Назад до блогу
Безпека та регулювання17 хв читання

Конфіденційність корпоративних даних при використанні ШІ: що потрібно знати керівнику

Практичний аналіз ризиків конфіденційності при використанні хмарного ШІ на підприємствах, порівняння політик провайдерів та архітектурна модель прийняття рішень.

S

Serhiy Andrejev

Lead Machine Learning Developer

Кожен запит, надісланий до хмарної системи штучного інтелекту, за визначенням є передачею даних третій стороні. Цей фундаментальний факт залишається недостатньо усвідомленим у більшості рад директорів. Ця стаття пропонує практичну модель для керівників, яка дозволяє оцінити ризики конфіденційності, порівняти політики провайдерів, орієнтуватися в регуляторних вимогах та обрати відповідний архітектурний підхід для корпоративного впровадження ШІ.

Вступ

Впровадження штучного інтелекту на промислових підприємствах прискорилося надзвичайно. Керівники затверджують розгортання хмарних мовних моделей для аналізу документів, генерації звітів, оптимізації контролю якості та підтримки операційних рішень. Проте у нашій практиці впровадження рішень на базі ШІ у виробничих галузях та процесних індустріях ми послідовно спостерігаємо критичну прогалину: більшість осіб, що приймають рішення, ставляться до інструментів ШІ так, ніби це встановлене програмне забезпечення, що працює на серверах компанії.

Це не так. Коли працівник вставляє виробничий звіт в інтерфейс хмарного ШІ, ці дані залишають корпоративний периметр. Коли інженер надсилає специфікації обладнання для аналізу, ці специфікації передаються на сервери, що обслуговуються стороннім провайдером — часто в юрисдикції, відмінній від юрисдикції самого підприємства. Коли менеджер з якості завантажує записи партій для складання резюме, вміст цих записів стає, щонайменше тимчасово, доступним для інфраструктури провайдера ШІ.

Наслідки цієї прогалини вже помітні. У березні 2023 року напівпровідниковий підрозділ Samsung зазнав трьох окремих витоків даних протягом кількох тижнів після зняття внутрішньої заборони на ChatGPT. Інженери подали пропрієтарний вихідний код обладнання для вимірювання напівпровідників, алгоритми оптимізації виходу продукції та стенограми внутрішніх нарад, на яких обговорювалися ще не оприлюднені технології виробництва [1]. Дані були введені добровільно, працівниками, які не розуміли ані потоку даних, ані політики зберігання інструменту, який вони використовували.

Samsung — не поодинокий випадок. Згідно з дослідженням Cisco «2025 Data Privacy Benchmark Study», 48% організацій визнають, що працівники вводили непублічну інформацію компанії в генеративні інструменти ШІ, тоді як 27% організацій у певний момент повністю забороняли використання генеративного ШІ через занепокоєння щодо конфіденційності та безпеки даних [2]. Розрив між темпами впровадження та рівнем організаційної обізнаності щодо поводження з даними є однією з найбільш значущих проблем управління в корпоративних технологіях сьогодні.

Для керівників питання полягає не в тому, чи використовувати ШІ — конкурентний тиск робить це дедалі неминучим — а в тому, як використовувати його, не створюючи неприйнятних ризиків конфіденційності. Відповідь на це питання потребує розуміння того, які дані піддаються ризику, як провайдери обробляють ці дані, які регуляторні зобов'язання застосовуються та які архітектурні підходи відповідають тим чи іншим профілям ризику.

Карта ризиків: які дані залишають вашу організацію

Першим кроком до ефективного управління даними при розгортанні ШІ є чітке розуміння того, яка саме інформація передається, коли працівники взаємодіють із хмарними системами ШІ. На основі нашого досвіду, більшість організацій суттєво недооцінюють обсяг та чутливість залучених потоків даних.

Прямий вміст запитів. Найбільш очевидна категорія: текст, дані або документи, які користувачі явно подають до системи ШІ. Це включає виробничі звіти, фінансові зведення, технічні специфікації, листування з клієнтами, записи про працівників та будь-який інший вміст, вставлений або завантажений до інтерфейсу.

