среднего размера при такой выгрузке обнаружили, что один из менеджеров регулярно отправлял в публичный чат-бот фрагменты клиентских договоров — он так готовил коммерческие предложения. Инцидент нашли не по жалобе, а по выборке логов за две недели. Итог: сценарий перенесли в корпоративный контур, с сотрудником провели разбор, а в политику добавили отдельный пункт про подготовку КП. Если выбираете подрядчика на настройку логирования и доступов, полезно заранее понять как выбрать подрядчика по внедрению ИИ и не потерять бюджет — требования к логам стоит включить в техническое задание до старта работ.
Самый частый канал утечки при работе с ИИ — не взлом периметра, а обычное копирование. Сотрудник берёт выгрузку из CRM, договор клиента или финансовую модель и вставляет в личный чат-бот, чтобы «быстро переписать письмо» или «сделать сводку». Никто не считает это нарушением: человек решает рабочую задачу доступным инструментом. Данные при этом уходят на внешний сервер, часто без договора, без соглашения об обработке и без возможности удалить их по запросу. По опыту проектов, которые мы видели, доля таких случаев в компаниях без политики — от трети до половины всех обращений к внешним ИИ-сервисам.
Дальше периметр расширяют коннекторы. Как только ИИ-ассистенту дают доступ к почте, корпоративному диску или календарю, он получает права читать всё, что видит пользователь, а иногда и больше — если подключение сделано под сервисной учётной записью. Один такой коннектор к общему диску отдела продаж превращает локальный пилот в инструмент с доступом к базе клиентов, коммерческим предложениям и переписке с юристами. Риск не в том, что модель «запомнит» данные, а в том, что доступ не отзывается, когда пилот закончился, и никто не отслеживает, какие папки реально попали в область видимости.
Практическая защита начинается с DLP-правил, настроенных на домены ИИ-сервисов. Список конкретный: chat.openai.com, claude.ai, gemini.google.com, copilot.microsoft.com, а также API-эндпоинты, которые используют ваши же разработчики. Правила блокируют отправку файлов с метками «коммерческая тайна», «персональные данные», шаблонов договоров и выгрузок с ИНН и паспортными данными. Важно не просто запретить, а дать легальную альтернативу — корпоративный тенант с теми же функциями, иначе запрет обходят через личный телефон.
Отдельная зона — подрядчики. У интегратора, который настраивает ИИ-агента, часто есть доступ к тем же данным, что и у вас: тестовые копии базы, выгрузки для отладки промптов, доступ к облачному хранилищу. Проверять нужно не только наличие NDA, но и три вещи: где физически лежат данные во время работ, кто из сотрудников подрядчика имеет к ним доступ поимённо, и что происходит с копиями после сдачи проекта. Пропишите в договоре срок удаления тестовых данных — например, 10 рабочих дней после приёмки — и потребуйте акт об удалении. Критерии отбора подрядчика с учётом этих требований разобраны в материале как выбрать подрядчика по внедрению ИИ.
Пример из практики: у клиента из оптовой торговли ассистент для отдела закупок был подключён к общей папке с прайсами поставщиков. В папке же лежали сканы договоров с условиями отсрочки. Пилот длился три месяца, доступ не отозвали, а после увольнения одного из сотрудников выяснилось, что учётная запись коннектора осталась активной. Обнаружили при плановой проверке прав, а не по инциденту — повезло.
Задача двух месяцев — не построить защиту на годы вперёд, а получить управляемый пилот, в котором понятно, какие данные куда уходят. План ниже рассчитан на компанию от 50 до 300 сотрудников, где ИИ только начинают внедрять. Сроки зависят от того, насколько запущен учёт данных и есть ли DLP.
Недели 1–2: инвентаризация данных и задач. Составьте список задач, где ИИ реально нужен: подготовка ответов клиентам, разбор заявок, сводки по звонкам, генерация описаний товаров. Для каждой задачи зафиксируйте, какие данные нужны на входе и какой уровень чувствительности у них: публичные, внутренние, персональные данные, коммерческая тайна. Отдельно перечислите, где эти данные лежат — CRM, 1С, диск, почта, — и кто владелец системы. Результат — таблица на 10–20 строк, без неё дальше двигаться бессмысленно: непонятно, что защищать.
Недели 3–4: пилот на обезличенных данных в закрытом тенанте. Разворачивайте сценарий в корпоративном тенанте провайдера или на собственной инфраструктуре, где данные не используются для обучения моделей. На вход подавайте обезличенные или синтетические данные: имена заменены, телефоны и почты вырезаны, суммы округлены. Цель пилота — проверить не только качество ответов, но и то, как работает логирование: сохраняются ли запросы, можно ли по логу восстановить, кто и что отправил. Если вендор не даёт отключить обучение на ваших данных — это стоп-фактор, а не предмет торга. Ориентиры по срокам пилота и факторам, которые их растягивают, есть в статье сколько времени занимает внедрение ИИ-агента.
