Пилот LLM проходит согласование со службой информационной безопасности, когда команда приносит не идею, а пакет: какие классы данных попадут в модель, где модель размещена, как данные маскируются, кто видит журнал запросов, какие действия требуют подтверждения человека и в какой изолированной зоне идёт тест. По исследованию Content AI, именно ИБ называют главным стоп-фактором 76% опрошенных компаний, а 83% считают критически важным начать с лёгкого облачного пилота на нечувствительных данных и измерить эффект за 2–3 месяца. Значит, договариваться с ИБ стоит до старта пилота, а не после.
Материал подготовлен AIrassvet 15 октября 2026 года по исследованию Content AI «Сначала пилот, потом стратегия: как крупный бизнес внедряет LLM», опубликованному на Хабре 14 октября 2026 года (более 50 глубинных интервью с представителями ИТ- и ИБ-служб среднего и крупного бизнеса). Он адресован ИТ-директорам, руководителям цифровой трансформации и владельцам бизнес-процессов, которые готовят первый пилот с языковой моделью. Мы не проводили собственного опроса: все проценты принадлежат Content AI, а матрица данных, пакет для ИБ и план пилота — методика редакции. Статья не является юридической консультацией: требования к персональным данным и коммерческой тайне нужно сверить с юристом и службой ИБ вашей компании. AIrassvet не аффилирован с Content AI; раздел в конце статьи описывает услуги издателя.
Содержание
- Кратко
- Что показало исследование Content AI
- Почему служба ИБ тормозит LLM-проекты
- Какие данные можно отдавать в пилот
- Где размещать модель в пилоте и в продуктиве
- Пакет для согласования с ИБ
- План пилота на один квартал
- Как решить, масштабировать ли пилот
- Частые ошибки
- Частые вопросы
- Первоисточники и метод проверки
Кратко
- Кейсы появляются быстрее стратегий. Генеративный ИИ уже работает в операционных процессах у 53% опрошенных Content AI компаний, ещё 29% ведут пилоты, а у половины нет утверждённой ИИ-стратегии.
- Главный барьер — информационная безопасность. Её как стоп-фактор назвали 76% респондентов; экономику и ROI — лишь 6%.
- Решение зависит от класса данных. Для персональных данных 62% компаний в той или иной форме блокируют передачу во внешние сервисы, для коммерческой тайны только 19% готовы отдать её внешней модели.
- Старт — лёгкий пилот, а не кластер. Высокий CAPEX сильно тормозит пилоты у 77% опрошенных; 83% хотят начать в облаке на нечувствительных данных и перенести решение во внутренний контур после успеха.
- Согласование ускоряет пакет документов: карта данных, размещение модели, маскирование, журналирование, подтверждение человеком, тестовая зона и модель ответственности.
Что показало исследование Content AI
Content AI провела более 50 глубинных интервью с представителями ИТ- и ИБ-служб компаний из ритейла, банков, нефтегаза, ТЭК, телекома и других отраслей (Хабр, 14.10.2026). Это качественное исследование на небольшой выборке, поэтому проценты стоит читать как картину настроений крупного бизнеса, а не как статистику по всему рынку.
| Показатель | Доля опрошенных |
|---|---|
| Генеративный ИИ в операционных процессах | 53% |
| Ведут пилотные проекты | 29% |
| Только личное использование моделей сотрудниками | 18% |
| Относят себя к «уровню 2»: изучают эффект пилотов, в продуктиве ещё нет | 41% |
| Считают, что достигли «уровня 4–5»: гибрид моделей, регламенты, измеримый эффект | 6% |
| Готовы пилотировать полностью автономных агентов | 15% |
Парадокс, который отмечают авторы, — кейсы внедрения появляются быстрее, чем ИИ-стратегии. Типичная картина: пункт об ИИ в общей стратегии цифровизации есть, а конкретных положений о данных, выборе моделей и использовании агентов нет. Отсюда и название исследования: сначала пилот, потом стратегия.
Как измерять разрыв между доступом к модели и реальными процессами, мы разбирали в статье о разрыве внедрения ИИ в компаниях.
