Ранее в этом году Чамат Палихапития задал в X вопрос, который с тех пор не дает покоя советам директоров и оперативным штабам по безопасности: является ли модель on-premise новым облаком? Его мнение: ответ вполне может звучать как «единственный способ для компаний не подорвать себя» в мире искусственного интеллекта.
Он не говорит, что облако умерло. Мы тоже — когда организации проектируют инфраструктуру с расчетом на переносимость, компромиссов становится еще меньше.
Но предприятия заново участвуют в усвоении старого правила с самыми современными последствиями: чем ценнее данные, тем ближе к вам они должны находиться. ИИ не просто увеличивает объем генерируемых нами данных — он увеличивает долю тех данных, которые становятся конфиденциальными, существенными и доступными для обнаружения в рамках судебного процесса.
А в феврале 2026 года решение федерального суда сделало этот риск невозможным для игнорирования. То, что произошло с тех пор, придало ему осязаемую форму.
Решение, которое лидеры в сфере безопасности не могут игнорировать
В деле судья Джед Ракофф постановил, что документы, созданные обвиняемым с помощью потребительского ИИ-инструмента и затем переданные его адвокатам, не защищены адвокатской тайной или доктриной конфиденциальности работы юриста, во многом потому, что взаимодействие происходило с участием третьей стороны и не соответвало ожиданиям конфиденциальности, на которых основывается привилегия.
Это решение было более узким, чем заголовки в прессе. Хеппнер использовал потребительский инструмент, условия которого позволяли раскрывать его данные третьим лицам, и делал это без указаний со стороны адвокатов. Юридические фирмы с тех пор подчеркивают, что суд применил устоявшуюся доктрину привилегий к новому набору фактов. Для руководителей службы безопасности в этом и заключается суть: фактами, определившими исход, были сам инструмент, его условия и то, кто контролировал данные. Это решения в области архитектуры и контрактов, и принимать их вам. Последствия теперь тоже не гипотетические. Хеппнер был признан виновным по всем пунктам обвинения в мае, причем документы, которые суд признал не защищенными привилегией, были доступны прокурорам на суде, а вынесение приговора назначено на октябрь.
Да, это юридический вопрос. Но это также вопрос безопасности и управления, поскольку он идеально отражает то, что сейчас происходит внутри каждого крупного предприятия:
- Сотрудники используют общедоступные интерфейсы LLM для «отмывания» конфиденциальных презентаций, моделей, операционных планов и постфактум-анализа инцидентов (AI-washing), чтобы работать быстрее.
- Эти промпты и результаты могут стать новыми корпоративными записями, созданными за пределами управляемых систем, за пределами утвержденных политик хранения и за пределами возможностей организации с уверенностью доказать, кто, что, когда и на каких условиях видел.
Главный урок заключается вовсе не в том, что «юристам не следует пользоваться ИИ». Урок в том, что конфиденциальность — это не пользовательский опыт, а архитектурное решение.
Главная проблема: ИИ создает теневое электронное обнаружение (eDiscovery)
Команды безопасности десятилетиями выстраивали средства контроля вокруг систем учета: электронной почты, файловых хранилищ, конечных точек, SIEM/SOAR, тикетинга и управления доступом. Проблема спонтанного использования ИИ заключается в том, что оно создает новые системы учета — часто без того, чтобы кто-либо намеренно присваивал им такой статус.
Каждый промпт. Каждый результат. Каждый след агента. Каждый встроенный фрагмент документа. Все это может стать артефактами, которые вам впоследствии придется сохранять, искать, предоставлять, объяснять или защищать.
Это переформулирует задачу CISO с «Как нам остановить утечки?» на «Как нам управлять ИИ с помощью систем контроля, которые выдерживают аудиты, расследования и судебные разбирательства?».
Требования к контролю знакомы, даже если рабочие процессы носят новый характер:
- Минимизация данных: Обеспечьте, чтобы конфиденциальные входные данные по умолчанию не покидали утвержденные границы.
- Контроль хранения: Определите, что хранится, как долго и что может быть уничтожено в соответствии с правилами.