Контекстні метадані. Багато корпоративних розгортань ШІ використовують генерацію з доповненням пошуком (RAG) або подібні технології, які автоматично додають контекст до запитів користувачів. Коли менеджер запитує: «Які були показники дефектності за минулий квартал?», система може витягнути й передати цілі розділи баз даних управління якістю, включно з даними, якими користувач не мав явного наміру ділитися.

Історія розмов. Багатокрокові взаємодії накопичують контекст. Серія індивідуально нешкідливих запитань щодо планування виробництва, потужності обладнання та строків постачання може в сукупності розкрити пропрієтарну операційну стратегію.

Вбудовані чутливі дані. Документи, подані для узагальнення чи аналізу, часто містять інформацію, яку користувач свідомо не визнає чутливою: IP-адреси у файлах журналів, імена та ідентифікатори працівників у виробничих записах, специфічні для клієнтів ціни в контрактних документах, географічні координати об'єктів у звітах з технічного обслуговування.

На основі наших спостережень у межах численних промислових впроваджень ми класифікуємо корпоративні дані за чотирма рівнями чутливості, кожен з яких вимагає різних протоколів поводження:

Рівень данихВизначенняПрикладиРівень ризику
ПублічніІнформація, призначена для зовнішньої аудиторіїМаркетингові матеріали, опубліковані специфікації, публічні фінансові звітиНизький
ВнутрішніНечутлива операційна інформаціяЗагальна документація з процесів, непропрієтарні нотатки з нарад, галузеві бенчмаркиПомірний
КонфіденційніКритично важлива для бізнесу інформація з конкурентною цінністюВиробничі формули, моделі ціноутворення, угоди з постачальниками, неоприлюднені дорожні карти продуктівВисокий
Обмеженого доступуРегульовані дані або дані з високим рівнем впливу, що потребують законодавчого захистуПерсональні дані працівників, медичні записи пацієнтів, секретна оборонна інформація, параметри критичної інфраструктуриКритичний

Джерело: Модель класифікації на основі стандарту інформаційної безпеки ISO 27001, адаптована для контекстів розгортання ШІ.

Ключовий висновок для керівників полягає в тому, що класифікація даних повинна відбуватися до розгортання інструментів ШІ, а не після інциденту. Організація без чіткої політики класифікації даних фактично дозволяє кожному працівнику самостійно вирішувати, що безпечно передавати — як продемонстрував інцидент із Samsung.

Політики даних провайдерів: що відбувається з вашими даними

Розуміння того, як основні провайдери ШІ обробляють корпоративні дані, є необхідною умовою для прийняття обґрунтованих рішень. Ландшафт суттєво дозрів з часів раннього ChatGPT споживчого класу, проте значні відмінності зберігаються як між провайдерами, так і між рівнями обслуговування одного й того ж провайдера.

Порівняння політик даних основних провайдерів LLM

Аспект політикиOpenAI (API / Enterprise)Anthropic (API / Enterprise)Google Cloud (Gemini Enterprise)
Навчання на даних клієнтівНі (API та Enterprise за замовчуванням) [3]Ні (комерційні сервіси) [4]Ні (платний рівень Enterprise) [5]
Зберігання даних — API30 днів (моніторинг зловживань), потім видалення [3]30 днів, потім видалення; доступна опція нульового зберігання [4]Не використовується для навчання; доступні засоби контролю розміщення даних [5]
Зберігання даних — EnterpriseПеріод зберігання контролюється клієнтом [3]Контролюється клієнтом; 30-денне видалення на бекенді після видалення користувачем [4]Контролюється клієнтом; дані залишаються в обраному регіоні [5]
Шифрування даних у стані спокоюAES-256 [3]AES-256 [4]AES-256 (ключі, керовані Google або клієнтом) [5]
Шифрування при передачіTLS 1.2+ [3]TLS 1.2+ [4]TLS 1.2+ [5]
Опція нульового зберігання данихДоступна (Enterprise) [3]Доступна (API та Enterprise) [4]Доступна (Enterprise) [5]
SOC 2 Type 2Так [3]Так [4]Так [5]
Відповідність GDPRПідтримується [3]Підтримується (DPA доступна) [4]Підтримується [5]
Відповідність HIPAAПідтримується (Enterprise) [3]Підтримується (BAA доступна) [4]Підтримується [5]
Угода про обробку данихДоступна [3]Доступна [4]Доступна [5]
Ключі шифрування, керовані клієнтомТак (Enterprise Key Management) [3]За запитом [4]Так (CMEK) [5]

