С приходом нейросетей и автоматизации в бизнес-процессы компании всё чаще сталкиваются с острым вопросом: как использовать ИИ-инструменты и при этом не нарушить российское законодательство о персональных данных? Федеральный закон № 152-ФЗ «О персональных данных» обязывает операторов обеспечивать защиту ПДн, а за нарушения грозят серьёзные штрафы и претензии со стороны Роскомнадзора.
Разбираем четыре ключевых подхода - от простых до комплексных.
Статья 18.1 ФЗ-152 прямо требует: первичная запись, систематизация, накопление и хранение персональных данных граждан РФ должны осуществляться на серверах, расположенных на территории России.
Это означает, что если ваша система принимает имена, телефоны, адреса или любую другую информацию, позволяющую идентифицировать пользователя, - она должна оседать на российской инфраструктуре. Использование зарубежных облачных платформ (AWS, Google Cloud, Azure без локальных регионов) для хранения ПДн российских граждан нарушает этот принцип.
Практические шаги:
Выбирайте облачных провайдеров с сертифицированными ЦОД в России: Yandex Cloud, VK Cloud, Selectel, облако МТС и другие.
Зафиксируйте в политике обработки ПДн, на каком физическом оборудовании хранятся данные.
При использовании гибридных архитектур убедитесь, что ПДн не реплицируются за рубеж.
Один из наиболее элегантных технических решений - токенизация ПДн перед их передачей в языковую модель. Суть метода: пользователь видит реальный результат, но сам ИИ никогда не обрабатывает настоящие персональные данные.
Как это работает на практике
[Входные данные: "Иван Иванов, +7999..."]
↓
[Узел JavaScript / Функция в n8n]
— Заменяет ПДн на токены: "Иван" → "Пользователь_1"
— Сохраняет карту соответствия в защищённую БД (Redis / PostgreSQL)
↓
[Запрос в LLM: "Пользователь_1 хочет узнать баланс..."]
↓
[Ответ от LLM: "У Пользователь_1 на счету 500 рублей"]
↓
[Узел JavaScript / Функция в n8n]
— Обращается к БД, заменяет "Пользователь_1" обратно на "Иван"
↓
[Выходной результат: "Иван, у вас на счету 500 рублей"]Преимущества подхода:
ИИ-модель в любой момент «видит» только обезличенные данные - токены, а не реальные ПДн.
Даже при утечке данных из модели злоумышленник получит лишь бессмысленный токен «Пользователь_1».
Метод совместим с любыми LLM, в том числе зарубежными, поскольку за рубеж уходят только обезличенные данные.
Карта соответствия хранится на вашем сервере в России и полностью под вашим контролем.
Такой пайплайн удобно реализовывать через платформы автоматизации (n8n, Airflow, собственные микросервисы) с хранением маппинга в зашифрованной базе данных.
Если задача требует передачи в модель реальных данных (например, для анализа медицинских документов или юридических текстов), логичным решением становится переход на отечественные ИИ-сервисы.
Российские поставщики обрабатывают данные в рамках российской юрисдикции, соблюдают требования ФЗ-152 и, как правило, готовы заключить соглашение об обработке данных в соответствии с российским законодательством.
Среди актуальных вариантов:
YandexGPT (Yandex Cloud) - API с обработкой внутри инфраструктуры Яндекса в России.
GigaChat (Сбер) - языковая модель с возможностью использования в закрытом контуре.
Другие модели от отечественных разработчиков на сертифицированных российских платформах.
При выборе провайдера важно убедиться, что в договоре прямо прописано: данные не передаются третьим лицам и не покидают российскую территорию.
Самый дорогостоящий, но и наиболее защищённый вариант - self-hosted развёртывание открытой языковой модели на собственной или арендованной инфраструктуре в России.
В чём суть
Вы разворачиваете модель (например, Llama, Mistral, Qwen или отечественный аналог) на GPU-сервере в сертифицированном российском ЦОД. Все запросы и данные обрабатываются исключительно внутри вашего контура - никакие данные не покидают ваш периметр.
Когда это оправдано
Обработка медицинских, финансовых или юридических ПДн высокой степени конфиденциальности.
Корпоративные системы, где утечка данных несёт репутационные и правовые риски.
Компании, работающие с государственными заказчиками и требованиями к защите информации по ФСТЭК/ФСБ.
Что потребуется
GPU-сервер (от нескольких десятков тысяч рублей в месяц аренды).
Специалист по MLOps для настройки и поддержки.
Выбор подходящей open-source модели и её тонкая настройка (fine-tuning) под ваши задачи.
Подход | Стоимость | Сложность | Уровень защиты |
|---|---|---|---|
Российские серверы | Низкая | Низкая | Базовый |
Токенизация ПДн | Средняя | Средняя | Высокий |
Российские ИИ-модели | Средняя | Низкая | Высокий |
Локальное развёртывание | Высокая | Высокая | Максимальный |
Соблюдение ФЗ-152 при работе с ИИ - это не барьер, а архитектурная задача. Большинство компаний выбирает комбинированный подход: хранят данные на российских серверах, используют токенизацию при обращении к внешним моделям, а для наиболее чувствительных данных рассматривают локальное развёртывание. Важно зафиксировать выбранный подход в политике обработки ПДн, провести оценку рисков и убедиться, что ваш провайдер готов документально подтвердить соответствие требованиям закона.
*При разработке архитектуры обработки ПДн рекомендуется проконсультироваться с юристом, специализирующимся на защите данных, и техническим специалистом по информационной безопасности.