Корпоративный ИИ-ассистент — это внутренний чат с языковой моделью, который работает по правилам компании: сотрудники входят под своей учётной записью, видят только разрешённые им документы, а запросы, данные и расходы остаются под контролем владельца системы. Запуск стоит начинать не с выбора модели, а с инвентаризации данных и задач: сначала определить, какие сведения можно отправлять во внешний API, какие — только в контур внутри России или на собственные серверы, и какие процессы дадут измеримый эффект.
Материал подготовлен AIrassvet и проверен по открытым источникам 30 сентября 2026 года. Он адресован собственникам, ИТ-директорам, руководителям служб безопасности и операционным руководителям, которые хотят дать сотрудникам ИИ без утечки данных. Правовые нормы приведены по редакции 152-ФЗ, опубликованной в КонсультантПлюс на дату проверки; это не юридическое заключение, и конкретную схему обработки персональных данных стоит согласовать с юристом. Раздел об AIrassvet в конце описывает услуги издателя.
Содержание
- Что такое корпоративный ИИ-ассистент
- Почему компании уже нужен свой ассистент
- Какие задачи решает ассистент в отделах
- Три архитектуры: облако, частный контур, on-premise
- Персональные данные и 152-ФЗ
- Из чего состоит корпоративный ИИ-ассистент
- База знаний с учётом прав доступа
- Риски безопасности и меры защиты
- Пошаговый план запуска
- Как измерять эффект
- Типичные ошибки внедрения
- Чек-лист перед запуском
- Частые вопросы
- Первоисточники и метод проверки
Что такое корпоративный ИИ-ассистент
Определение. Корпоративный ИИ-ассистент — это приложение для сотрудников, в котором языковая модель (LLM) отвечает на вопросы, готовит тексты, анализирует документы и выполняет разрешённые действия, а компания управляет доступом, источниками знаний, журналами и выбором моделей.
От публичного чат-бота его отличают не «умность» модели, а четыре свойства управления:
- Идентификация. Вход через корпоративную учётную запись, а не через личные аккаунты. Уволенный сотрудник теряет доступ вместе с остальными системами.
- Контроль данных. Компания заранее решает, какие категории информации можно отправлять в какую модель, и технически ограничивает остальное.
- Корпоративные знания. Ассистент отвечает по регламентам, договорам, инструкциям и базе продуктов, а не только по общим знаниям модели.
- Учёт и аудит. Видно, кто и как использует систему, сколько это стоит и где ответы оказались неверными.
Термин «свой ChatGPT» в разговоре обычно означает именно это: привычный интерфейс чата, но с правилами, которые задаёт работодатель. Собственную модель с нуля для этого обучать не нужно — в большинстве случаев используются готовые модели через API или развёрнутые на своих серверах открытые модели.
Почему компании уже нужен свой ассистент
Главная причина — сотрудники уже используют ИИ, и часто без ведома работодателя. По исследованию Microsoft и LinkedIn Work Trend Index 2024, 75% опрошенных работников умственного труда применяли генеративный ИИ в работе, а 78% из тех, кто использует ИИ, приносили собственные инструменты (Bring Your Own AI). В малых и средних компаниях последняя доля составила 80%. Опрос провела Edelman Data & Intelligence с 15 февраля по 28 марта 2024 года среди 31 000 человек в 31 стране; Россия в выборку не входила, поэтому цифры описывают глобальную тенденцию, а не российский рынок.
Такое использование называют теневым ИИ (shadow AI). Его риски практические:
- фрагменты договоров, клиентских баз и финансовой отчётности попадают в сервисы, условия хранения данных в которых компания не проверяла;
- знания остаются в личных чатах сотрудников и не накапливаются в компании;
- руководство не знает, какие решения принимаются с опорой на ответы модели;
- расходы на подписки распределены по личным картам и не видны в бюджете.
