Для банка или госоргана ИИ упирается в противоречие: закон требует держать персональные данные под контролем, а сильные нейросети живут в чужом облаке — и все, что туда отправлено, по сути покидает страну. Как использовать ИИ, не нарушая закон о персональных данных и банковскую тайну, — ключевой вопрос для регулируемого бизнеса Узбекистана, где к концу 2026 года должно появиться сто государственных ИИ-проектов. Александр Симоненко, Head of AI компании Gorgona, рассказал о том, почему главный дефицит на рынке — не технологии, а люди.
В Узбекистане приняли «Стратегию развития ИИ до 2030 года», а к концу 2028-го должно появиться сто проектов ИИ в госуправлении и экономике. Насколько банки и госорганы готовы к такому темпу и где главный разрыв между планом и практикой?
Узбекистан поддерживает мировой тренд перехода от «цифровизации» к «агентизации», когда место привычных сервисов занимают ИИ-агенты. Темп задан серьезный, но главный разрыв между планом и практикой — не в технологиях и не в бюджетах. Он в людях.
Инфраструктуру можно закупить, модель — развернуть за недели. А специалистов, которые умеют не просто пользоваться ChatGPT, а проектировать ИИ-процессы и готовить под них данные, критически мало. Это упирается в образование: спрос на такие компетенции вырос за месяцы, а система подготовки кадров так быстро не разворачивается.
Наше исследование это подтверждает: игроков много, но зрелость разная. Пилоты пробовали многие, до продакшена дошли единицы — и спотыкаются чаще всего именно о нехватку людей, способных довести проект до результата.
Когда организация из регулируемого сектора начинает работать с ИИ, какие ограничения всплывают первыми? Как компании обычно пытаются их обойти и что при этом идет не так?
Первопричина всех ограничений — инфраструктура. В зарегулированных отраслях с чувствительными данными работать нужно на локальных моделях, а они требуют мощных GPU, которые сейчас в дефиците.
Поэтому многие уходят в облако — не потому, что там модели умнее, а потому что развернуть сопоставимую мощность у себя физически не могут. И тут включается юридическое ограничение, самое серьезное: отправляя запрос в облако, компания передает данные на чужие серверы, часто в другой стране. Для регулируемого сектора это конфликт с законом о персональных данных, а для банков — еще и с банковской тайной. Плюс неочевидный риск: новые версии моделей могут обучаться на том, что вы им отправили.
Чаще всего обойти ограничения никак нельзя: сотрудники идут в облачный ChatGPT с личных аккаунтов, ИБ этого не видит, и данные утекают бесконтрольно.
Gorgona выросла как раз из этого: мы решаем обе проблемы разом — разворачиваем железо, на котором локальные модели дают нужное качество, и строим контур так, что данные физически его не покидают. Обходить политику незачем — достаточно мощный ИИ уже внутри периметра.
Вы выделяете управление знаниями как критический этап и продвигаете роль Data Steward. Что это за роль, чем она отличается от того, что делали бизнес-аналитики или методологи, — нет ли риска придумать должность под свой продукт?
Большая часть корпоративных знаний неструктурированна: разбросана по файлам, таблицам, чатам, а иногда живет только в головах сотрудников. Отсюда две беды — нужное не найти, а когда человек увольняется, экспертиза уходит с ним.
Кто-то скажет: подключите ИИ к файловому хранилищу — и все заработает. Не заработает. Модели живут по принципу garbage in, garbage out: если знания не в порядке, в ответ получаешь солянку из кусков. И речь про целый пласт информации о бизнесе, а не только про проектную документацию.
Data Steward непрерывно превращает разрозненную экспертизу в актив, пригодный для ИИ, и держит его в актуальном состоянии. Бизнес-аналитик описывает процессы разово, под проект. Методолог задает стандарты и регламенты, но живые знания не поддерживает. В этом и главное отличие Data Steward, которые работает постоянно и с прицелом на то, чтобы знаниями пользовался не только человек, но и модель.
