Локальные LLM модели вместо облака: доля утечек через ИИ-чаты выросла втрое

Проблема утечки данных через облачные ИИ-модели знакома любой компании, где разработчики хотя бы раз вставляли рабочий код в ChatGPT. Источник, на который опирается эта новость, разбирает механику таких утечек, объясняет, почему корпоративные тарифы не снимают риск, и показывает, чем локальные LLM модели принципиально отличаются от аренды GPU в облаке.

Почему сотрудники сливают данные в облачные модели?

Типичный сценарий выглядит так: инженер сталкивается со срочным багом, коллеги недоступны, и он загружает репозиторий вместе с конфигурационными файлами (.env, где хранятся пароли и ключи доступа) прямо в ChatGPT. Через минуту задача решена, но у OpenAI уже есть все рабочие ключи проекта.

Никто не хотел ничего «сливать». Человек просто выбрал самый быстрый путь. Вот почему запрет, а не альтернатива, загоняет проблему в невидимую зону.

Цифры подтверждают масштаб:

• 90% специалистов подтвердили, что сотрудники используют ИИ-инструменты, но политика использования есть лишь у 38% организаций (опрос ISACA AI Pulse Poll 2026, 3400 респондентов)
• Shadow AI (использование ИИ-сервисов без ведома компании) выросло в 4 раза за год, по данным Verizon DBIR 2026
• Чаще всего во внешние модели отправляют исходный код, на втором месте изображения
• 71,6% обращений к облачным ИИ идут через несогласованные корпоративные аккаунты (телеметрия LayerX за 2025 год)
• Доля чувствительных данных в запросах к ChatGPT выросла с 11% в феврале 2023 года до 34,8% в отчёте Cyberhaven за 2025 год

Кейс Samsung: запрет не сработал

Самый известный пример. 11 марта 2023 года Samsung снял внутренний запрет на использование ChatGPT. К 30 марта зафиксировали три инцидента: два раза сотрудники отправили исходный код в поисках решения бага, один раз загрузили запись совещания для генерации протокола.

Первая реакция: ограничение размера запроса до 1024 байт и предупреждение сотрудникам. В мае 2023 года Bloomberg сообщил, что Samsung полностью запретил сотрудникам пользоваться ИИ-инструментами.

Решило ли это проблему? По логике источника, нет: сотрудники перешли на личные аккаунты из личных сетей. Видимый риск превратился в невидимый, а у инженеров появилась тихая неприязнь к службе безопасности.

Почему корпоративный тариф не снимает вопрос?

Можно купить Enterprise API с функцией ZDR (zero data retention, когда провайдер обещает не хранить ваши данные), но это далеко от полного контроля:

• ZDR покрывает не всё. Anthropic и OpenAI по умолчанию могут не включать ZDR для обычного веб-чата. Нужно прописывать дополнительные условия при покупке
• Данные всё равно физически попадают на чужой сервер. Промпт (запрос пользователя к модели) в любом случае оказывается на хосте с LLM, иначе модель его просто не увидит. На ваших данных не будут обучать модели, но владельцы сервиса их видят
• Суд обязывал OpenAI сохранять и передавать логи переписок, включая удалённые чаты. Ваш промпт может стать доказательством в чужом деле, к которому вы не причастны

Аренда GPU в облаке это не то же самое, что локальный инференс

Распространённое заблуждение: «арендуем GPU, поднимаем свою модель, данные в безопасности». На деле вы просто меняете одного наблюдателя на другого.

Источник приводит конкретный пример. CVE-2026-46229 это уязвимость в драйвере AMD на Linux: видеопамять (VRAM) нового буфера отдавалась пользователю без зачистки. Злоумышленник мог по фрагментам восстановить из памяти промпты и ключи предыдущего арендатора.

Провайдер обязан зачищать память между арендаторами (тенантами), но проверить это снаружи невозможно. Именно поэтому инференс (процесс генерации ответа моделью) на собственном оборудовании, а не на арендованном, принципиально отличается от облака.

