ГигаЧат, YandexGPT или ChatGPT: что легально использовать с персональными данными клиентов

Неправильный вопрос: «какая модель отвечает лучше»

Большинство публичных сравнений ГигаЧата, YandexGPT и ChatGPT оценивают качество ответов на разные типы запросов — это разумный вопрос для личного использования, но не первый вопрос для бизнеса, который планирует пропускать через модель реальные данные клиентов: имена, телефоны, адреса, историю покупок. Для такого бизнеса первый вопрос — не «какая модель умнее», а «где физически окажутся эти данные и что об этом говорит закон».

Что требует 152-ФЗ на практике

Федеральный закон 152-ФЗ «О персональных данных» требует, чтобы оператор, обрабатывающий персональные данные граждан России, обеспечивал запись, систематизацию и хранение этих данных с использованием баз данных, физически находящихся на территории России. Это требование существует независимо от того, используется ли ИИ вообще — оно касается персональных данных как таковых. Но когда персональные данные передаются в LLM через API для обработки (не только хранения), тот же принцип распространяется и на это конкретное действие.

Практическое следствие: отправка реального имени, телефона или адреса клиента в облачный API зарубежной модели технически может представлять собой трансграничную передачу персональных данных, к которой применяются отдельные требования закона — не «серая зона», требующая внимания юриста, а прямой вопрос соответствия, который стоит закрыть до запуска, а не после жалобы клиента или проверки.

Сравнение по практическому статусу соответствия

Что делать, если продукт хочет использовать зарубежную модель

Использование зарубежной модели не обязательно исключено — это вопрос архитектуры, а не полного отказа от модели. Рабочий паттерн: обезличивание данных перед отправкой в модель (замена имени и контактов на технический идентификатор, который сопоставляется с реальными данными только на стороне собственной инфраструктуры бизнеса), либо использование зарубежной модели исключительно для задач, не затрагивающих персональные данные напрямую — суммаризация публичного контента, генерация маркетинговых текстов, а не обработка обращений клиентов с их личными данными.

Это решение стоит принимать вместе с юристом на старте проекта, а не постфактум переделывать архитектуру после того, как выяснится, что модель уже месяцами обрабатывает реальные данные клиентов способом, не соответствующим требованиям закона.

Частые вопросы

Услуги по теме

• AI-стратегия для бизнесаБольшинство компаний уже запустили хотя бы один пилот с ИИ. Меньшинство довело хоть один пилот до устойчивой эксплуатации. Разница обычно не в модели, а в том, выбрали ли процесс с измеримым эффектом и посчитали ли реальную стоимость эксплуатации до старта. Мы помогаем выбрать правильную точку входа и не потратить бюджет на демо, которое так и останется демо.
• Разработка AI и ML-решенийМы делаем AI, который решает конкретную задачу и окупается, а не демо ради демо. Классификаторы, рекомендации, обработка текста и документов, ассистенты на LLM, интеграция моделей в существующий продукт.

Читать дальше

• Где бизнесу реально нужен AI и ML, а где это дорогой хайпИИ окупается там, где есть повторяющееся решение, много однотипных данных и допустимость ошибки. Если хоть одного условия нет — не надо. Разбираем задачи, которые действительно работают, реалистичную точность, стоимость эксплуатации и формат пилота на 4–6 недель.
• ИИ-ассистент на своей базе знаний: как работает RAG и сколько стоит внедрениеРазбираем, чем RAG-ассистент отличается от бота с кнопками и от LLM без данных, откуда берутся галлюцинации и что их реально снижает, сколько стоит SaaS против кастомной разработки и на каком месяце проект выходит в ноль.
• Что проверить в CRM и 1С до старта ИИ-проекта, чтобы не потратить бюджет впустуюБольшинство неудачных ИИ-проектов упираются не в модель, а в данные, о качестве которых заказчик узнаёт только после того, как деньги уже потрачены.