Почему служба ИБ тормозит LLM-проекты
По данным Content AI, инициатива LLM-проекта в 47% компаний исходит сразу от нескольких служб, в 27% — от бизнеса, в 26% — от ИТ и топ-менеджмента. А вот останавливает проекты чаще всего одна служба:
| Стоп-фактор LLM-проекта | Доля опрошенных |
|---|---|
| Служба информационной безопасности | 76% |
| Экономика и ROI | 6% |
| Бюрократия и закупки | 6% |
| Сочетание факторов | 12% |
Важно понять логику ИБ: служба отвечает за риски, а не за эффект. Языковая модель — новый канал, через который данные могут уйти за периметр, а агент — новый субъект с правами в корпоративных системах. Пока у компании нет политики, ИБ вынуждена оценивать каждый проект с нуля: по данным исследования, 53% компаний принимают решения по фактически возникающим кейсам и только у 47% есть заранее утверждённые политики.
Запрет без безопасной альтернативы тоже не работает. Эксперты в исследовании отмечают, что тотальный запрет порождает «теневой ИИ»: сотрудники пользуются публичными сервисами скрыто. Самой успешной стратегией 56% респондентов считают корпоративный шлюз, через который проходят все внешние запросы к LLM, с логированием и фильтрацией; ещё 22% пытаются блокировать сотрудников и признают, что это не работает. Подробнее о том, как найти и легализовать такие подключения, — в статье о теневом ИИ.
Какие данные можно отдавать в пилот
Готовность передавать данные наружу у опрошенных компаний зависит от класса информации (Content AI):
| Класс данных | Что говорят компании | Практический вывод для пилота |
|---|---|---|
| Персональные данные | 31% — полное табу на передачу, 31% — только в своём контуре, 38% — внешняя модель допустима с маскированием и отдельным договором | Пилот без ПДн или с маскированием; для продуктива — свой контур |
| Коммерческая тайна и ноу-хау | 56% — только в своём контуре, 25% — полный запрет на обработку LLM, 19% — готовы передать внешней модели | Не использовать в облачном пилоте |
| Сервис-деск, обращения, открытые данные | 46% готовы выполнять в облаке, 38% — условно | Хороший кандидат для первого пилота |
| Финансовые и платёжные операции агентом | 80% — только с обязательным подтверждением человека | Агент готовит операцию, человек подтверждает |
Отдельно исследование фиксирует отраслевые запреты: в банковском секторе применение открытых облачных моделей и сервисов на их основе запрещено полностью.
Маскирование данных опрошенные считают самым сильным инструментом защиты: 91% признали, что оно способно снять часть внутренних ограничений и открыть дорогу гибридным схемам. Но часть экспертов предупреждает, что маскирование само по себе не спасает, если данные всё равно идут по незащищённому каналу. Как устроено обезличивание перед отправкой в модель, мы разбирали в статье о передаче клиентских данных в ИИ.
Для персональных данных граждан РФ есть и прямое требование закона: при сборе ПДн запись, систематизация, накопление, хранение, уточнение и извлечение с использованием баз данных за пределами России не допускаются, за исключением случаев, указанных в законе (152-ФЗ, ст. 18, ч. 5). О том, что это значит для зарубежных ИИ-сервисов, — в статье о 152-ФЗ и зарубежных ИИ.
Где размещать модель в пилоте и в продуктиве
Для основной платформы опрошенные Content AI выбирают так: собственная инфраструктура — 41%, гибридная схема — 35%, облачные сервисы — 24%. Вариант «частное облако» не назвал никто: на практике его приравнивают к облаку, а службы ИБ относятся к нему с недоверием.
В пилотах картина другая: запуск в публичном облаке на нечувствительных или синтетических данных допускают 65% респондентов, на реальной информации — 21%, а 14% против облака даже в пилотах. Отношение к моделям тоже разное:
- зарубежные API: прямой внутренний запрет у 37% компаний, ограниченное применение допускают 50%, по контракту используют 13%;
- российские облачные LLM: качество считают недостаточным 70%, используют или готовы использовать 30%;
- китайские и открытые модели в закрытом контуре: положительно воспринимают или уже применяют 56%, настороженно относятся 25%, нейтральны 19%.
Ключевой вывод исследования: происхождение модели пока не стало решающим фактором, важнее то, как реализован контроль над данными. Поэтому 86% опрошенных важна или желательна возможность принести свою модель (BYO-LLM), а 56% нужна помощь с инфраструктурой «под ключ».
