VAST Data представила DataEnclave — инфраструктурный подход к тому, как запускать сильные AI-модели на закрытых корпоративных данных, не отдавая ни данные поставщику модели, ни веса модели клиенту. Для русскоязычных IT-команд это важный сигнал: конфиденциальный AI постепенно выходит из презентаций про «доверенную среду» и превращается в архитектурный вариант для банков, промышленности, телекома, медицины и госсектора.
По данным The New Stack, идея DataEnclave строится вокруг третьего варианта в споре «облако AI-вендора против локальной модели». Первый путь знаком всем: отправить данные в API поставщика модели и надеяться, что договор, настройки приватности и юристы выдержат нагрузку. Второй — тащить модель к себе, мириться с ограничениями открытых или лицензируемых весов и строить MLOps почти с нуля. DataEnclave предлагает иной компромисс: модель и данные встречаются внутри защищенной аппаратной среды, где каждая сторона сохраняет контроль над своими ключами.
Технически речь идет о confidential computing: вычисления выполняются в доверенной изолированной среде, а доступ к данным и весам открывается только после проверки окружения. В случае VAST Data это завязано на NVIDIA Confidential Computing и интеграцию с платформой VAST DataEngine. Компания описывает схему с аппаратно изолированными виртуальными машинами и контейнерами, аттестацией перед расшифровкой, отдельным управлением ключами для владельца данных и владельца модели, а также аудитом событий: что запускалось, где, при какой политике и с каким результатом проверки.
Главная интрига здесь не в шифровании «на диске» или «в канале» — это давно стало базовой гигиеной. Проблемное место AI-инфраструктуры находится в моменте выполнения: модель должна увидеть данные, данные должны пройти через модель, а бизнес при этом не хочет, чтобы администратор платформы, облачный оператор или соседний арендатор инфраструктуры получили лишний доступ. Конфиденциальный AI пытается закрыть именно этот промежуток: защитить данные и веса во время работы, а не только до и после нее.
Для поставщиков моделей это тоже не благотворительность. Многие сильные модели остаются доступны только как сервис: веса не раздают, потому что это дорогая интеллектуальная собственность и источник конкурентного преимущества. Но такой формат плохо продается организациям, которым нельзя выносить данные за периметр или за юрисдикцию. DataEnclave обещает дать модельным компаниям канал к таким клиентам: веса приезжают в контролируемую среду, но не раскрываются заказчику. Клиент получает доступ к модели, но не получает саму модель. Приятная асимметрия, если удастся заставить ее работать не только на слайдах.
В числе сценариев VAST Data отдельно выделяет чувствительные отрасли: финансы, здравоохранение, государственные структуры, а также компании с дорогими внутренними знаниями — от инженерной документации до клиентских коммуникаций и кода. Именно там сейчас часто застревают AI-пилоты: модель можно подключить, данные есть, бизнес-кейс понятен, но служба безопасности спрашивает, кто именно увидит первичные документы, логи, переписку, записи звонков и производственные данные. Ответ «ну это же надежный SaaS» работает все хуже.
Еще один практический слой — AI-агенты. VAST Data связывает DataEnclave с изолированными средами для агентов, где можно ограничивать доступ к данным, системам, инструментам и действиям. Это важнее, чем звучит. Чат-бот, который отвечает на вопросы по базе знаний, — один уровень риска. Агент, который читает тикеты, ходит в CRM, дергает внутренние API и может инициировать изменения, — совсем другой. Для таких систем нужны не только права доступа, но и наблюдаемость: кто что сделал, почему получил разрешение и где это записано.
Для разработчиков и платформенных команд появление таких решений означает новый набор обязанностей. Придется разбираться не только с Kubernetes, GPU-пулами и пайплайнами данных, но и с аттестацией, политиками выпуска ключей, KMS, журналами аудита и границами доверия между командами безопасности, инфраструктуры и ML. Это не «поставили SDK — получили приватность». Скорее, это отдельный архитектурный слой, который должен быть спроектирован так же внимательно, как сеть, IAM и хранение секретов.
Для бизнеса смысл проще: конфиденциальный AI может расширить список задач, которые вообще разрешено отдавать современным моделям. Не все компании смогут или захотят переносить такие нагрузки в подобную архитектуру: потребуются совместимое железо, зрелые процессы безопасности и понятные коммерческие условия с поставщиками моделей. Но направление уже читается: рынок ищет не очередной способ уговорить клиентов «довериться облаку», а механизм, где доверие заменяется проверяемой процедурой. Следующий спор в enterprise AI, похоже, будет не о том, чья модель умнее, а о том, кто контролирует ключи в момент, когда эта модель наконец добралась до настоящих данных.