Внедрение возможностей искусственного интеллекта в российских компаниях столкнулось с парадоксом. С одной стороны, 59,6% организаций уже активно используют нейросети. С другой — 42,5% боятся масштабировать эти технологии из-за рисков утечки конфиденциальных данных. Рынок фактически разделился на два лагеря: тех, кто строит закрытые IT-контуры, и тех, кто «скармливает» свои данные публичным облакам.

Публичные нейросети и теневое использование ИИ

Развертывание локальных языковых моделей и защищенных инфраструктурных контуров требует серьезных ресурсов. Компании, которые не могут позволить себе локальные программно-аппаратные комплексы, вынуждены использовать публичные сервисы, где данные по умолчанию могут уходить на дообучение сторонних алгоритмов.

Высокие риски в области безопасности и конфиденциальности данных являются главной причиной отказа бизнеса от внедрения искусственного интеллекта. При этом около 40% IT-специалистов снижают риск с помощью гибридной модели, когда ИИ лишь выполняет роль ассистента, оставляя за человеком контроль, корректировку и финальное утверждение решений, сказано в совместном исследовании системного интегратора УЦСБ и группы компаний «Солар».

Как отмечают авторы исследования, в котором приняли участие 102 компании, среди которых есть те, кто пока не использует ИИ, основной причиной отказа являются высокие риски для безопасности и конфиденциальности данных, включая утечки исходного кода и коммерческой информации (42,5%). На втором месте находится нехватка компетенций внутри компании — 35%. Еще 32,5% респондентов указали на отсутствие понятных и экономически обоснованных сценариев применения ИИ в бизнесе. Высокая стоимость внедрения (20%) и регуляторная неопределенность (25%) играют менее значимую роль.

В то же время, по данным изыскания, различные нейросетевые модели уже используют порядка 59% компаний. Треть применяет большие языковые модели, еще треть пока не применяет такие инструменты, но планирует внедрить их в ближайшее время. И лишь 3% организаций готовы доверить искусственному интеллекту самостоятельное принятие решений. Наиболее распространенной моделью остается формат ИИ-ассистента: в 40% компаний нейросети используются для анализа информации и подготовки рекомендаций, а окончательное решение всё-таки принимает человек.

Выбор между публичными и закрытыми ИИ-системами напрямую зависит от отрасли. К «опасным» секторам, требующим локальных моделей, относятся банки, госсектор, энергетика, промышленность, медицина и телеком, тогда как для «менее чувствительных» направлений, таких как торговля, медиа, маркетинг, логистика, образование и HR, допустимо использование публичных сервисов при условии, что в них не попадает конфиденциальная информация.

Утечки и человеческий фактор

Главная угроза — бесконтрольная передача данных нейросетям сотрудниками. За 2025 год, по данным исследования, объем конфиденциальной информации, уходящей в публичные нейросети, вырос в 30 раз. В 60% компаний при этом отсутствует четкая политика использования ИИ: в промпты регулярно попадают коммерческие предложения, договоры, финотчеты и персональные данные клиентов.

Дополнительную угрозу создают «внешние» агентные ИИ-системы — голосовые и текстовые ассистенты для поддержки клиентов, автоматизация B2B-продаж и лид-менеджмента, IT-поддержка и управление инфраструктурой, управление цепочками поставок и логистикой, финансовые и страховые агенты, многоагентные корпоративные системы и внешние платформы для автоматизации бизнес-процессов. Такие системы тестируют сегодня, по данным исследования, 62% компаний. И в случае компрометации злоумышленникам может открыться доступ ко всей IT-инфраструктуре организации. Но полный запрет на нейросети в бизнесе не работает.

— Бизнесу важно использовать локальные решения, которые работают в закрытом контуре на собственном оборудовании, без доступа в интернет. Это обеспечивает конфиденциальность и соответствие регуляторным требованиям, — замечает руководитель направления Т1 ИИ Сергей Голицын.

Для этого применяются локальные модели — ИИ-системы, развернутые на собственных серверах компании для полного контроля над данными и безопасности. Также используются технологии RAG (Retrieval-Augmented Generation), которые позволяют ИИ искать и использовать актуальную информацию из внешних баз данных, что делает ответы точными и свежими. Применяются и компактные ИИ — небольшие нейросети, требующие мало ресурсов.

Почему классические системы защиты не спасают

Системы предотвращения утечек данных и контроль доступа снижают риски, но не устраняют их полностью: отозвать данные, которые уже ушли на обучение публичной модели, невозможно. В контексте работы с искусственным интеллектом эти системы выполняют роль многоуровневой защиты, гарантируя, что чувствительная информация не покинет защищенный периметр и будет доступна только авторизованным компонентам ИИ. Однако из-за этого уровень доверия разработчиков к облачным ИИ-инструментам упал с 40% в 2024 году до 29% в 2025-м, свидетельствуют данные Т1.

Для защиты корпоративных моделей эксперты рекомендуют изолировать нейросети на сетевом уровне и внедрять специальные фильтры — программные механизмы, которые анализируют и контролируют потоки данных на входе и выходе из модели. Эти фильтры служат барьером, который не позволяет модели обрабатывать, запоминать или передавать нежелательную или конфиденциальную информацию.

— Спецфильтры защищают от скрытых вредоносных инструкций, которые злоумышленники «скрывают» в промптах. Это базовая часть кибербезопасности ИИ, — поясняет продакт-менеджер «Онланты» Дмитрий Васильев.

Главная проблема кроется в сложности тотального контроля за действиями персонала и необходимости жесткого разделения сценариев использования нейросетей. Под этим понимается, что для каждой конкретной бизнес-задачи или для каждого отдела компании должен быть свой, изолированный и строго ограниченный, вариант использования искусственного интеллекта, чтобы минимизировать риски и не допустить смешивания данных и полномочий.

Помимо тотального контроля, для защиты корпоративных нейросетей используют и другие подходы. Ключевым является «архитектурное» разделение, при котором для разных задач и отделов создают изолированные экземпляры ИИ, не имеющие доступа к чужим данным. Кроме того, в обучающие данные добавляют математический «шум» (так называемую дифференциальную приватность), чтобы модель не могла запомнить и выдать конкретную конфиденциальную информацию. Также применяется строгое разграничение прав доступа для пользователей и логирование всех их действий, что позволяет расследовать инциденты и минимизировать риски, связанные с человеческим фактором.