DVAi. Корпоративный ИИ под контролем💬

Российская ИИ-компания полного цикла. Платформа с доступом ко всем облачным и локальным LLM в одном интерфейсе, маскирование персональных данных перед отправкой, on-premise развёртывание, а также поставка GPU-инфраструктуры и консалтинг по внедрению.

Мы верим, что искусственный интеллект меняет правила игры, — и помогаем компаниям пройти эту трансформацию: встроить ИИ в процессы безопасно, эффективно и с измеримой пользой.

Навигация:
🔘 Методология 7 этапов безопасного внедрения ИИ
🟣 Безопасность данных в LLM: где утекает и чем это закрывается
🔘 152-ФЗ, требования регуляторов человеческим языком
🟣 Модели: кто силён в юридических текстах, кто в коде, кто в аналитике
🔘 Как выглядит маскирование ПДн на практике

➖➖➖➖➖➖➖➖
Подробнее о продукте → на сайте
Обсудить проект → @zabelin_alexander
info@dvai.ru

📥Как корпоративные данные утекают в публичные ИИ-сервисы

За 2025 год объём конфиденциальной информации, отправленной сотрудниками российских компаний в публичные нейросети, вырос в 30 раз. При этом около 60% организаций до сих пор не имеют формализованных политик работы с ИИ-сервисами

Основные каналы утечки📌

👉 Копипаст из личного аккаунта: сотрудник заходит в чат-бот с домашней почты в обход SSO и DLP. Для службы ИБ этого события просто не существует: в корпоративных логах нет ни следа
👉 Загрузка файла целиком: договор, выгрузка из CRM, штатное расписание. Приложить документ как есть быстрее, чем полчаса вычищать из него персональные данные и коммерческую тайну. И чаще все выбирают - «быстрее»
👉 Теневой ИИ: бесплатные обертки над GPT, боты «без VPN и регистрации», браузерные расширения с доступом ко всем открытым вкладкам. Никто не знает, где на самом деле оседают запросы
👉 Хранение по умолчанию: промпты остаются на стороне провайдера, часто в зарубежной юрисдикции. На бесплатных тарифах переписка используется для обучения моделей, согласие на это выдаётся автоматически при регистрации, отзывать его нужно самому, но на практике этого почти никто не делает
👉 Агенты и интеграции: ассистент, подключенный к почте и диску, наследует все права пользователя. Один некорректный запрос и он выгружает то, к чему формально имеет доступ, но не должен был показывать

⚠️ Цена вопроса. С 30 мая 2025 года утечка ПДн обходится юрлицу в 3–20 млн ₽ в зависимости от объёма. Повторная утечка считается от оборота 1–3% годовой выручки со штрафами от 25 до 500 млн ₽ (420-ФЗ)

Полный запрет ИИ в компаниях переводит трафик на личные устройства с полной потерей видимости для ИБ. Управляемость возвращает легальный контур: единая точка входа, маскирование ПДн до отправки, белые списки моделей и журнал обращений

💬Что 152-ФЗ требует от ИИ-сервиса

Промпт — это операция обработки, передачи, а нередко и хранения на стороне провайдера. Момент отправки данных в модель ничем не отличается от их выгрузки в любую другую внешнюю систему, и режим применяется тот же самый

Главных требований, по сути, три:

📎 Данные россиян хранятся на серверах в РФ (ч. 5 ст. 18). Публичный зарубежный сервис под это не подходит по определению. И каждый промпт с ФИО, отправленный в модель за границей - это трансграничная передача со всей её процедурой и уведомлением РКН (ст. 12)
📎 В модель уходит только необходимое. Чтобы сгенерировать ответ на претензию, нейросети обычно не нужны ни СНИЛС, ни номер счёта. Если данные обезличены до отправки, вопросы локализации и трансграничной передачи по этому потоку просто снимаются
📎 Всё происходящее фиксируется (ст. 19). На уведомление РКН об утечке есть 24 часа, на результаты расследования 72 часа, а без журнала, где видно кто и что отправлял, в эти сроки не уложиться физически

Хорошая новость в том, что технически всё это решается одним слоем между сотрудником и моделью. Обезличивание до отправки снимает вопросы локализации, журнал закрывает сроки уведомления, а роли и белые списки моделей отвечают за разграничение доступа

Проверить, что именно в ваших документах считается чувствительным, можно за минуту на нашем сайте

🖥Как выглядит маскирование ПДн на практике

Слово «маскирование» звучит абстрактно, поэтому просто покажем, что происходит с текстом:

Что написал юрист:
«Подготовь ответ на претензию Иванова Ивана Петровича, ИНН 771234567890, тел. +7 916 000-00-00, по договору с ООО „Ромашка"»

Что ушло в модель:
«Подготовь ответ на претензию [ПЕРСОНА_1], ИНН [ИНН_1], тел. [ТЕЛЕФОН_1], по договору с [ОРГАНИЗАЦИЯ_1]»

Что увидел юрист в ответе:
Готовое письмо с реальными фамилией, ИНН и названием компании на своих местах.

Пользователь работает как обычно. Модель при этом персональных данных не видела ни разу.

Стоит упомянуть особенности маскировки:

🔣 Русская морфология. «Иванов», «Иванову», «с Ивановым». Подстановка обратно должна попадать в падеж, иначе на выходе получается текст, который стыдно отправить клиенту. BertRun держит все 6 падежей и возвращает грамматически корректный текст
🔣 Кастомные сущности. Внутренние коды проектов, номера договоренностей, номенклатура. Модуль дообучается на корпоративных терминах, поэтому маскирует и то, что персональными данными формально не является, но раскрывать это нельзя
🔣 Zero-knowledge архитектура. Таблица соответствия «маска - оригинал» остается на вашей стороне и во внешний контур не уходит. Восстановить исходный текст по перехваченному запросу невозможно

🔔 Автоматически распознаются: ФИО, адреса, телефоны, email, паспортные данные, ИНН и ОГРН, банковские счета, даты рождения, СНИЛС, наименования организаций. А для гостайны и банковской тайны маскирования мало, такие вещи обрабатываются только локальной моделью внутри периметра. Наружу они не уходят даже обезличенными

🤔 50+ моделей в одном контуре: зачем компании больше одной LLM

1️⃣Задачи слишком разные
Одна модель лучше держит длинные документы, вторая пишет код, третья быстро разбирает поток обращений. Универсального победителя нет, а лидеры рейтингов меняются каждые пару месяцев

2️⃣ Стоимость токена различается в десятки раз
Гонять массовую классификацию заявок на топовой модели это способ сжечь бюджет впустую. Рутина уходит на локальную или дешёвую модель, сложное остается на флагманах

3️⃣ Юрисдикция как параметр маршрутизации
Чувствительное идет на локальную модель внутри периметра, обычные задачи на внешние. Решение принимается на уровне политики, а не на уровне сотрудника

4️⃣ Отказоустойчивость
Провайдер упал, поднял цены или сменил политику использования. С одной моделью встает весь процесс, с пулом моделей вы просто переключаете трафик

5️⃣ Сравнение на своих данных
Один и тот же промпт уходит в три модели, и выбор делается по результату вашей задачи, а не по чужому бенчмарку


И главное, что дает единая панель поверх всего этого: SSO, роли, белые списки моделей по отделам, квоты и учет токенов по подразделениям, журнал действий. ИБ контролируют, кто и что спрашивал, финансы видят, на что потрачен бюджет, сотрудники получают доступ ко всем моделям без VPN и личных карточек

50+ моделей нужны не для того, чтобы пользоваться всеми сразу, а для того, чтобы под каждую задачу подбиралась правильная