Джерела: OpenAI Enterprise Privacy Policy [3], Anthropic Commercial Terms [4], Google Cloud Gemini Data Governance documentation [5]. Політики актуальні станом на квітень 2026 року.

Кілька спостережень заслуговують на увагу. По-перше, відмінність між споживчим та корпоративним рівнями є критичною. Споживчі версії ChatGPT, Claude та Gemini функціонують на суттєво відмінних умовах обробки даних — у деяких випадках введені дані користувачів можуть використовуватися для вдосконалення моделі, якщо користувач явно не відмовиться. Корпоративні рівні та рівні API однозначно зобов'язуються не використовувати дані клієнтів для навчання.

По-друге, періоди зберігання даних мають значення навіть за наявності виключень щодо навчання. Протягом вікна зберігання — зазвичай 30 днів для моніторингу зловживань — дані клієнтів існують на інфраструктурі провайдера. Для організацій, що працюють із даними обмеженого доступу, навіть тимчасове зберігання у третьої сторони може порушувати регуляторні або контрактні зобов'язання.

По-третє, наявність опцій нульового зберігання даних є суттєвим диференціатором для випадків використання з високим рівнем чутливості. Однак нульове зберігання зазвичай супроводжується компромісами: зниженою можливістю розслідування проблем із сервісом, відсутністю історії розмов та, в деяких випадках, вищою ціною.

У нашій практиці ми спостерігаємо, що більшість організацій не читають політики даних провайдерів перед розгортанням інструментів ШІ. Це — управлінський еквівалент підписання контракту без його прочитання. Ми вважаємо за важливе зазначити, що будь-яке корпоративне розгортання ШІ повинно починатися з формального перегляду умов обробки даних провайдера юридичною службою та командою інформаційної безпеки.

Три архітектурні підходи до корпоративного ШІ

Вибір архітектури розгортання є найважливішим рішенням, яке приймає керівник щодо конфіденційності даних у контексті ШІ. Кожен підхід являє собою різний баланс між можливостями, вартістю та контролем. На основі нашого досвіду впровадження на виробничих підприємствах ми виділяємо три фундаментальні моделі.

Хмарна архітектура (Cloud-First)

У цій моделі вся обробка ШІ відбувається на інфраструктурі провайдера. Підприємство надсилає дані до хмарного API, отримує результати та покладається на контрактні й технічні зобов'язання провайдера щодо захисту даних.

Переваги: Найнижчі початкові інвестиції, доступ до найпотужніших моделей, найшвидший час до розгортання, автоматичні оновлення, відсутність потреби у спеціалізованій інфраструктурі.

Ризики: Усі дані проходять через інфраструктуру третьої сторони та тимчасово на ній зберігаються. Рівень захисту даних підприємства є настільки надійним, наскільки надійною є операційна відповідність провайдера. Вимоги щодо розміщення або суверенітету даних можуть бути складними для дотримання.

Доцільно для: Публічних та внутрішніх даних. Організацій у галузях без суворих вимог до розміщення даних. Випадків використання, де конкурентна цінність можливостей ШІ перевищує залишковий ризик конфіденційності.

Локальна архітектура (On-Premise)

У цій моделі підприємство розгортає та обслуговує власні моделі ШІ на обладнанні у власному центрі обробки даних або приватній хмарі. Жодні дані не залишають корпоративний периметр.

