Защита персональных данных (ПДн) при использовании ИИ в юриспруденции — это критически важный и комплексный процесс, находящийся на стыке права, технологий и этики. Юридическая сфера работает с особо чувствительными данными (судимости, семейные тайны, финансовое состояние, коммерческая тайна), поэтому требования к безопасности максимально высоки. Обработка регулируется несколькими уровнями законодательства:

• Федеральный закон № 152-ФЗ «О персональных данных» задает базовые принципы – законность, целенаправленность, минимизация данных, точность, хранение, конфиденциальность, ответственность;
• Федеральный закон № 63-ФЗ «Об адвокатской деятельности и адвокатуре» (адвокатская тайна неприкосновенна и является приоритетом), закон «О государственной тайне», «О коммерческой тайне»;
• Кодексы профессиональной этики адвокатов, нотариусов, корпоративные правила юридических фирм;
• Специальные стандарты – приказ ФСТЭК России № 21 (требования к защите ПДн в информационных системах), стандарты PCI DSS (если речь о платежных данных), ISO/IEC 27001 (информационная безопасность).

При использовании публичных LLM (ChatGPT, и т.д.) вводя запрос с данными клиента, человек передает их третьей стороне. Эти данные могут использоваться для обучения модели и стать доступными другим пользователям. ИИ-алгоритмы, особенно обученные на малых наборах данных, могут восстановить личность человека даже из обезличенных данных, сопоставив косвенные признаки (даты, суммы, уникальные обстоятельства дела). Если ИИ-модель обучена на исторических данных, содержащих предвзятые судебные решения, она может несправедливо оценивать риски по делам конкретных социальных групп, нарушая принцип равенства. Сложные нейросетевые модели не всегда могут четко объяснить, почему было принято то или иное решение (например, оценка вероятности выигрыша дела). Это противоречит принципу прозрачности обработки ПДн и праву субъекта на объяснение. Есть риски взлома баз данных, содержащих материалы дел, атаки на модели (подмена данных для манипуляции выводом ИИ).

Реализация защитных мер должна быть многоуровневой и охватывать весь жизненный цикл данных и работы ИИ-системы. Их можно разделить на несколько ключевых блоков:

I. Организационно-правовые меры. Проведение оценки воздействия (DPIA — Data Protection Impact Assessment) – обязательная процедура перед внедрением любой ИИ-системы, обрабатывающей ПДн. Цель — выявить и минимизировать риски для прав субъектов ПДн на этапе проектирования. Для каждого процесса с ИИ должно быть четкое основание обработки ПДн:

• • явное, информированное согласие субъекта (клиента) с разъяснением целей и способов использования ИИ,
  • Исполнение договора (оказание юридических услуг),
  • Законные интересы юрфирмы (с обязательной оценкой баланса интересов и прав субъекта).

Назначение ответственных: ответственный за обработку ПДн (по 152-ФЗ), сотрудник по защите данных (DPO) — если требуется по GDPR или внутренним стандартам, владелец ИИ-проекта, отвечающий за безопасность на всех этапах. Разработка внутренних регламентов:

• • политика использования ИИ-инструментов,
  • инструкция по работе с ПДн в ИИ-системах,
  • процедура реагирования на утечки данных (инциденты).

Если ИИ-платформа сторонняя — обязателен договор поручения обработки ПДн (ст. 6 152-ФЗ) с детальным описанием технических и организационных мер защиты у обработчика.

II. Технические меры защиты данных. Локализация и изоляция инфраструктуры:

• • предпочтение закрытым (private) облачным решениям или локальному (on-premise) развертыванию ИИ-моделей,
  • использование выделенных, изолированных сред (контейнеры, виртуальные машины) для обучения и эксплуатации моделей.

Криптографическая защита: шифрование данных при хранении (на дисках, в БД), шифрование данных при передаче (TLS 1.2/1.3, VPN для доступа), управление ключами шифрования (использование HSM-модулей или доверенных сервисов). Контроль доступа и аудит:

• • строгая аутентификация (многофакторная, 2FA) для доступа к ИИ-интерфейсам,
  • детальное разграничение прав (RBAC) — доступ только к необходимым для роли данным и функциям,
  • неизменяемое (immutable) журналирование всех действий: кто, когда, с какими данными работал, какой запрос к ИИ отправил, какой результат получил.

