Порівняння20 листопада 2026 р.5 хв читання

OpenAI API у компанії: дані, договір і якість

Що відбувається з даними в API OpenAI, Anthropic чи Google, що записати в договір, як перевірити якість українською і коли API замало.


Коли компанія переходить від експериментів у чаті до власного AI-агента, першим постає питання про хмарний API: що вендор робить з надісланими даними, що записати в договір і чи впорається модель з українськими документами. Для більшості задач API з маскуванням і регіоном ЄС закриває вимоги безпеки. Нижче розбираємо, як це перевірити, і де API замало, тобто коли варто дивитись на власну модель.

Що означає кожен варіант

Хмарна модель через API. Ваш застосунок надсилає запит у модель OpenAI, Anthropic, Google або в ту саму модель через хмару Microsoft Azure і отримує відповідь. Модель, сервери і оновлення на боці вендора. Оплата за обсяг тексту.

Приватна модель. Модель з відкритими вагами, наприклад Llama, Mistral, Qwen, Gemma або gpt-oss, працює на вашому сервері або в орендованій хмарі під вашим контролем. Дані не виходять за межі вашої інфраструктури.

Порівняння

КритерійХмарна модель через APIПриватна модель
Якість на складних задачахнайвищанижча, розрив скорочується
Українська мовадобрезалежить від моделі, треба перевіряти
Де обробляються даніу вендора, можливий регіон ЄСлише у вашій інфраструктурі
Стартднітижні
Витратиоплата за обсягсервер з GPU і інженер
Масштабуваннявендорваша команда
Оновлення моделіавтоматично від вендораколи вирішите ви
Робота без інтернетунемаєможлива

Коли достатньо API

  • Дані без персональної інформації: описи товарів, тексти для сайту, аналіз публічних документів, код.
  • Персональні дані є, але обробка дозволена договором і політикою, а вендор дає договір обробки даних і регіон ЄС.
  • Потрібна найвища якість: складні міркування, довгі документи, аналіз з кількома кроками.
  • Обсяг запитів помірний або нерівномірний: платите лише за використане.

За політикою великих вендорів дані з API за замовчуванням не йдуть у навчання моделей. Для бізнесових сценаріїв доступні режими з мінімальним зберіганням і обробка в Європі. Умови змінюються, тому юрист має прочитати чинну редакцію до запуску.

Коли API замало

  • Регулятор або внутрішня політика забороняє передавати дані третім сторонам: банки, медицина, державні установи, оборонні підприємства.
  • Дані становлять комерційну таємницю: рецептури, собівартість, умови контрактів.
  • Великий і стабільний обсяг простих запитів, де власний сервер дешевший за оплату за обсяг.
  • Потрібна робота в закритому контурі без доступу до інтернету.

Варіанти розгортання власної моделі, вимоги до заліза і розрахунок сервера проти хмари розібрані у статті локальна LLM і приватний ШІ на своєму сервері.

Гібрид: найчастіша відповідь

На практиці більшість наших проєктів використовують змішану схему.

Маскування перед відправкою. Персональні дані замінюються мітками до того, як текст іде в модель, і повертаються у відповідь уже на вашому сервері. В одному з наших проєктів, AI-чаті інтернет-магазину, правило записане в коді: телефон, пошта і адреса клієнта ніколи не потрапляють у запит до моделі, модель бачить лише імʼя, а деталі замовлень підставляються тільки коли клієнт сам про них питає.

Розподіл задач. Класифікація, пошук і витяг даних з документів на приватній моделі, складні відповіді і міркування в хмарній моделі без чутливих даних.

Детерміновані розрахунки окремо. Там, де потрібна точність, модель зовсім не рахує. У нашому сервісі перевірки контрагентів рівень ризику рахує формула з відкритими вагами, а модель допомагає лише зібрати і пояснити факти. Такий підхід зменшує і ризик помилки, і обсяг даних, що йдуть у модель.

Кілька вендорів з резервом. Агент звертається до основної моделі, а при збої або повільній відповіді переходить на резервну. Для користувача це один агент, який працює стабільно.