Переваги: Повний суверенітет даних, повна відповідність найбільш суворим вимогам до розміщення даних, усунення ризиків обробки даних третьою стороною, можливість обробки даних обмеженого доступу.

Ризики: Суттєво вищі капітальні витрати (GPU-інфраструктура), операційна складність (управління моделями, оновлення, безпекові патчі), зниження можливостей моделей (найпотужніші моделі недоступні для локального розгортання), потреба у спеціалізованих фахівцях.

Доцільно для: Даних обмеженого доступу та конфіденційних даних. Оборонного сектору, охорони здоров'я, фінансових послуг, критичної інфраструктури. Організацій з наявними потужностями центрів обробки даних та технічними командами.

Гібридна архітектура

Гібридний підхід спрямовує дані через різні шляхи обробки залежно від їхньої класифікації чутливості. Нечутливі запити надсилаються до хмарних API для максимальної ефективності; чутливі дані обробляються локально на менших, але достатніх моделях.

Переваги: Оптимізує баланс між можливостями та конфіденційністю. Дозволяє організаціям використовувати переваги хмарних моделей для нечутливих завдань, зберігаючи при цьому суверенітет даних для чутливих операцій. Найбільш економічно ефективний підхід для змішаних профілів чутливості даних.

Ризики: Потребує надійних механізмів класифікації та маршрутизації даних. Вносить архітектурну складність. Вимагає постійного управління для забезпечення того, щоб чутливі дані випадково не направлялися до хмарних кінцевих точок. Потребує інвестицій як у хмарну, так і в локальну інфраструктуру.

Доцільно для: Більшості промислових підприємств. Організацій із різноманітними профілями чутливості даних. Компаній, що прагнуть максимізувати цінність ШІ, водночас зберігаючи регуляторну відповідність.

На нашу оцінку, гібридна архітектура є найбільш прагматичним підходом для більшості виробничих підприємств. Вона визнає, що не всі дані однаково чутливі й не всі завдання ШІ потребують найпотужніших моделей. Чат-бот для роботи з документацією якості може ефективно працювати через хмарний API; система, що аналізує пропрієтарні виробничі формули, повинна обробляти дані локально. Ключовою вимогою є сувора модель класифікації даних та автоматизований рівень маршрутизації, який послідовно виконує рішення щодо класифікації.

Матриця рішень: чутливість даних і архітектурний підхід

Наступна матриця пропонує практичну модель для зіставлення типів даних з архітектурами розгортання. Кожна клітинка вказує на придатність архітектурного підходу для відповідного рівня чутливості даних.

Чутливість данихХмарний APIГібриднаЛокальна
Публічні✅ Прийнятно✅ Прийнятно✅ Прийнятно (але надмірно)
Внутрішні✅ Прийнятно (з корпоративним рівнем)✅ Прийнятно✅ Прийнятно
Конфіденційні⚠️ З обмеженнями (корпоративний рівень + DPA + юридична перевірка)✅ Рекомендовано✅ Прийнятно
Обмеженого доступу❌ Неприйнятно⚠️ З обмеженнями (чутливі дані залишаються локально)✅ Обов'язково

Джерело: Модель розроблена на основі ISO 27001, NIST AI RMF [7] та адаптована з досвіду корпоративного впровадження у виробничих та процесних галузях.

Рисунок 1. Теплова карта придатності архітектури за рівнем чутливості даних. Вищі оцінки (яскравіші) вказують на більшу придатність. Джерело: ISO 27001, NIST AI RMF [7], адаптовано з досвіду впровадження.

Ця матриця не є директивною, а має орієнтовний характер. Конкретні регуляторні вимоги, галузеві стандарти та контрактні зобов'язання можуть накладати додаткові обмеження. Ключовий принцип полягає в тому, що класифікація даних визначає вибір архітектури — а не навпаки.

