Шёпотом ПРО ПД

Товарищи, мы поражены вашей скорости, регистрация закрыта, все, кто успел попасть в список участников, получат подтверждения в течение сегодняшнего дня, если еще не получили ✍️ Все, кто не успел, получат уведомление о том, что, к сожалению, в этот раз не получится принять участие ❌ Мы поделимся частью информации с воркшопа, и если формат себя зарекомендует, проведем еще одно мероприятие на эту или схожую тему в этом году🔥 Спасибо, что верите в наши идеи! 🖤

#1 Шёпотом про ИИ — первые, вторые и третьи шаги в работе с ИИ, на очной встрече 🔥 Когда? 27.08.2026 18:00 — 22:00 Где? Москва, LookUp, ул. Садовническая 9А Надоели разговоры про ИИ, хочется перейти к делу? Хочется начать использовать ИИ, страшно ошибиться? Начали использовать ИИ, непонятно, где у него интеллект? Первый очный ИИ-воркшоп от ПРОПД, на котором мы пройдём весь путь от теории и хвастливых примеров тех, кто продвинулся чуть дальше, до самой настоящей теории на ваших самых настоящих ноутбуках. Что такое ИИ? Что он может? Чего он не должен делать? Чем он может помочь privacy-эксперту? На эти и другие вопросы ответят наши эксперты и приглашённые гости: Евгений Вихров, Legal Ops в Runetlex Софья Смирнова, советник M&A практики, руководитель практики AI & Legal Tech юридической фирмы O2 Consulting, автор TG канала "Дамасские чернила | AI и M&A" Александр Партин, адвокат, партнер и преподаватель курса AI Governance от РППА, автор статьи в книге "Юристы и нейросети. Руководство к действию" Герман Сабиров, руководитель направления правовой защиты данных и интеллектуальной собственности в экосистемной финансовой организации, Lead RPPA.Pro Fintech Club Артем Дмитриев, партнер Comply, ведущий подкаста Privacy.Seasons, член правления АНО "ПРОПД" Иван Мелихов, DPO Fintech+ RWB Татьяна Роева, Privacy Ops Expert RWB, со-автор настольной игры Privacy Sprint Кирилл Зюбанов, CDPO RWB, автор проекта "ПЕРСОНЕМЫ", со-учредитель АНО "ПРОПД", ассоциированный партнер Privacy Advocates, автор настольных игр Privacy Strikes и Privacy Sprint Требования к участию: — желание использовать ИИ — privacy-сфера или где-то рядом — ноутбук — активная подписка в одном из ИИ-сервисов, мы делаем акцент на Claude, ChatGPT, Gemini, DeepSeek и Notebook LM Не забывайте оставлять свои пожелания по проектам в форме регистрации, количество мест очень ограничено... Регистрация — обязательна и доступна по ссылке!

Так, ну, что про ИИ? Надо об этом что-то знать DPO или..? Ленивый не написал про ИИ, про то, как ИИ везде, про то, как ИИ заменит всех, про то  как ИИ уже заменил всех, про то, какие опасности таит в себе бездушная RLHF-машина, и так далее... Но и мы не…

Сегодня у нас особый способ начать неделю — наш любимый UX, даже Legal UX от Максима Своевского с Wildberries Privacy&Day🔥 • Базовая метафора — сопоставление интернета и дороги. На дороге правила работают не только потому, что они написаны, но и потому, что среда поддерживает их соблюдение через знаки, разметку, светофоры, отбойники и островки безопасности. В цифровой среде, по мысли автора, такой инфраструктуры часто нет. Именно поэтому UX и должен выполнять роль этой инфраструктуры. • Privacy by design в презентации раскрывается через ту же логику среды. Пользователь не должен каждый раз читать правила, чтобы действовать безопасно и правомерно. Среда должна быть спроектирована так, чтобы правильное поведение было самым удобным. LegalUX в этой логике описывается как применение того же принципа к цифровым правоотношениям. • Отдельно подчеркивается, что закон уже регулирует интерфейсы, даже если не называет это LegalUX. В презентации для этого приводятся нормы ФЗ-152, включая статьи 9, 14 и 21, а также GDPR и подходы регуляторов, включая требования к прозрачности, ясному и простому языку, легкости отзыва согласия и внимание к dark patterns и architecture of choice. • При этом cookie-баннеры и галочки согласий названы только верхним слоем. Автор прямо относит их к compliance-минимуму. Ниже, по его логике, находится гораздо более широкий пласт UX-решений, который формирует правовой порядок сервиса. • Один из самых сильных тезисов автора связан с “зазором” между действием в интерфейсе и юридическим результатом. На примере удаления аккаунта показано, что интерфейс может сообщать пользователю лишь о техническом действии, не раскрывая его правового смысла. • Из этого следует следующий важный тезис: UX выступает каналом коммуникации не только с субъектом данных, но и с партнерами и регулятором. Для субъекта это формы обращений, информирование в моменте, настройки приватности и понятный статус отношений. Для партнеров — прозрачность потоков данных и отражение передачи третьим лицам. Для регулятора — демонстрация добросовестности, качества интерфейсных решений и доказательство privacy by design. • Тезис об информировании “в моменте” особенно показателен. Автор противопоставляет интерфейс без контекста интерфейсу с объяснением последствий. Во втором случае каждый переключатель объясняет, что именно означает настройка, какие данные затрагиваются и, например, сколько партнеров связано с конкретной передачей данных. Это не просто улучшение текста, а изменение качества правовой коммуникации внутри продукта. • Роль DPO в этой модели определена очень точно: DPO — это переводчик между правом и интерфейсом. • Отсюда вытекает и более широкий тезис, продукт юриста или DPO — это рабочий правовой порядок. Автор прямо говорит, что участие в проектировании интерфейсов должно восприниматься как такая же часть работы DPO, как и документы. • Практический блок построен вокруг Legal CJM, предлагается три шага: выбрать один-два наиболее болезненных сценария, наложить на пользовательский путь соответствующее правоотношение и затем найти зазоры между фактическим действием и юридическим результатом. На примере удаления аккаунта это позволяет увидеть, где именно пользователь теряет понимание судьбы своих данных и юридического смысла совершенного действия. • Финальный чек-лист для самостоятельной проверки продукта включает прозрачность, информирование, контроль, прекращение, централизацию и метрики. Вывод: презентация последовательно показывает, что LegalUX — это не декоративное дополнение к privacy compliance, а способ приблизить фактическое действие пользователя в интерфейсе к понятному объяснению его юридического смысла. В этой логике DPO должен участвовать не только в документах и политиках, но и в проектировании интерфейсных решений, через которые в сервисе и существует реальный правовой порядок. P. S. Презентация — сами знаете где [в комментариях] 😁

