Роль теневого ИИ в утечках выросла вдвое. В НВБС рассказали, как обойтись без блокировок нейросетей

Опрос, проведённый SuperJob, выявил, что каждый тринадцатый работодатель в стране уже ввёл полный или частичный запрет на использование ИИ. Однако единственным системным решением, как считают в системном интеграторе НВБС, является локализация алгоритмов, то есть развёртывание языковых моделей внутри собственной ИТ-инфраструктуры.

Shadow AI (теневой ИИ — скрытое использование персоналом нейросетей) превратился в один из главных каналов утечки корпоративных данных. Отчёт IBM Cost of a Data Breach 2026 показывает: он замешан в 43% киберинцидентов — вдвое больше, чем годом ранее. Средний ущерб от эпизода уже достиг 4,99 млн долл.

Масштаб проблемы подтверждает судебная практика — и мировая, и российская. Так, недавно Бабушкинский суд Москвы признал законным увольнение топ-менеджера инженерной компании за загрузку отчётов в китайский DeepSeek.

«Когда сотрудник компании для быстрого анализа загружает в промпт проект бюджета или договор, он бесплатно пополняет базу знаний публичной нейросети. Уже завтра она может совершенно легально сгенерировать эту коммерческую тайну конкуренту», — объясняет технический директор НВБС Дмитрий Антонюк.

Острее всего риск проявляется в структурах, работающих с персональными данными, и на объектах критической информационной инфраструктуры. Однако блокировки и ограничения, по мнению Дмитрия Антонюка, действенными не являются: запреты только снижают эффективность, но почти не влияют на способность и желание персонала соблюдать гигиену информационных потоков. Разработку собственных нейросетей с нуля эксперт считает нецелесообразной — она требует колоссальных трудозатрат, компетенций, вычислительных ресурсов и многомиллионных вложений в серверную инфраструктуру, что далеко не всегда имеет экономический смысл. Выходом тут становится адаптация существующих базовых моделей под конкретную организацию через создание доверенного контура: корпоративные знания подключаются к ней извне, например с использованием RAG-подхода, без встраивания документов в саму модель.

«Модель настраивается под текущие бизнес-процессы, в неё загружаются регламенты компании, сотрудникам она передаётся отрезанной от внешнего мира. Если дополнить её интеграцией с системами информационной безопасности, где DLP контролирует обращение с чувствительной информацией, SIEM-система выявляет аномалии, а системы управления доступом определяют права сотрудников, она будет отслеживать попытки съёма сведений и поведение пользователей, — говорит Дмитрий Антонюк. — При этом важно понимать: сама по себе оторванная от внешних источников нейросеть не "деградирует", однако её информационный контекст со временем устаревает, потому нужны контролируемые механизмы, подпитывающие её свежими данными через «песочницу» — среду проверки источников и аудита обновлений. И ключевое — модель должна быть проверена на все недекларированные возможности. Для владельца она обязана быть полностью прозрачной».

Важно, что сам факт передачи сотрудником корпоративной информации во внешние ИИ-сервисы не образует самостоятельного режима ответственности. Ответственность по-прежнему определяется нормами о персональных данных и коммерческой тайне.

В любом случае при работе с публичными сервисами Дмитрий Антонюк советует применять базовые правила: оценивать в первую очередь режим обработки информации сервисом, а не только факт наличия платной подписки; использовать официальные приложения их создателей; заходить с корпоративных учетных записей и управляемых устройств; чувствительные запросы направлять во временные чаты, не сохраняющие историю; сведения перед загрузкой обезличивать, вычищая названия компаний и имена физических лиц, реквизиты, номера документов, даты, суммы и любые другие данные, позволяющие восстановить исходный контекст.