Регуляторний ландшафт: GDPR, EU AI Act та інше

Керівники, що розгортають ШІ на підприємствах, які функціонують у межах Європейського Союзу, України або обслуговують клієнтів з ЄС, мають орієнтуватися у дедалі щільнішому регуляторному середовищі. Три регуляторні рамки є особливо актуальними.

Загальний регламент захисту даних (GDPR)

GDPR, чинний з травня 2018 року, встановлює фундаментальні принципи, що безпосередньо впливають на корпоративне розгортання ШІ [6]. Коли компанія використовує хмарного провайдера ШІ для обробки даних, що містять персональну інформацію — імена працівників у виробничих звітах, контактні дані клієнтів у листуванні, кадрові дані в HR-документах — провайдер ШІ стає обробником даних відповідно до Статті 28.

Це запускає конкретні правові зобов'язання: має бути укладена формальна Угода про обробку даних (DPA), обробник повинен діяти лише на основі задокументованих інструкцій, мають бути впроваджені відповідні заходи безпеки, а контролер даних (підприємство) зберігає повну відповідальність за законність обробки. Принципово важливо, що принцип мінімізації даних GDPR (Стаття 5) вимагає, щоб оброблялися лише дані, необхідні для конкретної мети — принцип, який за своєю природою є викликом для систем ШІ, створених для обробки широкого контексту.

Для керівників практичний наслідок є очевидним: розгортання хмарного інструменту ШІ без укладеної DPA є не просто порушенням внутрішньої політики, а потенційним порушенням регуляторних вимог, що загрожує штрафами до 4% глобального річного доходу.

EU AI Act

Регламент (ЄС) 2024/1689, відомий як EU AI Act, запроваджує першу у світі комплексну правову базу для штучного інтелекту [8]. Хоча його основний фокус спрямований на класифікацію систем ШІ та управління ризиками, а не на конфіденційність даних безпосередньо, ряд положень прямо впливає на корпоративне управління даними.

Стаття 10 встановлює вимоги до управління даними для систем ШІ високого ризику, включаючи зобов'язання щодо якості навчальних даних, тестування на упередженість та документування даних. Для підприємств, що використовують ШІ для підтримки рішень у таких сферах, як працевлаштування, системи з критичними вимогами до безпеки або доступ до основних послуг, ці вимоги накладаються поверх зобов'язань за GDPR.

Поетапний графік набуття чинності EU AI Act означає, що різні положення набувають чинності між 2025 та 2027 роками. Керівникам слід розглядати цей період як вікно підготовки до відповідності, а не як відстрочку.

Українська нормативна база захисту даних

Для підприємств, що працюють в Україні, Закон України «Про захист персональних даних» (№ 2297-VI) встановлює вимоги, узгоджені з GDPR, але не ідентичні йому. Нещодавні законодавчі ініціативи, спрямовані на гармонізацію українського законодавства про захист даних зі стандартами ЄС, створюють дедалі більш конвергентне регуляторне середовище, особливо актуальне для українських компаній, що обслуговують ринки ЄС або функціонують як частина ланцюгів постачання ЄС.

Практичні регуляторні наслідки

Конвергенція GDPR, EU AI Act та національного законодавства створює багатошарове зобов'язання щодо відповідності. Для виробничого підприємства, що використовує ШІ для аналізу виробничих даних, які побічно містять ідентифікатори працівників:

  • GDPR вимагає правової підстави для обробки персональних даних, DPA з провайдером ШІ та відповідних заходів безпеки.
  • EU AI Act може накладати додаткові вимоги, якщо система ШІ класифікується як система високого ризику.
  • Національне законодавство додає юрисдикційно-специфічні зобов'язання щодо повідомлення або реєстрації.

На основі нашого досвіду, найбільш ефективним підходом є прийняття найсуворішого застосовного стандарту як базового та побудова моделей управління, що задовольняють усі рівні одночасно, замість спроб фрагментарної відповідності кожному регламенту окремо.

Критерії вибору: модель прийняття рішень для керівників

На основі нашого досвіду впровадження рішень ШІ у різноманітних промислових середовищах ми пропонуємо наступну модель прийняття рішень для керівників, які оцінюють підходи до розгортання ШІ з перспективи конфіденційності даних.