- Контроль доступа: Сделайте личность, роль и авторизацию явными, а не подразумеваемыми тем, у кого есть браузер. Это в равной степени относится как к идентификаторам рабочих нагрузок, так и к учетным записям людей.
- Проверяемость (аудит): Имейте возможность доказать, как перемещались данные и как использовались системы.
- Доказуемое соблюдение политик: Сделайте результаты безопасности воспроизводимыми и измеримыми, а не основанными на «принципе максимальных усилий».
Если ваша стратегия в области ИИ строится на надежде, что сотрудники не станут вставлять конфиденциальные материалы не в то окно, у вас нет стратегии — у вас есть будущий отчет об инциденте.
Данные для обучения — это актив (и источник ответственности)
Для большинства предприятий модель часто заменима. Данные — нет.
Обучающий корпус, курируемые наборы данных, разметка, эмбеддинги, контрольные точки и артефакты экспериментов являются ценной интеллектуальной собственностью — именно тем материалом, который команды так и норовят пропустить через удобные сторонние рабочие процессы для ускорения результатов. Когда это происходит вне вашей плоскости контроля, вы не просто рискуете столкнуться с «утечкой» — вы создаете неуправляемые записи и обязательства по хранению данных, которые впоследствии могут стать источником проблем.
Именно поэтому вопрос «где нам запустить ИИ?» не полон. Лучший вопрос звучит так: где хранятся обучающие данные, как они перемещаются и кто может доказать, что к ним применялись средства контроля?
Облачный ИИ против локального (On‑prem): что на самом деле меняется
Будем точны: это не возвращение к концепции «все в моем дата-центре». Это переход от подхода «сначала облако» (cloud-first) к концепции «разумного использования облака» (cloud-smart), при которой размещение рабочей нагрузки становится стратегическим решением в области права и безопасности, а не просто предпочтением в отношении инфраструктуры.
Облачный ИИ: палка о двух концах
Облачный ИИ не имеет себе равных по простоте внедрения, особенно для неконфиденциальных сценариев использования и эластичного спроса. Управляемые сервисы снижают операционные накладные расходы, а масштабы облака имеют реальное значение при масштабных всплесках обучения.
Но решение Ракоффа подчеркивает то, о чем лидеры безопасности уже знают: сторонние сервисы могут изменить уравнение конфиденциальности в тот момент, когда конфиденциальные данные пересекают вашу границу, и вы часто не можете «отменить» раскрытие информации после того, как оно произошло. Объедините это с самостоятельно развертываемыми инструментами и непоследовательными корпоративными защитными барьерами, и вы получите пробелы в управлении (например, в области обнаружения и классификации данных), которые трудно защитить при регуляторной или юридической проверке. Эти пробелы являются скорее нормой, чем исключением: согласно исследованию компании Everpure, 62% технических руководителей и топ-менеджеров заявляют, что у них нет полной прозрачности в отношении того, кто может получать доступ к их данным, контролировать их и управлять ими. Вы не можете обеспечить управление на уровне архитектуры тем, чего не видите.
Локальный ИИ (под контролем заказчика): преимущество контроля
Контролируемые клиентом среды ИИ — локальные дата-центры, частное облако или строго регулируемый гибрид — позволяют осуществлять управление «на уровне архитектуры»: то, где хранятся данные, кто имеет к ним доступ, что логируется и как долго сохраняются артефакты, является вопросом политик, которые вы действительно можете применить на практике.
И это напрямую связано с логикой судебного решения: конфиденциальность нарушается, когда конфиденциальная информация передается третьей стороне, которая не сохраняет ее по стандартам, ожидаемым законом.
Компромиссы вполне реальны — капитальные затраты, навыки и планирование емкости, но для многих предприятий большая цена заключается в неконтролируемых юридических рисках и операционных угрозах.
Вопрос, который зададут лидеры безопасности, и ответ на него
После такого судебного решения руководители служб безопасности и технические лидеры задают практический вопрос:
«Как мне позволить бизнесу использовать ИИ — агрессивно — не превращая каждый промпт в источник ответственности?»