Почему не стоит начинать с покупки кластера. Высокий CAPEX сильно тормозит пилоты у 77% опрошенных. Авторы описывают типичный сценарий: вендор обещает быстрый возврат инвестиций, но предлагает сначала купить вычислительный кластер за 20–30 млн рублей, что при сокращающихся ИТ-бюджетах почти нереализуемо. 83% считают критически важным начать с лёгкого облачного пилота, измерить эффект за 2–3 месяца и только при успехе переносить решение во внутренний контур. Сравнение облака и собственного контура по совокупной стоимости — в статье об облачной и локальной LLM.
Пакет для согласования с ИБ
Исследование называет три элемента, с помощью которых преодолевают барьер ИБ: пакет документов, тестовая зона и чёткая модель ответственности. Ниже — состав такого пакета в версии редакции AIrassvet. Это чек-лист для подготовки, а не нормативный перечень.
- Описание сценария. Один процесс, пользователи пилота, что делает модель и чего не делает, ожидаемый эффект и метрика.
- Карта данных. Какие классы данных попадают в запросы, в базу знаний и в журналы; источник каждого класса; есть ли ПДн и коммерческая тайна.
- Размещение и модель. Облако, гибрид или свой контур; конкретная модель и провайдер; юрисдикция обработки; условия хранения данных у провайдера.
- Меры защиты данных. Маскирование до отправки, корпоративный шлюз к моделям, фильтрация запросов и ответов, шифрование каналов.
- Права и действия. К каким системам подключена модель или агент, только чтение или запись, какие действия требуют подтверждения человеком.
- Журналирование. Что пишется в журнал, где он хранится, кто имеет доступ, сколько хранится — журнал промптов сам содержит чувствительные данные.
- Тестовая зона. Изолированный стенд, синтетические или обезличенные данные, срок пилота, условия остановки.
- Модель ответственности. Владелец процесса, владелец данных, ответственный за модель, порядок реагирования на инцидент.
Если в компании много ИИ-сервисов, пункт 4 удобно закрыть единым шлюзом с фильтрацией и журналом — так ИБ согласует не каждое приложение, а одну точку контроля.
План пилота на один квартал
Горизонт в 2–3 месяца взят из ожиданий респондентов Content AI; разбивка по этапам — методика редакции, а не результат нашего проекта.
| Этап | Что делать | Результат для ИБ и бизнеса |
|---|---|---|
| Подготовка | Выбрать процесс с нечувствительными данными, зафиксировать базовую метрику, собрать пакет для ИБ | Согласованный пакет и измеренная точка отсчёта |
| Запуск на стенде | Подключить модель через шлюз, включить журналирование, при необходимости маскирование | Работающий прототип в тестовой зоне |
| Работа с пользователями | Небольшая группа сотрудников использует решение в реальных задачах | Данные об эффекте, ошибках и инцидентах |
| Оценка | Сравнить метрику с базовой, разобрать журналы и инциденты вместе с ИБ | Решение: остановить, доработать или масштабировать |
Как уложить первую версию ИИ-решения в короткий срок, мы описывали в статье об MVP на ИИ, а как выбрать процесс и зафиксировать точку отсчёта — в материале об аудите бизнес-процессов.
Как решить, масштабировать ли пилот
Исследование подчёркивает: средний бизнес хочет увидеть эффект в течение квартала, крупный готов считать совокупную стоимость владения на годы вперёд, но без быстрой демонстрации результата крупные суммы не выделяют. Перед решением о масштабировании стоит ответить на вопросы:
- Достигнут ли критерий эффекта, зафиксированный до старта?
- Были ли инциденты с данными и как они закрыты?
- Какие классы данных понадобятся при масштабировании и требуют ли они перехода в свой контур?
- Во сколько обойдётся продуктив с учётом инфраструктуры, а не только пилот?
- Кто будет владельцем решения после пилота?
Почему важен перенос в свой контур. Пилот на нечувствительных данных доказывает эффект, но продуктив почти всегда включает более чувствительную информацию. Поэтому архитектуру с возможностью сменить модель и перенести её внутрь стоит закладывать ещё в пилоте.
Частые ошибки
- Идти в ИБ с идеей, а не с пакетом. Без карты данных служба безопасности оценивает худший сценарий.
- Брать в первый пилот ПДн или коммерческую тайну. Это переводит пилот в разряд проектов, которые большинство опрошенных компаний разрешают только в своём контуре.
- Начинать с покупки оборудования. Вложения в собственный контур авторы исследования связывают с боевой средой, а не с пилотом.