Крок 1: Класифікуйте ваші дані. Перш ніж оцінювати будь-який інструмент або провайдера ШІ, встановіть політику класифікації даних, що категоризує всі інформаційні активи за рівнями чутливості. Це є передумовою, а не факультативним кроком. Без класифікації кожне подальше рішення приймається наосліп.

Крок 2: Визначте регуляторні зобов'язання. Ідентифікуйте, які регламенти застосовуються до вашої організації, ваших даних та запланованих випадків використання ШІ. GDPR застосовується, якщо ви обробляєте персональні дані резидентів ЄС. EU AI Act застосовується, якщо ваша система ШІ потрапляє у сферу його дії. Галузеві регламенти (HIPAA, PCI-DSS, стандарти оборонної класифікації) можуть накладати додаткові вимоги.

Крок 3: Оцініть політики провайдерів. Для будь-якого хмарного або гібридного розгортання проведіть формальний аналіз умов обробки даних провайдера. Ключові питання: Чи використовує провайдер ваші дані для навчання? Який період зберігання? Чи доступна опція нульового зберігання даних? Де обробляються та зберігаються дані? Які сертифікати відповідності має провайдер? Чи доступна DPA?

Крок 4: Узгодьте архітектуру з ризиком. Скористайтеся матрицею рішень, наведеною вище, для визначення відповідних архітектурних підходів згідно з вашим профілем чутливості даних. Якщо ваша організація обробляє лише публічні та внутрішні дані, хмарної архітектури може бути достатньо. Якщо ви працюєте з конфіденційними даними або даними обмеженого доступу — як це робить більшість виробничих підприємств — необхідна гібридна або локальна архітектура.

Крок 5: Впровадьте управління. Технологія сама по собі не вирішує проблему конфіденційності. Інцидент із Samsung був не технологічним збоєм — це був збій управління. Ефективне управління включає: чіткі політики щодо того, які дані можна, а які не можна подавати до систем ШІ, програми навчання працівників, технічні засоби контролю (DLP-системи, API-шлюзи з фільтрацією контенту), регулярні аудити та процедури реагування на інциденти.

Крок 6: Моніторте та переоцінюйте. Політики провайдерів змінюються. Регламенти еволюціонують. Нові можливості ШІ створюють нові потоки даних. Модель управління конфіденційністю має бути живою структурою управління, а не одноразовою вправою з відповідності.

Дослідження Gartner підтверджують нагальність цього підходу: за прогнозами, 25% корпоративних застосунків генеративного ШІ зазнаватимуть щонайменше п'яти незначних інцидентів безпеки на рік до 2028 року, порівняно з 9% у 2025 році [9]. Організації, що інвестують в інфраструктуру управління зараз, матимуть суттєво кращу позицію для реагування на ці інциденти, коли вони відбуватимуться.

Авторська оцінка та висновки

Поточний стан корпоративного впровадження ШІ виявляє стійкий і небезпечний розрив між швидкістю розгортання технологій та зрілістю систем управління даними. Керівники затверджують інструменти ШІ з тим самим підходом до закупівель, який вони застосовують до офісного програмного забезпечення — підходом, який є принципово недостатнім для технології, яка за своєю природою потребує доступу до організаційних знань для створення цінності.

На основі нашої практики ми пропонуємо такі висновки:

По-перше, обізнаність є найбільш нагальною вимогою. Більшість інцидентів з конфіденційністю даних при розгортанні ШІ є наслідком не складних атак чи збоїв провайдерів, а дій працівників, які не розуміють, куди потрапляють їхні дані, коли вони вводять їх в інтерфейс ШІ. Розуміння потоків даних ШІ на рівні вищого керівництва є передумовою ефективного управління.