Именно здесь разговор смещается с «выбора модели» на «архитектуру данных».
Enterprise Data Cloud (EDC) спро обладан вокруг простой идеи: объединить данные в локальных (on‑prem), общедоступных облачных и гибридных средах в виртуализированное облако данных, управляемое с помощью интеллектуальной плоскости управления и предоставляемое как услуга, чтобы вы могли применять единые политики везде, где контуры ИИ фактически взаимодействуют с данными.
Это важно, потому что риски, которые мы обсуждаем, не теоретические. Речь идет о следующем:
- Где разрешено храниться конфиденциальным данным для обучения и инференса
- Как быстро они могут расползаться по новым локациям и инструментам
- Можно ли обеспечить соблюдение средств контроля в масштабах предприятия
Практическая архитектура обучения: объединение типов хранилищ и единое управление
Обучение ИИ — это не просто рабочая нагрузка, а целый конвейер. Конвейеры имеют разные шаблоны ввода-вывода (I/O), поэтому серьезным средам обучения обычно требуется комбинация различных типов хранилищ:
- Доступ в стиле объектного хранилища для больших корпусов обучения и неизменяемых наборов данных (исходных и обработанных)
- Масштабируемый файловый доступ для предварительной обработки с высокой степенью параллелизма и совместных рабочих процессов обучения
- Блочные хранилища для чувствительных к задержкам систем, которые питают конвейер (метаданные, оркестрация и сопутствующие службы)
Проблема, с которой сталкивается большинство предприятий, заключается не в том, что эти типы хранилищ существуют, а в том, что они существуют в виде изолированных островов с несогласованными политиками, несогласованной видимостью и несогласованной автоматизацией. Здесь на помощь приходит EDC: суть не в том, чтобы «выбрать одно место для размещения всего», а в том, чтобы последовательно управлять всем пулом данных, чтобы командам ИИ не приходилось копировать конфиденциальные наборы данных в любую среду, которая кажется наиболее удобной на этой неделе.
Управление на основе политик с помощью Everpure Fusion
Everpure EDC опирается на Everpure Fusion™ в качестве интеллектуальной плоскости управления с автоматизацией на основе политик и пресетов, призванной снизить количество ручных ошибок и обеспечить стабильные результаты в различных средах. Другими словами: меньше разовых исключений, меньше «специальных» изолированных хранилищ и меньше зависимости от героических усилий для поддержания эффективности управления.
Обеспечение устойчивости — это часть концепции, а не второстепенная задача
Все, о чем говорилось выше, касается обеспечения управляемости обучающих данных. Вторая половина — это обеспечение их возможности восстановления. Корпус данных, обработанные наборы, векторные представления (эмбеддинги) и контрольные точки (чекпоинты) являются ресурсами первого уровня, и им нужно то же, что и любому ресурсу первого уровня: неизменяемые копии, независимый путь восстановления и проверенные, а не предполагаемые восстановления.
Для этого есть причина, которой не существовало несколько лет назад. Если корпус данных скомпрометирован или конвейер принимает данные, которые были скомпрометированы на предыдущих этапах, обученная на них модель переносит эту уязвимость дальше, и единственным решением является пересборка из чистой, заведомо исправной копии. Это превращает скомпрометированный обучающий набор в задачу восстановления, а вопрос «какая копия является чистой» — в вопрос на уровне данных. Обнаружение аномалий на уровне хранилища, которое передает данные платформе резервного копирования, — это способ ответить на данный вопрос до того, как начнется задача переобучения.
EDC спроектирован так, чтобы защита и восстановление были частью процесса работы с данными, а не добавлялись позже: неизменяемые снимки (снапшоты), рабочие процессы оркестрации и восстановления, а также плоскость управления, которая применяет те же политики к инфраструктуре ИИ, что и ко всему остальному.
Вот что нужно руководителям служб безопасности прямо сейчас: не очередной инструмент, создающий новые исключения, а архитектура, которая делает управление в масштабах ИИ выполнимым заданием.