Защита на уровне данных: псевдонимизация – замена прямых идентификаторов (ФИО, паспорт) на уникальные коды, ключи замены хранятся отдельно; анонимизация – безвозвратное удаление или изменение данных, делающее идентификацию субъекта невозможной (используется для создания тренировочных наборов); дифференциальная приватность – внедрение статистического «шума» в наборы данных для обучения, что защищает от восстановления данных конкретного человека при сохранении общей полезности данных для модели; синтетические данные – обучение и тестирование ИИ на искусственно сгенерированных, но реалистичных данных, не имеющих отношения к реальным клиентам.

III. Специфические меры для ИИ-моделей (Machine Learning Operations — MLOps).

"Безопасность по дизайну" (Security by Design). Встраивание защиты в архитектуру модели:

• • минимизация объема ПДн на входе модели,
  • регулярная очистка контекста в диалоговых моделях (LLM).

Контроль целостности модели: защита от состязательных атак (adversarial attacks), когда злоумышленник манипулирует входными данными, чтобы обмануть модель; подпись и версионирование моделей для предотвращения подмены. Мониторинг смещений (Bias Monitoring) – регулярная проверка выводов модели на дискриминацию по полу, возрасту, расе и другим признакам для соблюдения принципа справедливости. Внедрение "человека в цикле" (Human-in-the-loop) – критически важная организационно-техническая мера. Любое итоговое решение (прогноз, классификация, черновик документа) должно быть верифицировано юристом. ИИ выступает только как инструмент анализа и помощник.

IV. Особые меры для генеративных моделей (LLM, типа ChatGPT). Жесткий запрет на загрузку конфиденциальных данных, персональных и клиентских данных в публичные версии моделей (ChatGPT, бесплатные Copilot и т.д.). Использование только корпоративных версий с гарантиями конфиденциальности:

• • Microsoft Azure OpenAI Service (данные не используются для обучения моделей Microsoft, не передаются третьим лицам),
  • локальные развертывания открытых моделей (Llama, Mistral и др.) в собственном контуре.

Настройка политик сессий: автоматическое удаление истории диалогов, отключение сохранения запросов и ответов.

V. Меры работы с персоналом. Обязательное обучение всех юристов и технических специалистов:

• • основам защиты ПДн,
  • специфическим рискам при работе с ИИ,
  • правилам использования разрешенных ИИ-инструментов.

Регулярные проверки знаний и моделирование инцидентов (фишинг, утечка). Подписание соглашений о конфиденциальности (NDA) и о соблюдении политик информационной безопасности.

Таким образом, эффективная защита требует не выборочных действий, а системы, где:

• технические меры (шифрование, доступ) создают защитный периметр,
• MLOps-меры обеспечивают безопасность самой модели и данных для нее,
• организационно-правовые меры задают правила и процедуры,
• работа с персоналом гарантирует, что правила соблюдаются на практике.

Только такой подход позволяет юристам использовать преимущества ИИ, не нарушая законодательство о персональных данных и не подрывая фундаментальный принцип адвокатской тайны.

Защита ПДн при использовании ИИ в юриспруденции — это не просто техническая настройка, а сквозной процесс, встроенный в культуру работы фирмы. Он требует:

• приоритета конфиденциальности над удобством и скорость,
• глубокого понимания рисков всеми участниками — от партнера до стажера,
• инвестиций в защищенную инфраструктуру и обучение,
• постоянного баланса между инновационным потенциалом ИИ и жесткими рамками профессиональной юридической этики и законодательства о персональных данных.

Только при таком комплексном подходе юридические компании смогут использовать мощь ИИ, не ставя под удар доверие клиентов и свою репутацию.

Список литературы

• Барзилова И.С. Проблемы использования цифровых технологий в правотворчестве // Социально-политические науки. 2021. № 2.
• Курочкина А.М. Цифровизация правотворческой деятельности: проблемные аспекты и перспективы развития // Правовой альманах. 2025. №6. С. 15-28.