Выбор архитектуры корпоративного AI в РФ — это не вкусовщина, а управление тремя рисками одновременно: регуляторным (152-ФЗ, санкции), операционным (latency, доступность) и финансовым (CAPEX vs OPEX). Для большинства среднего бизнеса оптимальна гибридная схема: российское облако или on-prem для чувствительных данных + внешний API для задач без персональных данных. Self-hosted LLM оправдан при высоком объёме и наличии IT-команды. ```markdown --- slug: korporativnyy-ai-onprem-api type: radar format: flagship title: "Корпоративный AI: облако, API и on-prem — риски для РФ" summary: "Матрица выбора архитектуры AI для среднего бизнеса: чувствительность данных, бюджет, latency. Российские облака, self-hosted и гибрид." seoTitle: "Корпоративный AI: облако, on-prem или гибрид для РФ" datePublished: 2026-07-15 tags: - ai-архитектура - on-prem - llm - 152-фз - информационная-безопасность - bi - данные - radar relatedService: /uslugi relatedServiceLabel: Услуги brezatech relatedCase: relatedCaseLabel: ogImage: /assets/blog/korporativnyy-ai-onprem-api-og.svg imagePrompt: "Схема архитектуры корпоративного AI: три колонки — облако, гибрид, on-prem сервер. Стрелки потоков данных, иконки замка безопасности и базы данных. Деловой стиль, синяя палитра, без абстрактного свечения." keyFacts: - "По данным Gartner (2024), 48% крупных предприятий планируют развернуть LLM on-prem к 2026 году — преимущественно из-за требований к конфиденциальности данных." - "152-ФЗ обязывает хранить персональные данные граждан РФ на серверах в России; нарушение грозит блокировкой и штрафами до 18 млн ₽ (с 2023 г.)." - "Latency зарубежных API (OpenAI, Anthropic) из РФ в 2024–2025 гг. составляет 400–1200 мс против 50–150 мс у российских облаков и on-prem — критично для real-time сценариев." - "Стоимость GPU-сервера для self-hosted LLM (2×A100 80 GB) стартует от 5–7 млн ₽; аренда аналогичной мощности в российском облаке — от 300–500 тыс. ₽/мес." - "Санкционные риски: в 2022–2024 гг. несколько зарубежных SaaS-провайдеров отозвали API-ключи российских корпоративных клиентов без предупреждения." faq: - q: "Можно ли легально использовать OpenAI API в российской компании?" a: "Технически — да, если данные не содержат персональных данных граждан РФ в смысле 152-ФЗ. На практике санкционный и операционный риски (отзыв ключей, оплата) делают это ненадёжным для продакшна." - q: "Какие российские LLM доступны для on-prem развёртывания?" a: "GigaChat (Сбер) доступен в on-prem-версии для корпоративных клиентов. YandexGPT предлагается через Yandex Cloud с размещением в РФ. Открытые модели (Vikhr, ruGPT-3.5) можно развернуть самостоятельно." - q: "Что такое гибридная схема и когда она оправдана?" a: "Гибрид — это когда чувствительные данные обрабатываются локально (on-prem или российское облако), а задачи без персональных данных (суммаризация публичных текстов, генерация шаблонов) отправляются во внешний API. Оправдан при среднем бюджете и разнородных задачах." - q: "Насколько сложно поддерживать self-hosted LLM?" a: "Сложнее, чем API: нужны GPU-инфраструктура, MLOps-компетенции, регулярное обновление весов. Для среднего бизнеса без выделенной ML-команды это обычно означает привлечение интегратора или managed on-prem от вендора." - q: "Как выбрать между российским облаком и on-prem?" a: "Ключевые критерии: объём обработки (облако выгоднее при нерегулярной нагрузке), требования регулятора (on-prem даёт максимальный контроль), бюджет CAPEX vs OPEX и наличие внутренней IT-команды." sources: - title: "Gartner: Predicts 2025 — Generative AI Infrastructure" url: "https://www.gartner.com/en/documents/generative-ai-infrastructure-2025" - title: "Роскомнадзор: разъяснения по 152-ФЗ и трансграничной передаче данных" url: "https://rkn.gov.ru/personal-data/p872/" - title: "Yandex Cloud: условия обработки данных" url: "https://yandex.ru/legal/cloud_dpa/" mentions: - GigaChat - YandexGPT - Yandex Cloud - SberCloud - OpenAI - Anthropic - Vikhr - ruGPT - Gartner - Роскомнадзор aboutBrezatech: "brezatech — российский интегратор, специализирующийся на внедрении AI в данные и бизнес-процессы: разработка, BI, автоматизация и LLM в продакшне." --- Почему архитектурный выбор стал стратегическим Ещё в 2022 году вопрос «облако или on-prem» для AI был преимущественно