Як ухвалити рішення

  1. Складіть перелік даних, які агент бачитиме, і позначте категорії: публічні, внутрішні, персональні, таємниця.
  2. Запитайте юриста і службу безпеки, які категорії можна передавати зовнішньому постачальнику і на яких умовах.
  3. Прогоніть десять реальних задач через хмарну і відкриту модель і порівняйте якість.
  4. Оцініть обсяг запитів на місяць і порахуйте витрати обох варіантів на рік.
  5. Оберіть схему: лише API, лише приватна модель або гібрид з маскуванням.

У брифах під AI-агентів ми одразу питаємо про контур і політику щодо моделей, щоб це рішення не зʼявлялось наприкінці проєкту і не змушувало переробляти архітектуру.

Що ще впливає на безпеку

Модель це лише частина системи. Захист даних залежить і від іншого:

  • хто має доступ до агента і до журналу його дій;
  • де зберігаються документи і відповіді;
  • чи логуються запити без зайвих персональних даних;
  • чи є ліміти запитів і захист від підміни інструкцій через текст користувача.

Ці питання однакові для обох варіантів, і їх варто закрити до запуску.

Як перевірити якість українською

Перед рішенням прогоніть обидва варіанти на однаковому наборі:

  • 20-30 реальних запитів з вашої роботи без чутливих даних;
  • для кожного правильна відповідь, яку дає досвідчений співробітник;
  • оцінка за шкалою: правильно, частково, неправильно, вигадано.

Особливу увагу звертайте на вигадані факти. Для бізнесу модель, яка чесно каже «даних недостатньо», корисніша за модель, яка впевнено відповідає неправильно. У наших агентах це правило закладене в інструкції: заборона вигадувати і обовʼязкова відповідь «даних недостатньо», коли фактів немає.

Коротка відповідь

Для більшості компаній старт через API хмарної моделі з договором обробки даних, маскуванням персональних даних і регіоном ЄС дає найкращий баланс якості, строку і витрат. Приватна модель виправдана там, де регулятор або політика забороняє передавати дані назовні, або де обсяг простих запитів великий і стабільний. Гібридна схема дозволяє почати з API і перенести частину задач на приватну модель пізніше без переробки агента.

Що записати в договір з підрядником

Незалежно від обраної схеми, зафіксуйте письмово: які моделі і в яких регіонах обробляють дані, які дані маскуються перед відправкою, як довго зберігаються журнали запитів і хто має до них доступ, що відбувається при зміні моделі вендором і як компанія може забрати всі свої дані і налаштування. Ці пункти займають пів сторінки, але знімають більшість питань служби безпеки і юриста ще до запуску.

Що ми пропонуємо

Допомагаємо вибрати схему в межах аудиту готовності до ШІ, будуємо агентів на хмарних і приватних моделях у напрямі розробка AI-агентів, а базу знань компанії для пошуку по документах у напрямі RAG і база знань. Розгортання в приватному контурі відповідає тарифу Corporate, ціни всіх тарифів на сторінці цін.

Детальніше про тарифи у статті тарифи AI-агента. Опишіть дані і вимоги безпеки у формі заявки, і після брифу за робочий день ми запропонуємо схему з оцінкою.

Часті запитання

Чи навчає OpenAI свої моделі на даних з API?

За політикою OpenAI дані, надіслані через API, за замовчуванням у навчання моделей не використовуються. Для окремих випадків доступні режими з мінімальним зберіганням і обробка в регіоні ЄС. Перед запуском звіряйте чинні умови у документації OpenAI.

Яку відкриту модель можна поставити на свій сервер?

Популярні сімейства з відкритими вагами: Llama, Mistral, Qwen, Gemma, gpt-oss. Вибір залежить від задачі, мови, розміру моделі і наявного обладнання. Для української мови якість треба перевіряти на власних прикладах.

Що записати в договір про обробку даних через API?

Які моделі і в яких регіонах обробляють дані, що маскується перед відправкою, скільки зберігаються журнали запитів і хто має до них доступ, що відбувається при зміні моделі вендором і як забрати свої дані і налаштування.

Чи можна поєднати обидва варіанти?

Так. Типова схема: чутливі дані обробляє приватна модель або вони маскуються перед відправкою, а складні задачі без персональних даних йдуть у хмарну модель.

Потрібен такий агент у вашому бізнесі?

Проєктуємо, будуємо і запускаємо AI-агентів під ваш процес, зазвичай за 3-5 тижнів.