Запретить ИИ полностью обычно не получается: запрет смещает использование в личные телефоны. Более управляемая стратегия — дать сотрудникам разрешённый инструмент, который удобнее теневого, и одновременно закрепить правила. Подробнее о том, какие сведения можно передавать внешним моделям, — в статье можно ли отправлять клиентские данные в ИИ.
Какие задачи решает ассистент в отделах
Корпоративный ассистент полезен там, где сотрудник тратит время на поиск информации, подготовку типовых текстов или первичный разбор документов. Ниже — типовые сценарии; эффект каждого нужно измерять на своих данных.
| Отдел | Типовые задачи ассистента | Какие данные нужны | Что остаётся за человеком |
|---|---|---|---|
| Продажи | Черновики КП и писем, ответы по продуктам, подготовка к встрече | Каталог, прайс, шаблоны, история клиента в CRM | Цена, скидка, обязательства перед клиентом |
| Поддержка | Поиск ответа в базе знаний, черновик ответа клиенту | Инструкции, FAQ, история обращений | Спорные случаи, компенсации |
| Юристы | Сравнение редакций, поиск рискованных условий, сводка договора | Договоры, шаблоны, внутренняя политика | Правовая оценка и подпись |
| HR | Ответы по кадровым регламентам, адаптация новичков | Положения, инструкции, оргструктура | Решения о персонале |
| Финансы | Пояснения к отчётам, сверка формулировок, запросы к данным | Регламенты, выгрузки, справочники | Утверждение и платежи |
| ИТ и разработка | Разбор логов, помощь с кодом и документацией | Репозитории, базы знаний, тикеты | Выкладка изменений в продакшн |
| Руководители | Сводки совещаний, анализ документов, подготовка поручений | Протоколы, отчёты, задачи | Приоритеты и ответственность |
Хорошее правило отбора: задача повторяется часто, результат можно проверить, а ошибка не приводит к необратимым последствиям без участия человека. Для адаптации сотрудников такой сценарий подробно разобран в статье ИИ для адаптации и обучения сотрудников.
Три архитектуры: облако, частный контур, on-premise
Выбор архитектуры определяется не модой, а тем, какие данные будут обрабатываться. Практически компании выбирают один из трёх вариантов или их комбинацию.
| Архитектура | Как устроена | Когда подходит | Ограничения |
|---|---|---|---|
| Внешний облачный API | Интерфейс компании, запросы уходят в API провайдера модели | Обезличенные задачи, тексты без персональных данных и тайны | Нужно проверить условия хранения данных и трансграничную передачу |
| Российский облачный контур | Модели в облаке российского провайдера, например через GigaChat API или Yandex AI Studio | Нужна обработка внутри России без собственного оборудования | Выбор моделей ограничен каталогом провайдера; договор и настройки хранения проверяются отдельно |
| On-premise | Открытые модели на собственных серверах или в выделенном контуре | Коммерческая тайна, строгие требования безопасности, отсутствие внешних подключений | Нужны GPU, эксплуатация, обновления и собственная экспертиза |
На практике всё чаще используют гибрид через шлюз моделей: простые обезличенные задачи идут в более мощную внешнюю модель, чувствительные — в локальную. Шлюз проверяет запрос, применяет правила маршрутизации и ведёт учёт. Подробно о выборе между вариантами по совокупной стоимости — в разборе облачная или локальная LLM, а о маршрутизации между моделями — в статье роутер моделей ИИ для бизнеса.
Для on-premise есть зрелые открытые компоненты. Например, Open WebUI описывает себя как самостоятельно размещаемую платформу, способную работать полностью офлайн и подключать Ollama и OpenAI-совместимые API; LibreChat — ещё один открытый интерфейс чата с поддержкой разных провайдеров; vLLM используется для обслуживания открытых моделей с OpenAI-совместимым API. Выбор конкретного стека зависит от требований к аутентификации, журналированию и нагрузке — это проверяется на пилоте, а не по списку функций.