Как попробовать локальные LLM модели?

1. Оцените, какие задачи сотрудники решают через облачные ИИ прямо сейчас. Чаще всего это генерация кода, суммаризация текстов, подготовка протоколов. Составьте список и покажите руководству не абстрактный «риск утечки», а конкретные сценарии: «Вот сюда улетают наши .env-файлы»
2. Выберите модель с открытыми весами (open weights, когда разработчик публикует параметры модели и разрешает запускать её на своём оборудовании). Для кодовых задач подойдут модели семейства Llama, Mistral или Qwen, они работают на потребительских видеокартах с 16 ГБ видеопамяти
3. Разверните инференс на собственном сервере. Инструменты вроде Ollama или vLLM позволяют запустить модель за несколько команд в терминале. Данные не покидают вашу сеть
4. Предложите альтернативу, а не запрет. Дайте сотрудникам внутренний чат с локальной моделью. Источник подчёркивает: если дать просто запрет, люди всё равно будут пользоваться внешними сервисами, просто вы об этом не узнаете

Сравнение с российскими облачными моделями

Для аудитории в России и СНГ вопрос актуален не меньше. YandexGPT и GigaChat (аналоги ChatGPT от «Яндекса» и «Сбера») хранят данные на российских серверах, что снимает часть юридических рисков, но не все.

Российские облачные модели подходят для задач без чувствительных данных. Но если в промптах фигурируют ключи доступа, исходный код или внутренние документы, локальная модель остаётся единственным вариантом, при котором данные физически не покидают периметр компании.

Что это значит для вас по ролям?

Авторам Дзена и копирайтерам. Если вы работаете с заказчиками и получаете под NDA внутренние материалы, загружать их в облачный ChatGPT или Claude рискованно: формально вы передаёте данные третьей стороне. Локальная модель на ноутбуке с Ollama снимает этот вопрос.

Маркетологам и предпринимателям. Клиентские базы, стратегии, финансовые модели, всё это чувствительные данные. Прежде чем вводить запрет на ИИ в команде, предложите альтернативу: внутренний сервер с открытой моделью. Запрет превращает видимый риск в невидимый, а альтернатива сохраняет и скорость работы, и контроль.

Руководителям и безопасникам. Источник подчёркивает: «лекция от безопасников с кучей профессиональных терминов работает исключительно как колыбельная». Используйте аналогии: «Вы отправляете конфиденциальный документ в типографию в другой стране и соглашаетесь, что сотрудники могут его прочитать». Цифры из отчётов ISACA и Verizon помогут обосновать бюджет на собственное оборудование.

Частые вопросы

Нужна ли мощная видеокарта для локальной модели?

Зависит от размера модели. Компактные модели (7-8 миллиардов параметров) запускаются на потребительских видеокартах с 8-16 ГБ видеопамяти. Для моделей покрупнее (70 миллиардов параметров) потребуется серверная карта или несколько GPU. Многие модели умеют работать и на процессоре без видеокарты, но заметно медленнее.

Локальная модель отвечает хуже, чем ChatGPT?

Для сложных творческих задач и длинных рассуждений GPT-4o и Claude пока сильнее большинства открытых моделей. Но для типовых рабочих запросов (суммаризация документа, генерация шаблонного текста, поиск ошибок в коде) разница часто незаметна. Главное преимущество локальной модели не в качестве ответа, а в том, что данные не покидают вашу сеть.

Законно ли в России использовать открытые модели?

Использование моделей с открытыми весами (Llama, Mistral, Qwen) для внутренних задач компании законно. Лицензии этих моделей допускают коммерческое использование. Ограничения могут касаться конкретных лицензионных условий каждой модели: перед развёртыванием стоит прочитать раздел LICENSE в репозитории.

Запрет на ИИ в команде не защищает данные, а прячет проблему. Локальная модель на своём сервере возвращает контроль туда, где он должен быть: внутрь компании.