RAG и 152-ФЗ: где хранить данные ИИ-ассистента

Популярные статьи обещают: «подключите ассистента за 10 минут»

Вставил папку с договорами — и готово. Что при этом обычно опускают: у ассистента появляется доступ к чувствительным материалам компании — регламентам, персональным данным сотрудников, договорам с физлицами, переписке с клиентами. И с этого момента начинает действовать 152-ФЗ «О персональных данных».

Задача этой статьи — не пугать, а дать рамку для принятия решения. Проблема полностью решаема: ниже — что именно требует закон, где в архитектуре RAG-ассистента появляются персданные и какие есть сценарии размещения.

Что именно говорит закон

Основная норма — ч. 5 ст. 18 152-ФЗ: при сборе персданных, в том числе через интернет, оператор обязан обеспечить их запись, систематизацию, накопление, хранение, уточнение и извлечение с использованием баз данных, находящихся на территории Российской Федерации.

Три уточнения, из-за которых вокруг этой нормы много путаницы:

1. Закон — про персональные данные, а не про любые документы. Технические регламенты или инструкции по настройке CRM сами по себе — не ПДн. Но в корпоративной базе знаний почти всегда есть кадровые документы, договоры с физлицами, клиентские обращения — где ПДн есть. Практический вывод: если ассистент работает с «живыми» данными компании — считайте, что работает с ПДн.
2. «Оператором» вы становитесь автоматически. Отдельной лицензии нет: компания, которая собирает и обрабатывает ПДн (включая данные своих сотрудников), — оператор. Обязанность: подать уведомление в Роскомнадзор (ст. 22) и выполнять требования закона, включая локализацию.
3. Локализация — про запись и хранение. Норма требует, чтобы запись, систематизация, накопление, хранение, уточнение и извлечение шли через базы в РФ. Разовые вызовы внешних сервисов обсуждаются юристами отдельно — но проектировать систему «на грани» не советуем: за этим следят и суды, и Роскомнадзор.

Локализация — не единственная тема. Если часть данных уходит за границу (например, в облачную LLM), включается трансграничная передача (ст. 12 152-ФЗ): с 1 марта 2023 года о намерении передавать ПД за рубеж нужно отдельно уведомлять Роскомнадзор, а передача в страны без адекватной защиты существенно ограничена.

Ключевое слово — не «модно», а «где лежит». Если хотя бы один из четырёх слоёв ниже находится за границей — у вас либо фиксированный пакет согласий и уведомлений, либо надо менять архитектуру.

Где в RAG-ассистенте появляются ПДн: 4 места

На каждом шаге — фрагменты ваших документов, вплоть до ФИО, телефонов и зарплат

1. Сами документы. Загруженные файлы лежат на сервере вендора — либо на вашей инфраструктуре.
2. База чанков и эмбеддингов. Документы дробятся на фрагменты и переводятся в векторы. Частый миф: «эмбеддинги — это безопасные числа». Не совсем: фрагменты (чанки) хранятся рядом с векторами в исходном виде — именно они попадают в контекст ответа и содержат те же ФИО, телефоны и суммы.
3. Промпты к LLM. На каждый вопрос пользователя в запрос к языковой модели уходят куски ваших документов. Если модель — зарубежный облачный API, тексты фактически покидают контур компании на каждом ответе.
4. Логи и аналитика. Вопросы пользователей, цитируемые документы, отчёты об использовании — тоже данные, и часто тоже содержат персональные фрагменты.

Когда вендор говорит «мы храним ваши данные в Европе» — проверяйте все четыре слоя, а не только первый.

Три сценария размещения

Сценарий 1. Зарубежный SaaS-конструктор

Как выглядит: вы загружаете документы в сервис, чат-виджет встраивается на сайт за полчаса. Стоимость — от $40 в месяц.

Что с данными: база чанков, логи и аналитика — на серверах вендора (чаще всего США). Промпты идут в зарубежную LLM. Некоторые сервисы предлагают «европейский регион» — но EU-хостинг не решает требование 152-ФЗ, о нём ниже в FAQ.