Недели 5–6: договор, политика, обучение, логирование. К этому моменту у вас есть пилот и список данных. Дальше четыре параллельные работы. Договор с вендором: пункты об обработке данных, месте хранения, сроке удаления, уведомлении об инцидентах в течение 24–72 часов. Политика использования ИИ: один-два листа, где прямо сказано, какие данные нельзя вставлять во внешние сервисы, какие инструменты разрешены и что считается нарушением. Обучение: не общий вебинар, а 40-минутный разбор на примерах из вашей таблицы — «вот эта выгрузка запрещена, вот эту можно после удаления трёх полей». Логирование: включите журналы запросов, настройте хранение не менее 90 дней и доступ к логам для ИБ и руководителя направления.
Недели 7–8: разбор инцидентов и расширение. Соберите всё, что накопилось за пилот: заблокированные DLP-отправки, случаи обхода, ошибки в ответах модели на чувствительных данных. Разберите каждый случай с владельцем процесса и решите, это нарушение политики, дыра в правилах или неудобный инструмент, который толкает людей к обходу. По итогам обновите DLP-правила и политику. Расширяйте на новые сценарии только те, где есть владелец данных и настроенное логирование; остальные оставьте в очереди.
Что считать успехом к дню 60: есть реестр данных под ИИ, работает один-два сценария в закрытом тенанте, DLP блокирует отправку чувствительных файлов во внешние сервисы, логи пишутся и доступны, сотрудники прошли обучение с подтверждением. Если хотя бы одного пункта нет — расширять сценарии рано.
Можно, но с ограничениями и не в базовой веб-версии. Персональные данные клиентов (ФИО, телефон, адрес, паспорт) в публичный чат загружать нельзя: с точки зрения 152-ФЗ это передача данных третьему лицу без основания и без контроля места хранения. Для работы с такими данными нужен корпоративный контур — ChatGPT Enterprise/Team с отключённым обучением на данных, либо API с договором обработки (DPA), либо развёртывание модели в своём периметре. Перед запуском стоит обезличить данные: убрать прямые идентификаторы, оставить только то, что нужно для задачи.
Формально ИИ-сервис — это обычный обработчик, поэтому применяется весь закон: правовое основание обработки, согласие субъекта, уведомление Роскомнадзора об обработке, локализация персональных данных граждан РФ на территории России (ст. 18 ч. 5), требования к трансграничной передаче (ст. 12) и меры защиты по ст. 19. Если сервис зарубежный и данные уходят за границу, нужна отдельная процедура уведомления РКН и оценка страны по перечню. На практике ключевые точки — поручение обработки по ст. 6 ч. 3 (договор с поставщиком) и подтверждение локализации.
Зависит от тарифа и настроек, а не от факта оплаты. В потребительских тарифах (ChatGPT Plus, бесплатный Claude, Gemini) данные по умолчанию могут использоваться для улучшения модели; в ChatGPT это отключается в Settings → Data controls, но история всё равно хранится 30 дней. В корпоративных тарифах (ChatGPT Team/Enterprise, Claude for Work, YandexGPT для бизнеса) обучение на данных клиента по умолчанию выключено и зафиксировано в договоре. Проверять нужно не тариф, а конкретный пункт в DPA или Terms: формулировку «we do not train on your data» и срок хранения логов.
Да, если обрабатываются персональные данные и у компании нет другого законного основания. Согласие должно быть конкретным: указывается цель, перечень данных, срок, а также факт поручения обработки третьему лицу — поставщику ИИ. Проще всего расширить существующее согласие в политике обработки ПД и в форме на сайте, добавив пункт об использовании сервисов на основе ИИ. Если данные обезличены так, что субъект не идентифицируется, согласие не требуется — но обезличивание должно быть необратимым, а не просто удалением фамилии.
Запросить у поставщика DPA, Data Processing Addendum, и раздел документации о retention policy — там указываются сроки хранения промптов и логов. Дальше сверить три вещи: отключено ли обучение на данных (пункт в договоре, а не в интерфейсе), есть ли настройка zero data retention (у OpenAI — для Enterprise, у Anthropic — по запросу), и куда физически пишутся данные (регион, наличие ЦОД в РФ для локализации). Дополнительно — провести тест: отправить в сервис уникальную метку, через 30–90 дней проверить, всплывает ли она в ответах; это косвенная, но рабочая проверка. Юридически значимое подтверждение даёт только договор и аудит поставщика (SOC 2 Type II, ISO 27001).
Хотите, чтобы такой агент работал у вас?
Покажу на вашей задаче, что можно автоматизировать за две недели и сколько это освободит времени.
Написать СергеюАвтор: Сергей Езепенко, основатель «Системы Поток». Работаю с клиентами с 2018 года, 20 запущенных проектов: стройка, медицина, юруслуги, недвижимость, онлайн-школы.