Роль мы не придумывали под свой продукт — она нужна при любом внедрении ИИ. Просто большинство компаний открывают эту потребность уже на граблях: пилот выдает ерунду и проект встает. Мы предлагаем на них не наступать.
Приведите один проект детально: задача, что изменилось в цифрах и как заказчик проверил, что данные не покинули контур. Насколько открыто можете называть клиента — хотя бы отрасль и масштаб?
Из-за NDA имя назвать не смогу — опишу суть. Клиент проводит экспертизу технических заданий на 30−300 страниц: нужно вынести заключение о полноте продукта, безопасности архитектуры и корректности требований. Раньше ревью одного ТЗ занимало до недели: нужна редкая кросс-доменная экспертиза — один проект про финансы, следующий про медицину.
Мы собрали ассистента, который дает аналитику «второе мнение»: проверяет документ по заданному набору правил и формирует черновик заключения. Цикл сократился с недели до 7−10 минут — аналитик больше не пишет проверку с нуля, а верифицирует готовый разбор.
Что до безопасности — обработка шла на локальной open-source модели внутри закрытого контура, документы его не покидали. И это не «честное слово»: система была изолирована от внешней сети, и служба ИБ заказчика проверяла, что исходящего трафика с данными нет.
У глобальных ИИ-игроков больше ресурсов и более зрелые модели. В чем тогда предметное преимущество локальной платформы и почему заказчик в Узбекистане должен выбрать ее, а не мировой бренд?
Честно, мы не соревнуемся с OpenAI или Anthropic в мощности моделей и не пытаемся — сравнение «лучше или хуже» тут неуместно. У регулируемого бизнеса вопрос иной: не «чья модель умнее», а «как использовать ИИ эффективно и не нарваться на штрафы и другие риски».
Здесь мы выигрываем предметно, потому что в основе платформы не конкретная LLM, а набор инструментов под задачи бизнеса, работающих на разных моделях. Данные и модели остаются внутри контура клиента, а значит и внутри страны — для банка или госоргана это условие допуска, а не преимущество.
Как уже говорил выше, платформа хранит контекст бизнеса: модуль управления знаниями дает модели специфику компании, и на типовых задачах локальная модель с правильными знаниями отвечает точнее, чем мощная без них. Поверх него работает ролевая система, которая не дает, например, маркетологам получать доступ к данным финансистов — для крупного бизнеса это базовая необходимость.
Где локальный ИИ может подвести или где технология пока не дотягивает? И с чего вы советуете начинать руководителю банка или госоргана, который понимает, что от ИИ не уйти, но боится утечек и потери контроля?
Чаще всего ИИ подводит не из-за самой технологии, а из-за того, что вокруг нее. Первое ограничение — формализация данных и процессов: пока данные не оцифрованы и их нельзя передать модели в удобном виде, даже самый умный алгоритм даст плохой результат. Второе — ресурсы: чем сложнее задача, тем крупнее нужна модель, а крупные модели упираются в дефицит мощных GPU. Мы проектировали платформу с учетом этого: для большинства наших агентов достаточно модели уровня Qwen 3 на 30 млрд параметров, и качество устраивает пользователей.
Руководителю стоит начинать не с ИИ, а с анализа бизнес-процессов — иногда для роста эффективности ИИ и не нужен — достаточно расшить узкие места. Если внедрение неизбежно, следующий шаг — навести порядок с данными и их чувствительностью: часть можно спокойно отдавать в облако, часть — категорически нет. Здесь ключевые участники — комплаенс и информационная безопасность, а для банков и госсектора они обязательны. Это разделение и даёт руководителю тот контроль, которого он боится лишиться. Кстати, мы с нашим партнерами из ALPHA готовим серию воркшопов на эту тему, так что следите за анонсами в нашем канале в Telegram.
И самое главное — не идите слепо за хайпом: ИИ всего лишь инструмент, и приносить он должен реальную пользу сотрудникам и клиентам.
На правах рекламы.
