Наши данные конфиденциальные — можно ли подключать AI, чтобы всё не улетело в облако к OpenAI?

Да: выбирать между «всё в облако» и «всё на своих серверах» не обязательно. Под задачу подбирается одна из трёх ступеней приватности — анонимизация данных перед облачной моделью, локальная модель в контуре компании или полное развёртывание системы у клиента. На вопрос «сколько в кассе» наружу уходит конкретный ответ инструмента — «остаток кассы: 412 500 ₸», — а не сырая база 1С.

Что такое лестница приватности и почему это не один выбор на всю компанию?

Лестница приватности — способ выбирать защиту данных по задаче и риску, а не покупать максимальную изоляцию на всякий случай. В моих внедрениях это параметр проекта, который обсуждаем до старта: какие данные затрагиваем, кто получит доступ и что должно остаться внутри контура.

Первая ступень — анонимизация. Перед запросом к облачной модели чувствительные элементы убираются или маскируются, сама модель работает через внешний API. Вариант для случая, когда скорость запуска и доступ к сильным облачным моделям важнее полной локальной изоляции.

Вторая ступень — локальная модель. Она развёрнута в контуре компании, поэтому обрабатываемые данные физически не выходят наружу. При этом обвязка или агент могут быть внешними: важно отдельно описать, какие компоненты где работают и что между ними передаётся.

Третья ступень — полное развёртывание: и модель, и вся система работают на оборудовании клиента. Самый высокий уровень контроля над размещением данных и самый требовательный вариант по инфраструктуре и поддержке.

Чем локальная модель отличается от облачной технически?

При работе с облачной моделью запрос уходит по HTTP к API внешнего провайдера, вычисления выполняются на его стороне, оплата обычно привязана к токенам. Это позволяет быстро собрать MVP: не нужно закупать GPU и строить оркестрацию.

Локальная LLM запускается на своём железе. Данные остаются в контуре компании, но ответственность за GPU, инфраструктуру, оптимизацию и поддержку ложится на неё же. Нужно заранее определить, кто обновляет компоненты, контролирует доступ и реагирует на сбои.

Поэтому «локально» не значит автоматически «лучше», а «облако» — не значит «небезопасно». Сравнивать нужно конкретный поток данных и требования к нему. В отраслевом разборе Слёрма на Habr отмечена общая тенденция: чем крупнее компания, тем выше вероятность локального развёртывания LLM.

Когда достаточно облака, а когда нужен локальный контур?

Облако уместно, когда нет жёстких требований по безопасности, нужен быстрый старт и важен доступ к топовым моделям. Для голосового AI или продаж через WhatsApp чувствительность данных обычно ниже — там хватает анонимизации и согласованных ограничений на содержимое запроса.

Локальный контур стоит рассматривать, если задача затрагивает финансы, персональные данные или коммерческую тайну, а также когда этого требуют внутренние правила или регулятор. Список данных и требований у каждой компании свой, и общим обещанием безопасности его не заменить.

Есть и гибридный вариант: локальная модель фильтрует и анонимизирует данные, облачная берёт на себя сложное рассуждение. Границы этого обмена всё равно фиксируются до запуска.

Как AI работает с локальной 1С, не забирая базу наружу?

На примере MCP-сервера для 1С: он подключается даже к локальной 1С без своего специалиста, по безопасному закрытому каналу, а база остаётся на компьютере клиента. Здесь важно различать доступ к инструменту и передачу всей базы в модель.

Если сотрудник спрашивает «сколько в кассе», агент вызывает инструмент, который читает конкретный регистр 1С, и получает готовую цифру — остаток кассы 412 500 ₸. Наружу уходит этот срез, а не база целиком. Всегда можно предметно показать, какой ответ получил агент и какие данные были доступны инструменту.

На старте права ассистента в 1С — «только чтение». Это ограничение на уровне прав базы, а не просьба к нейросети соблюдать правила. Для записи подход другой: агент готовит черновик, человек проверяет и проводит. Каждое обращение фиксируется в журнале.

Что дороже и сложнее: облако или локальное развёртывание?

На старте облачный вариант проще по инфраструктуре: нет собственных GPU и оркестрации, MVP запускается быстрее. Но с ростом нагрузки растут расходы на токены. Локальная модель требует вложений в железо и сопровождение, и её экономику считают на длинной дистанции.

Универсальной суммы или срока окупаемости здесь нет — их считают по предполагаемой нагрузке, требованиям к размещению данных, доступному оборудованию и стоимости поддержки. Как это делается по шагам, я разбирал в статье о внедрении AI в бизнес в Казахстане.

Полезный вопрос для собственника: какую цену компания платит за скорость старта, за контроль и за дальнейшее сопровождение. Он помогает не выбирать локальный контур из одной тревоги и не выбирать облако только потому, что его быстрее включить.

Что я выбрал бы для типовой компании в Казахстане?

Единого ответа нет: выбор зависит от отрасли и данных. Для банковских выписок и бухгалтерии я оставляю данные компании в контуре, настраиваю доступ по ролям и веду журнал действий — так устроен мой рабочий принцип во всех проектах: три уровня приватности под задачу, доступ по ролям, каждое действие в журнале.

Для менее чувствительных сценариев можно начать с анонимизации и облачной модели, не открывая доступ к данным, которые для ответа не нужны. Если требования изменятся, архитектуру поднимают на следующую ступень — от фильтрации к локальной модели или к полному размещению у клиента.

Как владельцу бизнеса принять решение до старта?

Начните с инвентаризации данных: затрагивает ли сценарий персональные данные, финансы или коммерческую тайну? Затем проверьте требования к хранению, роли пользователей и журналирование действий. После этого сопоставьте бюджет и срок запуска с тем, какой риск создаст возможная утечка — репутационный или юридический.

Отдельно фиксируется режим прав: только чтение, подготовка черновиков или действие после подтверждения человека. Принцип простой: AI готовит — решение принимаете вы. Это важно и для приватности, и для управляемости процесса.

Какие вопросы задают чаще всего?

Что такое лестница приватности в AI-проекте?

Это три уровня: анонимизация данных перед облачной моделью, локальная модель в контуре компании или полное развёртывание системы у клиента. Уровень выбирают под задачу, данные и бюджет.

Может ли AI подключиться к локальной 1С?

Да. MCP-сервер подключается к локальной 1С по безопасному закрытому каналу, база остаётся на компьютере клиента, свой 1С-специалист для настройки не нужен.

Увидит ли модель всю базу 1С?

Нет. Наружу передаётся только срез-ответ инструмента — например, остаток кассы. Права ассистента на старте ограничены режимом «только чтение» на уровне базы.

Когда выбирать локальную модель?

Когда сценарий затрагивает чувствительные данные, есть требования к размещению или нужен больший контроль над инфраструктурой. Вместе с контролем компания берёт на себя и поддержку локального контура.

Можно ли сначала использовать облако, а потом перейти в локальный контур?

Да, для этого лестница и нужна: начинают с подходящей ступени и меняют архитектуру, когда меняются задачи или требования. Решение принимают по конкретному потоку данных, а не по названию технологии.