Персональные данные и 152-ФЗ
Если сотрудники будут отправлять в ассистент сведения о клиентах, работниках или контрагентах-физлицах, система становится частью обработки персональных данных. Три нормы 152-ФЗ особенно важны для выбора архитектуры.
Локализация. По части 5 статьи 18 152-ФЗ при сборе персональных данных граждан РФ запись, систематизация, накопление, хранение, уточнение и извлечение с использованием баз данных за пределами России не допускаются, кроме случаев, перечисленных в законе. Это не запрещает любую работу с зарубежными сервисами, но требует понимать, где первично собираются и хранятся данные.
Трансграничная передача. По части 3 статьи 12 оператор до начала трансграничной передачи обязан уведомить Роскомнадзор о таком намерении, причём отдельно от общего уведомления об обработке персональных данных. Отправка текста с персональными данными в API модели за рубежом может считаться такой передачей.
Меры безопасности. Статья 19 обязывает принимать правовые, организационные и технические меры защиты. Для ассистента это означает управление доступом, журналирование и контроль того, куда уходят данные.
Практический вывод: до запуска составьте матрицу классов данных — какие категории разрешены для внешнего API, какие только для российского облака, какие только для локальной модели, а какие запрещены совсем. Там, где возможно, используйте обезличивание до отправки запроса. Для особо чувствительных процессов изучите режимы без хранения запросов у провайдера — см. статью Zero Data Retention и безопасность ИИ.
Из чего состоит корпоративный ИИ-ассистент
Работающая система — это не одна модель, а несколько слоёв. Каждый слой отвечает на свой вопрос управления.
| Компонент | За что отвечает | Что проверить при выборе |
|---|---|---|
| Интерфейс | Чат в браузере, мессенджере или встроенный в рабочие системы | Удобство, мобильный доступ, поддержка файлов |
| Аутентификация | Вход через корпоративный каталог (SSO, LDAP, Active Directory) | Автоматическое отключение уволенных, группы доступа |
| Шлюз моделей | Маршрутизация запросов, лимиты, фильтры данных | Правила по классам данных, учёт расходов по отделам |
| Модели | Генерация ответов, эмбеддинги для поиска | Качество на ваших задачах, язык, стоимость, место обработки |
| База знаний (RAG) | Поиск по документам компании перед ответом | Учёт прав доступа, актуальность, ссылки на источник |
| Инструменты | Действия во внешних системах: CRM, 1С, трекер задач | Минимальные права, подтверждение человеком |
| Журналы и оценка | Логи запросов, отзывы пользователей, тестовые наборы | Сроки хранения логов, доступ к ним, маскирование |
Отдельно продумайте единый API к моделям: если каждый отдел подключает модели самостоятельно, компания теряет контроль расходов и правил. О таком шлюзе — в статье единый LLM API для бизнеса.
База знаний с учётом прав доступа
Самая ценная функция корпоративного ассистента — ответы по внутренним документам. Её реализуют через RAG (Retrieval-Augmented Generation): система сначала находит релевантные фрагменты документов, затем передаёт их модели вместе с вопросом, а модель формулирует ответ со ссылками на источник.
Ключевая ошибка — загрузить все документы в один общий индекс. Тогда менеджер по продажам сможет через ассистента узнать зарплаты или условия сделки, которые ему не положено видеть. Правильная схема повторяет права исходных систем:
- Каждый фрагмент хранит метку доступа — отдел, группа, уровень конфиденциальности или ссылку на права исходного документа.
- Поиск фильтруется до генерации. Модель получает только те фрагменты, которые пользователь мог бы открыть сам.
- Индекс синхронизируется с источником. Удалённый или отозванный документ перестаёт находиться.
- Ответ показывает источник. Сотрудник может открыть документ и проверить формулировку.
- Нет ответа — так и говорит. Если в разрешённых источниках нет данных, ассистент сообщает об этом, а не додумывает.