- Давать агенту полную автономию. Полностью автономных агентов готовы пилотировать только 15% компаний; 38% поддерживают агентов только с участием человека.
- Не фиксировать базовую метрику. Без точки отсчёта нельзя доказать эффект за квартал.
Частые вопросы
Почему служба ИБ блокирует LLM-проекты?
Языковая модель — новый канал, через который данные могут уйти за периметр, а агент — новый субъект с правами в корпоративных системах. Пока у компании нет политики по ИИ, ИБ оценивает каждый проект с нуля и видит худший сценарий. По исследованию Content AI, ИБ называют главным стоп-фактором 76% опрошенных.
Можно ли проводить пилот LLM в облаке?
Да, если в пилот не попадают чувствительные данные. По данным Content AI, 65% опрошенных допускают запуск в публичном облаке на нечувствительных или синтетических данных, а на реальной информации — только 21%. Персональные данные и коммерческую тайну в облачный пилот лучше не включать.
Какие документы нужны для согласования ИИ-пилота с ИБ?
Описание сценария, карта данных по классам, выбор размещения и модели, меры защиты данных, права модели или агента в системах, правила журналирования, описание тестовой зоны и модель ответственности. Такой пакет позволяет ИБ оценить конкретные риски, а не гипотетические.
Помогает ли маскирование данных пройти согласование?
Часто помогает: 91% опрошенных Content AI считают маскирование способным снять часть ограничений и открыть дорогу гибридным схемам. Но маскирование не заменяет защищённый канал, контроль доступа к журналам и требования закона к персональным данным.
Сколько должен длиться пилот LLM?
Респонденты Content AI ориентируются на 2–3 месяца для измерения эффекта; средний бизнес хочет увидеть результат в течение квартала. Срок стоит зафиксировать заранее вместе с метрикой и условиями остановки.
Нужна ли ИИ-стратегия до первого пилота?
Не обязательно: у половины опрошенных компаний её нет, а кейсы уже работают. Но минимальные правила — какие данные можно передавать, какие модели допустимы и кто отвечает за решение — стоит согласовать до старта, иначе каждый следующий проект пройдёт согласование заново.
Первоисточники и метод проверки
Метод: 15 октября 2026 года мы прочитали исследование Content AI целиком, выписали все доли с формулировками вопросов и сверили требование о локализации персональных данных с текстом 152-ФЗ. Собственного опроса AIrassvet не проводил; матрица данных, пакет для ИБ, план пилота и чек-лист решений — методика редакции.
- Хабр, 14.10.2026: Content AI, «Сначала пилот, потом стратегия: как крупный бизнес внедряет LLM» — все проценты в статье.
- Федеральный закон № 152-ФЗ «О персональных данных»: статья 18, часть 5 — локализация баз данных с ПДн граждан РФ.
Ограничения: выборка Content AI — более 50 интервью со средним и крупным бизнесом, без раскрытия распределения по отраслям; методика подсчёта долей в публикации подробно не описана. Исследование опубликовано в корпоративном блоге компании Content AI, а не в независимом издании, — это стоит учитывать при чтении выводов.
Как AIrassvet помогает подготовить пилот LLM
Пилот проходит ИБ быстрее, когда процесс, данные и архитектура описаны до первой встречи со службой безопасности. На сайте AIrassvet описаны направления, которые относятся к этой задаче напрямую:
- аудит процессов и подготовка данных: выбор процесса для пилота, базовая метрика и карта классов данных;
- развёртывание языковых моделей на серверах заказчика — когда после пилота решение нужно перенести во внутренний контур;
- разработка MVP, интеграция и тестирование в изолированной среде до подключения реальных пользователей;
- обучение команды работе с решением после запуска.
Первый шаг — выбрать один процесс, зафиксировать его текущую метрику, описать источники данных и ограничения службы ИБ и договориться, какой результат пилота будет считаться успешным.
Итог: договориться с ИБ до старта
Исследование Content AI показывает, что спор о пользе LLM для крупного бизнеса закончился, а главным барьером стала не экономика, а информационная безопасность. Компании хотят лёгкий пилот без больших вложений и с понятным эффектом за квартал, но такой пилот возможен, только если ИБ заранее понимает, какие данные и куда пойдут.
Поэтому начинайте с процесса на нечувствительных данных, приходите в ИБ с пакетом документов, заложите тестовую зону и модель ответственности, а архитектуру стройте так, чтобы после успешного пилота перенести решение в свой контур.