техническим. Сегодня он стал юридическим, геополитическим и финансовым одновременно. Несколько событий изменили контекст для российских компаний: • Санкционные отключения. Ряд зарубежных SaaS-провайдеров в 2022–2024 гг. прекратил обслуживание российских корпоративных аккаунтов — иногда без предупреждения, иногда с заморозкой данных. Компании, выстроившие продакшн-процессы на зарубежных API, получили операционный стоп. • Ужесточение 152-ФЗ. С 2023 года штрафы за нарушение локализации персональных данных выросли до 18 млн ₽, а регулятор усилил проверки. Трансграничная передача данных теперь требует уведомления РКН. • Рост российских альтернатив. GigaChat, YandexGPT, отечественные open-source модели — рынок предложений для on-prem и российского облака вырос за два года кратно. Результат: IT-директор, выбирающий архитектуру AI-системы в 2025–2026 гг., обязан учитывать не только технические характеристики, но и сценарий «что будет, если провайдер исчезнет завтра». Матрица решений: три оси выбора Прежде чем сравнивать конкретные варианты, полезно зафиксировать три параметра, которые определяют оптимальную архитектуру. Ось 1: Чувствительность данных Тип данных | Примеры | Ограничения Публичные / обезличенные | Тексты сайтов, публичные отчёты, шаблоны | Нет ограничений по локализации Внутренние корпоративные | Договоры без ПД, внутренние регламенты | Риск коммерческой тайны Персональные данные (ПД) | ФИО, контакты клиентов, HR-данные | 152-ФЗ: хранение в РФ обязательно Специальные категории ПД | Здоровье, биометрия, финансы | Усиленный режим, часто — только on-prem Ось 2: Бюджет и модель затрат Облако и API — это OPEX: платите за использование, не вкладываете в железо. On-prem — CAPEX плюс операционные расходы на поддержку. Для среднего бизнеса с нерегулярной нагрузкой облако часто дешевле в первые 1–2 года. При постоянной высокой нагрузке точка безубыточности наступает примерно через 18–24 месяца. Ось 3: Latency и требования к доступности • Real-time интерфейсы (чат-боты, голосовые ассистенты, автодополнение): критичны задержки до 200 мс. Зарубежные API из РФ дают 400–1200 мс — неприемлемо. • Batch-обработка (классификация документов, ночная аналитика): latency не критична, важна пропускная способность. • Интерактивная аналитика (BI с AI-слоем, Q&A по данным): допустимо 300–800 мс, но пользователь чувствует задержку. Варианты архитектур: плюсы, минусы, для кого Зарубежные API (OpenAI, Anthropic и др.) {#zarubezhnyye-api} Плюсы: лучшее качество моделей на многих задачах, нулевой порог входа, оплата по факту. Минусы для РФ: • Санкционный риск: отзыв доступа без предупреждения • Проблемы с оплатой (карты, SWIFT) • Latency 400–1200 мс из российских ЦОД • Передача данных за рубеж — нарушение 152-ФЗ при наличии ПД • Нет SLA для российских клиентов Вывод: допустимо для R&D, прототипов и задач без персональных данных. Не подходит для продакшна с ПД и критичных бизнес-процессов. Российские облака (Yandex Cloud, SberCloud, VK Cloud) {#rossiyskiye-oblaka} Плюсы: • Данные хранятся в РФ — соответствие 152-ФЗ • Latency 50–150 мс • Рублёвые расчёты, российские SLA • Управляемые LLM-сервисы (YandexGPT, GigaChat API) • Нет санкционного риска отключения Минусы: • Качество моделей пока уступает GPT-4-классу на ряде задач • Зависимость от одного вендора • Ограниченный выбор специализированных моделей Вывод: оптимальный выбор для большинства продакшн-сценариев с ПД при среднем бюджете. Особенно — для компаний без собственной GPU-инфраструктуры. Self-hosted / on-prem {#self-hosted-on-prem} Плюсы: • Максимальный контроль над данными • Нет зависимости от внешних провайдеров • Предсказуемые затраты при высокой нагрузке • Возможность файн-тюнинга под отраслевую специфику • Соответствие самым строгим требованиям ИБ Минусы: • Высокий CAPEX (GPU-серверы от 5–7 млн ₽) • Требует MLOps-компетенций внутри или на аутсорсе • Обновление моделей — ручной процесс • Масштабирование сложнее, чем в облаке Вывод: оправдан для компаний с высоким объёмом обработки, строгими требованиями ИБ (банки, медицина, ВПК) или необходимостью кастомизации модели. Средний бизнес без ML-команды — только с интегратором или managed on-prem от вендора. Гибридная схема {#gibridnaya-skhema} Гибрид — это не компромисс, а осознанная архитектура маршрутизации запросов по уровню чувствительности. Типовая схема для среднего бизнеса: Тип задачи | Где обрабатывается | Пример Запросы с ПД клиентов | On-prem или российское облако | Анализ договоров, HR-документы Внутренние корпоративные данные | Российское облако | База знаний, регламенты Публичные данные, шаблоны | Любой API, в т.