Что я рекомендую сделать дальше
Если вы являетесь CISO, CIO или руководителем платформы, воспринимайте решение по делу Ракоффа как побудительный фактор для формализации трех вещей:
- Определите «одобренные пути ИИ» для конфиденциальной работы: определите, куда могут направляться подсказки (промпты), что к ним может быть прикреплено, что регистрируется (логируется) и что сохраняется.
- Отделите «экспериментальный ИИ» от «корпоративного ИИ»: перенесите конфиденциальные рабочие нагрузки (особенно те, которые связаны с обучающими данными и внутренними рабочими продуктами) в контролируемые клиентом среды с применимыми средствами контроля.
- Инвестируйте в плоскость управления данными: унифицируйте и управляйте данными единообразно в локальной среде и в облаке, чтобы конвейеры обучения не превращались в лазейки, обходящие систему управления.
Облако никуда не денется. Но концепцию «облако по умолчанию» для конфиденциальных задач ИИ становится все труднее оправдать с юридической, операционной и репутационной точек зрения. Для корпоративного ИИ локальная инфраструктура и инфраструктура, контролируемая клиентом, — это не пережиток прошлого, а способ сохранить баланс конфиденциальности, контроля и возможностей.
Часто задаваемые вопросы (FAQ)
Что означает решение по делу Ракоффа для использования ИИ на предприятии?
В решении подчеркивалось, что информация, передаваемая сторонним инструментам ИИ, может не подпадать под традиционную защиту конфиденциальности, что подтверждает наличие у использования ИИ юридических последствий и последствий для системы управления, выходящих за рамки простого повышения производительности.
Ограничивалось ли решение по делу Хеппнера только потребительскими инструментами ИИ?
Это решение зависело от конкретных обстоятельств: потребительский инструмент, чьи условия разрешали раскрытие информации третьим лицам, использовался без указаний юрисконсульта. В нем не рассматривались корпоративные внедрения с условиями конфиденциальности и средствами контроля доступа, именно поэтому архитектура и договорная база, стоящие за инструментом ИИ, теперь имеют значение для анализа привилегий.
Почему использование публичного ИИ представляет собой риск для управления на предприятиях?
Когда сотрудники вставляют конфиденциальные данные в неуправляемые инструменты ИИ, они могут непреднамеренно создавать новые корпоративные записи вне утвержденных средств контроля хранения, доступа и аудита.
Означает ли это, что предприятия должны прекратить использование облачного ИИ?
Нет. Это означает, что организации должны перейти от стратегии «облако прежде всего» к подходу «умное облако», размещая конфиденциальные рабочие нагрузки ИИ в средах, где средства контроля управления и конфиденциальности могут применяться на практике.
Почему обучающие данные важнее самой модели ИИ?
Для большинства предприятий модель может быть заменена, но тщательно отобранные обучающие данные, векторные представления и артефакты экспериментов представляют собой долговечную интеллектуальную собственность и потенциальные юридические риски.
Как локальный ИИ или ИИ, контролируемый клиентом, снижает риски?
Среды, контролируемые клиентом, позволяют организациям определять, где хранятся данные, кто имеет к ним доступ, что регистрируется и как долго они хранятся, делая управление реальным инструментом контроля, а не благим пожеланием.
Что такое «теневой электронный поиск» (shadow eDiscovery) в контексте ИИ?
Под теневым электронным поиском понимается непреднамеренное создание доступных для обнаружения записей с помощью подсказок ИИ, результатов его работы и следов агентов, которые существуют вне официальных систем учета.
Какие средства контроля необходимы для безопасного внедрения корпоративного ИИ?
Предприятиям необходимы четкие границы данных, политики хранения, средства контроля доступа, возможности аудита и доказанное соблюдение политик, чтобы использование ИИ могло выдерживать проверки со стороны регуляторов, аудиторов и судебных органов.
Как руководителям служб безопасности следует подходить к принятию решений об архитектуре ИИ?
Ключевой вопрос заключается не просто в том, где запуск моделей будет наиболее эффективным, а в том, где хранятся конфиденциальные данные, как они перемещаются и можно ли последовательно применять политики управления в различных средах.