Юридически: хранение вне РФ напрямую вступает в противоречие с ч. 5 ст. 18; плюс трансграничная передача по ст. 12. Отдельная ловушка — «обучение на ваших данных», которое в некоторых сервисах включено по умолчанию: проверяйте настройки.

Когда это всё же нормально: вы тестируете ассистента на публичных маркетинговых данных, где ПДн нет. Для проверки на обезличенных материалах это приемлемо.

Когда не подходит: кадровые документы, договоры с физлицами, базы клиентов — любые данные, чья утечка превращается в заголовки СМИ.

Сценарий 2. Российское облако (LLM API в РФ)

Как выглядит: база знаний и RAG-инфраструктура — в российском облаке (Yandex Cloud, VK Cloud, Selectel), LLM — российский API с обработкой в РФ (YandexGPT, GigaChat).

Что с данными: весь контур «документы → чанки → промпты» — в РФ. Вопросы локализации и трансграничной передачи отпадают.

Юридически: самый прямой путь соответствия. Техническое качество для базовых корпоративных задач у отечественных LLM с русским языком растёт, но для сложных отраслевых задач лучше измерить на своих документах (для этого есть бесплатное демо).

Минус: зависимость от тарифов API. При регулярном трафике суммы «за токен» сопоставимы с арендой выделенной модели, а прогнозируемость бюджета хуже — цены менялись неоднократно.

Сценарий 3. Собственный контур: своя инфраструктура

Как выглядит: всё перечисленное — на ваших серверах (своих или арендованных в РФ): база знаний, RAG-поиск, LLM.

Что с данными: ни один из четырёх слоёв не покидает ваш контур. Трансграничная передача не появляется вообще.

Юридически: самый чистый вариант. Модель можно взять открытую (Qwen, Llama): у Llama 3 лицензия Community даёт право коммерческого использования с оговоркой про 700 млн активных пользователей, у Qwen — Apache 2.0; уточняйте лицензию той версии, которую выбираете.

Минус: ежемесячная абонентская подписка на контур и поддержку — от 8 000 ₽/мес (базовый RAG-контур, по договору подряда) плюс инфраструктура. GPU для RAG-разгрузки не обязательны — но с ними ответы кратно быстрее.

Чек-лист: 8 вопросов вендору до покупки

Независимо от того, выбираете вы нас или конкурентов — задайте эти вопросы и запишите ответы:

1. Где физически база чанков, логи, аналитика? В какой стране?
2. Промпты: уходят ли фрагменты наших документов в LLM? Где живёт сама модель?
3. Эмбеддинги: хранятся ли исходные фрагменты рядом с векторами? Кто имеет к ним доступ?
4. Обучение: исключено ли использование наших данных для обучения моделей? Где настройка?
5. Развёртывание: есть ли вариант развёртывания на нашей инфраструктуре? На каких условиях?
6. Шифрование: в покое и в транспорте? Кто хранит ключи?
7. Расторжение: что происходит с нашими данными после — полное удаление? Выгрузка в открытом формате?
8. Документы: попросите политику обработки ПД и регламент реагирования на инциденты, а не только маркетинговую страницу.

Если на вопросы 1–3 или 5-й ответ «уточним» — это и есть ответ.

FAQ

Итог: что выбрать

• Работаете только с публичными и маркетинговыми материалами — берите, что удобнее и дешевле по текущей задаче.
• Данные содержат ПДн, бюджет небольшой и/или трафик эпизодический — российское облако с российским LLM API.
• Данные чувствительные, нужен полный контроль, есть план на LLM как долгосрочный актив — развёртывание на своей инфраструктуре.
• Цена важна? Считайте не подписку, а TCO на 2–3 года — расчёт в статье про TCO.
• Как убедиться, что ответы не выдуманы? — методика замера и чек-лист приёмки.

Такова наша позиция: мы делаем on-premise (сценарий 3) и помогаем со сценарием 2. Модель работы — договор подряда с фиксированной сметой, без подписок. Демо 0 ₽: по заявке создаём персональный доступ — вы загружаете свои документы (до 3) и задаёте до 50 вопросов. Увидите, насколько хорош поиск на ваших материалах, ещё до разговора о деньгах.