По-друге, гібридна архітектура є прагматичним вибором для більшості промислових підприємств. Виключно хмарні розгортання піддають конфіденційні дані неприйнятному ризику. Виключно локальні розгортання жертвують можливостями та накладають непомірні витрати для більшості організацій. Гібридний підхід — хмара для нечутливих завдань, локальна обробка для чутливих даних — оптимізує баланс за умови, що він підтримується надійними механізмами класифікації та маршрутизації даних.

По-третє, корпоративні рівні провайдерів є необхідними, але не достатніми. Зобов'язання, взяті OpenAI, Anthropic та Google в їхніх корпоративних умовах, є значущими й являють собою реальний прогрес. Однак вони не усувають усіх ризиків. Дані все ще проходять через інфраструктуру третьої сторони та тимчасово на ній зберігаються. Контрактний захист є настільки надійним, наскільки надійною є операційна відповідність провайдера. Підприємства мають зберігати власні засоби контролю безпеки та можливості аудиту.

По-четверте, регуляторна відповідність — це мінімальна планка, а не стеля. GDPR та EU AI Act встановлюють мінімальні стандарти. Організації, що сприймають відповідність як кінцеву мету, а не як відправну точку, перебуватимуть у стані постійного реагування. Метою має бути модель управління даними, яка перевищує регуляторні вимоги й забезпечує справжню організаційну впевненість у безпеці розгортань ШІ.

По-п'яте, управління — це безперервна операційна функція, а не проєкт. Ландшафт ШІ змінюється стрімко. Політики провайдерів оновлюються, нові моделі запроваджують нові схеми обробки даних, регуляторні інтерпретації еволюціонують. Управління конфіденційністю даних має бути вбудоване в операційну діяльність організації як безперервний процес.

Підприємства, які отримають найбільшу стійку цінність від ШІ, — це не ті, що впроваджують найшвидше, а ті, що впроваджують найбільш продумано — з чітким розумінням потоків даних, ризиків та вимог до управління, яких потребує відповідальне розгортання ШІ.

Джерела

  1. The Register. "Samsung reportedly leaked its own secrets through ChatGPT." 2023. https://www.theregister.com/2023/04/06/samsung_reportedly_leaked_its_own
  2. Cisco. "2025 Data Privacy Benchmark Study." 2025. https://newsroom.cisco.com/content/r/newsroom/en/us/a/y2025/m04/cisco-2025-data-privacy-benchmark-study-privacy-landscape-grows-increasingly-complex-in-the-age-of-ai.html
  3. OpenAI. "Enterprise Privacy at OpenAI." 2026. https://openai.com/policies/api-data-usage-policies
  4. Anthropic. "Commercial Terms of Service." 2025. https://www.anthropic.com/legal/commercial-terms
  5. Google Cloud. "How Gemini for Google Cloud Uses Your Data." 2025. https://docs.cloud.google.com/gemini/docs/discover/data-governance
  6. European Parliament and Council. "Regulation (EU) 2016/679 — General Data Protection Regulation." 2016. https://gdpr.eu.org/art/28/
  7. NIST. "AI Risk Management Framework (AI RMF 1.0)." 2023. https://www.nist.gov/itl/AI-risk-management-framework
  8. European Parliament and Council. "Regulation (EU) 2024/1689 — Artificial Intelligence Act." 2024. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32024R1689
  9. Gartner. "Gartner Predicts 25% of All Enterprise GenAI Applications Will Experience At Least Five Minor Security Incidents Per Year By 2028." 2026. https://www.gartner.com/en/newsroom/press-releases/2026-04-09-gartner-predicts-25-percent-of-all-enterprise-gen-ai-applications-will-experience-at-least-five-minor-security-incidents-per-year-by-2028
конфіденційність даних шізахист корпоративних данихбезпека ші на підприємствіgdpr шіeu ai actуправління данимиполітика даних llmлокальний шігібридне розгортання ші

Рішення АКУТЕК за темою статті

Ми проєктуємо та впроваджуємо такі системи на промислових підприємствах України та ЄС.

Пов'язані статті

Потрібна консультація?

Зв'яжіться з нами для безкоштовної консультації.