Даже качественный RAG не гарантирует отсутствия ошибок: модель может неверно объединить фрагменты или неточно пересказать. Поэтому для ответов, от которых зависят деньги или права людей, нужна ссылка на источник и проверка человеком. О том, как измерять и снижать ошибки поиска и генерации, — в статье точность RAG и галлюцинации, а об устройстве базы — в материале корпоративная база знаний с ИИ-агентом.
Риски безопасности и меры защиты
Удобная классификация рисков — OWASP Top 10 for LLM Applications 2025. Для внутреннего ассистента наиболее значимы пять пунктов из десяти.
| Риск по OWASP | Как проявляется в ассистенте | Мера защиты |
|---|---|---|
| LLM01 Prompt Injection | Документ или письмо содержит скрытую инструкцию, которую модель выполняет | Разделять инструкции и данные, ограничивать инструменты, проверять действия |
| LLM02 Sensitive Information Disclosure | Модель выдаёт в ответе данные, к которым у пользователя нет доступа | Фильтрация RAG по правам, маскирование, классы данных |
| LLM06 Excessive Agency | Ассистент с доступом к CRM или 1С выполняет лишнее действие | Минимальные права, подтверждение человеком для записи и отправки |
| LLM08 Vector and Embedding Weaknesses | Общий векторный индекс смешивает документы разных уровней доступа | Раздельные индексы или фильтры, проверка утечек между группами |
| LLM10 Unbounded Consumption | Скрипт или пользователь расходует бюджет запросами | Лимиты по пользователям и отделам, мониторинг расходов |
Остальные пункты списка — цепочка поставок, отравление данных, небезопасная обработка вывода, утечка системного промпта и дезинформация — тоже нужно учесть в модели угроз, особенно если ассистент подключается к внешним источникам. Для общей рамки управления рисками можно использовать NIST AI Risk Management Framework: он не является российским требованием, но помогает структурировать роли, оценку и мониторинг.
Самое важное организационное правило: ассистент не получает больше прав, чем сотрудник, от имени которого он работает, а необратимые действия — отправка писем клиентам, изменение данных в учётных системах, платежи — требуют явного подтверждения человеком.
Пошаговый план запуска
Ниже — порядок, который позволяет запустить ассистента без больших ставок и проверить эффект до масштабирования. Сроки каждого шага зависят от размера компании и состояния данных, поэтому они здесь не указываются.
Шаг 1. Инвентаризация задач и данных
Опросите 5–10 руководителей и активных сотрудников: где они уже используют ИИ, какие задачи повторяются, какие документы ищут чаще всего. Составьте список сценариев и для каждого укажите класс данных.
Шаг 2. Политика использования ИИ
Опишите простыми словами: какие инструменты разрешены, какие данные нельзя отправлять, кто отвечает за результат, как сообщать об ошибках. Политика нужна до запуска, иначе ассистент унаследует правила теневого ИИ.
Шаг 3. Выбор архитектуры по матрице данных
Сопоставьте классы данных и архитектуры из таблицы выше. Если есть персональные данные или коммерческая тайна, заранее определите, какие из них обрабатываются только в российском или локальном контуре.
Шаг 4. Тестовый набор вопросов
Соберите 50–100 реальных вопросов сотрудников с эталонными ответами и ссылками на документы. Этот набор — главный инструмент выбора модели и настройки RAG: вы сравниваете варианты на своих задачах, а не по рейтингам.
Шаг 5. Пилот на одном-двух отделах
Подключите ограниченную группу, одну-две базы знаний и минимальный набор функций. Включите сбор оценок ответов («полезно / неверно») и журналирование.
Шаг 6. Измерение и корректировка
Сравните метрики пилота с исходным состоянием, разберите неверные ответы, исправьте источники и правила. Добавляйте инструменты действий только после стабильного качества ответов.
