30-кратный рост утечек договоров в публичные нейросети — внедрение локальных
По телеметрии ГК «Солар», за 2025 год объём корпоративных данных, уходящих в публичные нейросети, вырос в 30 раз, и среди них преобладают юридические документы.
Договор на сто страниц, дедлайн сгорел еще вчера, и документ улетает в окно ChatGPT с запросом на поиск уязвимостей в разделе об ответственности. В зарубежных опросах от 38 до 57% сотрудников признаются, что вводили в публичные нейросети конфиденциальные данные, причём многие — с личных аккаунтов, о которых работодатель не подозревает.
Корпоративные запреты и реальные суды
Запреты на использование публичных нейросетей не работают — бизнес вынужден внедрять локальные инструменты анонимизации на уровне браузера.
Как следует из судебной практики, летом 2026 года суд первой инстанции в Москве поддержал увольнение директора по продажам: среди прочего ей вменяли загрузку внутренних отчётов в DeepSeek.
Во взыскании 5 млн рублей по золотому парашюту суд ей отказал. Но где граница между безопасностью и скоростью работы? Облачные сервисы анонимизации сами создают риски утечки конфиденциальных данных, так как сторонние обработчики видят исходный текст до его обезличивания.
Архитектура локального решения
В итоге выбор пал на модель rubert‑tiny2, компактный русский BERT (распространяется под лицензией MIT).
По расчётам, после планируемого квантования int8 модель должна занимать около 30 МБ, запускаться за 0,3 с и обрабатывать 20 страниц договора примерно за 1,7 с. Обучение в первой итерации проводилось на данных WikiANN ru и en, по 20 тыс. предложений train на язык.
При обычном дообучении F1-score по разметке ORG на тесте упирался в 0,71–0,74, а гейт был установлен на отметке не ниже 0,75. Сначала была обучена модель‑учитель xlm‑roberta‑base на тех же данных; у неё показатель составил 0,805, что выше установленного порога. Затем ученик rubert‑tiny2 обучался одновременно на правильных метках и на мягких вероятностях учителя, и в итоге показатель у модели поднялся до 0,76.
Модель, обученная только на WikiANN, на договорах давала сбои по разметке ORG, поэтому потребовалось добавить синтетических данных.
Рассматривая экономику проекта, стоит отметить, что развертывание локальных моделей класса rubert-tiny2 требует минимальных вычислительных затрат на серверах компании в сравнении с регулярной оплатой облачных API-подписок. Однако возникает закономерный вопрос: способна ли столь компактная модель полностью закрыть жесткие требования комплаенса для сложных неструктурированных договоров? На практике rubert-tiny2 решает задачу первичной разметки сущностей и анонимизации текста прямо на машине сотрудника или в контуре компании, исключая передачу исходного текста за пределы периметра. Тем не менее, для глубокого семантического анализа многостраничных юридических документов одной этой архитектуры недостаточно, что вынуждает компании комбинировать локальную фильтрацию с более тяжелыми моделями для комплексной проверки рисков.
Что это значит
Вес модели всего в 30 МБ и запуск за доли секунды показывают, что компаниям проще встроить локальный фильтр прямо на машины сотрудников, чем надеяться на дисциплину или блокировки. Когда юридические тексты тоннами утекают в чужие окна чатов, даже урезанный rubert-tiny2 становится рабочим компромиссом для первичной зачистки данных. Конечно, синтетические данные и дистилляция через модель-учителя вытянули точность разметки лишь чуть выше порога в 0,75; сложные юридические конструкции такая легкая архитектура в одиночку не разберет. Попытка удержать корпоративные секреты внутри контура свелась к инженерной дилемме: либо дешевый фильтр пропускает юридические нюансы, либо тяжелый семантический разбор тормозит работу и обходится слишком дорого.
Источник: Хабр ML