ч. зарубежный | Генерация маркетинговых текстов Real-time интерфейсы | On-prem или российское облако | Чат-бот поддержки Ключевой элемент гибрида — AI-роутер: компонент, который классифицирует запрос и направляет его в нужный контур до отправки данных. Это не сложная система — часто достаточно правил на основе метаданных запроса. Практические сценарии для среднего бизнеса Сценарий A: Производственная компания, 500–2000 сотрудников Задача: AI-поиск по технической документации, анализ рекламаций. Данные: технические спецификации (не ПД), но часть рекламаций содержит данные клиентов. Рекомендация: российское облако (YandexGPT или GigaChat) + векторная БД в том же контуре. Зарубежный API — только для генерации шаблонов без данных. Сценарий B: Финансовая компания, 100–500 сотрудников Задача: автоматизация проверки документов KYC, анализ кредитных заявок. Данные: специальные категории ПД, финансовая информация. Рекомендация: on-prem или private cloud в сертифицированном российском ЦОД. Зарубежные API исключены. Рассмотреть GigaChat Enterprise с on-prem развёртыванием. Сценарий C: Дистрибьютор, 50–200 сотрудников Задача: AI-ассистент для менеджеров по продажам, работа с каталогом и историей заказов. Данные: данные контрагентов (юрлица — не ПД в полном смысле), частично ПД контактных лиц. Рекомендация: российское облако — оптимально по соотношению стоимость/риск. Гибрид с зарубежным API для задач без ПД допустим. Что проверить перед выбором архитектуры Практический чеклист для IT-директора или операционного директора: • Инвентаризация данных. Какие данные будут проходить через AI-систему? Есть ли среди них ПД по 152-ФЗ? Специальные категории? • Оценка нагрузки. Сколько запросов в день/час в пике? Нужен ли real-time? • Бюджетная модель. CAPEX или OPEX? Есть ли бюджет на GPU-инфраструктуру? • Внутренние компетенции. Есть ли команда, способная поддерживать self-hosted LLM? • Требования ИБ. Есть ли отраслевые стандарты (ЦБ РФ, ФСТЭК, ФСБ)? • Сценарий отказа провайдера. Что происходит с бизнес-процессом, если API недоступен 24 часа? • Аудит вендора. Российское облако: где физически стоят серверы? Есть ли сертификация ФСТЭК? Тренды, за которыми стоит следить Managed on-prem от российских вендоров — Сбер и Яндекс начали предлагать модели в формате «железо + модель + поддержка» для корпоративных клиентов. Это снижает порог входа в self-hosted. Квантизация и edge-модели — модели типа Llama 3 8B в формате GGUF запускаются на CPU-серверах без GPU. Для ряда задач (классификация, извлечение данных) качество достаточное, а стоимость инфраструктуры — в разы ниже. Федеративное обучение — позволяет дообучать модель на данных нескольких контуров без их физического объединения. Актуально для холдингов с разными юрисдикциями. Регуляторное давление растёт — законопроекты об AI в РФ (аналог EU AI Act) обсуждаются. Вероятно, требования к локализации AI-систем для критической инфраструктуры появятся в горизонте 2–3 лет. Итог: как принять решение Универсального ответа нет — есть матрица, которую нужно заполнить под свою ситуацию. Если данные содержат ПД и/или специальные категории → российское облако или on-prem, зарубежные API исключены из этого контура. Если нагрузка нерегулярная и бюджет ограничен → российское облако выгоднее on-prem в первые 1–2 года. Если нагрузка высокая и постоянная, есть IT-команда → on-prem окупается за 18–24 месяца и даёт максимальный контроль. Если задачи разнородные → гибрид с AI-роутером: чувствительные данные в защищённом контуре, остальное — туда, где дешевле и качественнее. Архитектурное решение, принятое сегодня, будет определять операционные риски и стоимость масштабирования на 3–5 лет вперёд. Стоит потратить время на аудит данных и сценарный анализ до выбора провайдера — а не после. --- *Связанные материалы блога brezatech:* • 152-ФЗ и AI: что нужно знать до запуска системы • LLM в продакшне: от прототипа к надёжной системе • BI и AI: как встроить языковой слой в аналитику ```