Шаг 7. Обучение пользователей
Короткие инструкции по ролям: как формулировать запрос, как проверять ответ, чего нельзя отправлять. Вовлечение сотрудников — отдельная управленческая задача, она разобрана в статье как вовлечь сотрудников в использование ИИ.
Шаг 8. Масштабирование и эксплуатация
Расширяйте доступ по отделам, назначьте владельца системы, регулярно обновляйте тестовый набор и пересматривайте выбор моделей: рынок меняется быстро, и модель, лучшая сегодня, может уступить через несколько месяцев.
Как измерять эффект
Число запросов показывает интерес, но не пользу. Эффект нужно измерять на уровне задач и сравнивать с исходным состоянием, зафиксированным до пилота.
| Метрика | Как считать | Зачем |
|---|---|---|
| Время на типовую задачу | Замер до и после на одинаковом наборе задач | Прямой эффект производительности |
| Доля ответов с подтверждённым источником | Проверка выборки ответов по базе знаний | Качество RAG |
| Доля ответов, отмеченных как неверные | Отзывы пользователей и выборочный аудит | Риск ошибок |
| Активные пользователи по отделам | Уникальные пользователи за неделю или месяц | Реальное использование |
| Стоимость на задачу | Расходы на модели и инфраструктуру / число решённых задач | Экономика |
| Снижение теневого использования | Опрос и данные сетевого контроля | Управление рисками |
Не переносите чужие проценты экономии на свою компанию: эффект определяется вашими процессами, данными и дисциплиной проверки. Подробнее о системе метрик — в статье метрики эффективности ИИ-агентов.
Типичные ошибки внедрения
- Начинать с выбора модели. Модель — заменяемый компонент; дольше всего живут правила данных, права доступа и тестовый набор.
- Один общий индекс документов. Приводит к утечке данных между отделами через ответы ассистента.
- Запуск без политики. Сотрудники продолжают отправлять чувствительные данные, теперь уже в корпоративную систему без правил.
- Нет владельца. Базы знаний устаревают, ответы деградируют, доверие падает.
- Инструменты действий без подтверждения. Ассистент, который может сам отправить письмо или изменить сделку, должен иметь ограниченные права и контроль.
- Оценка по впечатлениям. Без исходного замера нельзя понять, принёс ли пилот пользу.
Чек-лист перед запуском
- Составлена матрица классов данных и разрешённых архитектур.
- Утверждена политика использования ИИ и назначен владелец системы.
- Проверены требования 152-ФЗ к локализации, трансграничной передаче и мерам защиты для выбранной схемы.
- Вход настроен через корпоративную учётную запись, отключение доступа синхронизировано с кадровыми процессами.
- База знаний индексируется с метками доступа, ответы показывают источник.
- Инструменты действий ограничены минимальными правами, необратимые операции требуют подтверждения.
- Есть лимиты расходов и журналирование с понятным сроком хранения.
- Собран тестовый набор реальных вопросов и зафиксированы исходные метрики.
- Подготовлены инструкции для пользователей и канал сообщений об ошибках.
Частые вопросы
Нужно ли обучать собственную модель для корпоративного ассистента?
Обычно нет. Большинство задач решается готовыми моделями через API или открытыми моделями на своих серверах плюс поиск по базе знаний (RAG). Дообучение имеет смысл для узкой терминологии или формата ответов, когда RAG и инструкции уже не дают нужного качества.
Можно ли использовать зарубежные модели в российской компании?
Можно для задач, где нет персональных данных и чувствительной информации, либо после обезличивания. Если в запросах есть персональные данные граждан РФ, нужно учитывать требования 152-ФЗ о локализации и уведомлении Роскомнадзора о трансграничной передаче. Конкретную схему стоит согласовать с юристом.
Чем корпоративный ассистент отличается от чат-бота на сайте?
Чат-бот на сайте обслуживает клиентов и отвечает по публичной информации. Корпоративный ассистент работает для сотрудников, использует внутренние документы с учётом прав доступа и может выполнять действия во внутренних системах. Требования к безопасности и аутентификации у него выше.
Как не допустить, чтобы ассистент выдал сотруднику чужие данные?
Поиск по документам должен фильтроваться по правам пользователя до того, как фрагменты попадут в модель. Каждый фрагмент хранит метку доступа из исходной системы, а индекс синхронизируется при изменении прав. Это нужно проверять тестами на утечку между группами.
Что выбрать для старта: облако или свои серверы?
Решение зависит от классов данных. Для обезличенных задач облачный API обычно запускается быстрее. Если в работе коммерческая тайна или персональные данные, рассматривают российское облако или on-premise, часто в гибридной схеме через шлюз моделей.
Как понять, что пилот удался?
Сравните метрики пилота с замером до запуска: время на типовые задачи, долю ответов с подтверждённым источником, долю ошибок и активное использование. Если улучшение видно на ваших задачах и ошибки контролируемы, пилот можно расширять.
Кто должен владеть корпоративным ИИ-ассистентом?
Нужен назначенный владелец системы, который отвечает за правила, качество базы знаний, выбор моделей и расходы. Обычно это совместная роль ИТ и бизнес-подразделения, а служба безопасности согласует правила данных.
Первоисточники и метод проверки
Материал подготовлен по открытым источникам, проверенным 30 сентября 2026 года:
- Федеральный закон № 152-ФЗ «О персональных данных» в редакции, опубликованной в КонсультантПлюс: статьи 12, 18 и 19.
- Microsoft и LinkedIn, Work Trend Index 2024 — данные об использовании ИИ и Bring Your Own AI.
- OWASP Top 10 for LLM Applications 2025 — классификация рисков.
- NIST AI Risk Management Framework — рамка управления рисками.
- Документация GigaChat API, Yandex AI Studio, Open WebUI, LibreChat и vLLM — примеры доступных компонентов, без оценки их качества.
Методика: правовые нормы приведены по тексту статей, статистика — с указанием выборки, периода и географии опроса. Таблицы задач, архитектур и метрик — редакционный анализ AIrassvet, а не результаты измерений. Упоминание продуктов не является рекомендацией конкретного поставщика; платных связей с упомянутыми компаниями издатель не заявляет.
Главное ограничение: в статье нет собственных измерений эффекта корпоративных ассистентов. Экономию времени и качество ответов нужно проверять на задачах и данных вашей компании.
Как AIrassvet помогает запустить корпоративного ИИ-ассистента
Если вы хотите заменить теневой ИИ управляемым инструментом, работу удобно начинать с одной группы сотрудников и понятного набора задач. На сайте AIrassvet, который также использует название «AI студия Владимира Ломтева», описаны направления, применимые к этой задаче:
- Разработка корпоративного рабочего места с ИИ и подключение отечественных или зарубежных моделей через защищённый шлюз.
- Развёртывание открытых моделей на серверах компании для данных, которые нельзя передавать наружу.
- Построение базы знаний на RAG, которая отвечает по внутренним регламентам со ссылкой на документ.
- Аудит процессов, интеграция, тестирование, обучение сотрудников и сопровождение после запуска.
Первый шаг — выбрать один процесс или отдел, описать текущую работу, источники данных, ограничения по безопасности и критерий, по которому вы признаете пилот успешным.
Итог: с чего начать
Корпоративный ИИ-ассистент решает две задачи сразу: даёт сотрудникам полезный инструмент и возвращает под контроль данные, которые уже уходят во внешние сервисы. Работающая система строится вокруг правил — классов данных, прав доступа, журналирования и подтверждения действий, — а модель остаётся заменяемым компонентом.
Начните с инвентаризации задач и данных, выберите архитектуру по матрице классов информации, соберите тестовый набор реальных вопросов и проведите пилот в одном-двух отделах с исходным замером. Так вы получите решение, эффект которого можно показать цифрами вашей компании, а не чужими обещаниями.