Так, ну, что про ИИ? Надо об этом что-то знать DPO или..? Ленивый не написал про ИИ, про то, как ИИ везде, про то, как ИИ заменит всех, про то  как ИИ уже заменил всех, про то, какие опасности таит в себе бездушная RLHF-машина, и так далее... Но и мы не ленивые, поэтому пока и не писали, думали, сидели, размышляли, как ко всему этому подступиться, и придумали🔥 Решение — принятие! Не пользовательского соглашения, а того факта, что технологии... есть 👤 Вот подумайте сами, уже чего только нет, и чат-боты, ассистенты, и агенты, и мульти-агенты, узкоспециализированные ИИ-сервисы и ИИ-инструменты... Страшно? Нам — нет. Данные на вход, данные на выход, статистическое распределение внутри, притворяющийся бестолковым помощник, захвативший внимание всего мира умением угадывать... причем тут, казалось бы, ПД? Важных моментов, которые важно учесть, не так много, но они правда важные. 1. Где ПД, Зин? Они идут на вход и на этапе обучения, и на этапе продакшена, в первом случае — в датасетах, во втором — в промтах. На выход они идут далеко не всегда, но если мы просим преобразовать ПД, в т. ч. проанализировать их, на выходе будут, вероятнее всего ПД, как и при использовании специального функционала, например, поиска в Сети. Важно помнить, что "ИИ" в 90% практических случаев, с которыми мы сталкиваемся, — это не "голая" LLM-ка, а полноценный сервис, поэтому данные сначала в любом случае пройдут в сервис, построенный по-старинке, с бэком, блэкджеком и... копированием, например. Нюанс заключается в том, что выдача, ответ ИИ может выглядеть как ПД, но не являться ими. Дело в том, что внутри LLM ПД как таковых нет, есть "взвесь" данных, следы множества обучающих событий, содержащих и не содержащих ПД, расслоенных на веса модели. То, что мы получаем, — не воспоминание, а результат статистического угадывания, поэтому результат типа "Кирилл Зюбанов живёт в Москве" может совпадать с какими-то ПД, но не относится к конкретному физическому лицу в силу архитектуры LLM как таковой. У EDPB и EDPS, в целом, похожее, хотя и выраженное куда более осторожно мнение: ИИ-сервис может считаться не обрабатывающим ПД, но разработчику необходимо доказать отсутствие или существенное снижение вероятности того, что выдача будет содержать именно те персональные данные, что были использованы для обучения. В остальном коллеги фокусируются на всём, что вокруг: скрэпинг, обучения, датасеты и др. Наша позиция не значит, что нет вероятности получить буквально "те же" данные, ведь есть training data extraction attacks, которые основаны в т. ч. на том, что модель не всегда может понять закономерность и редкие строки просто "запоминает" целиком [есть интересные исследования, см., например, Carlini]. Тем не менее, даже такая выдача не будет выглядеть для вас иначе, чем другая, поэтому уровень "вероятности" не изменится. Наконец, для сервисов специального назначения такой вид атаки в принципе будет затруднен. Например, если модель обучена просто искать ПД, вероятно, она просто не сможет выдать ничего, кроме "вот же они", как в известном анекдоте. 2. Что нового под Луной? Получается, что большая часть вопросов не нова: — B2C-сервисы уже были, с бэком, блэкджеком и всем остальным, они уже сохраняли данные — браузеры уже были, они выдавали данные, в т. ч. персональные, по запросу и не краснели — парсеры и скрэперы уже были, парсили и скрэпили, судились с VK и заключали мировые соглашения Новая — только технология, а она, как известно, не должна влиять на качество нашей работы, не должна влиять на основные концепции, we stand🔥 3. Что с этим всем делать? Ответ контринтуитивен, но единственно верен — ис-поль-зо-вать, и точка. ИИ поможет сделать огромное количество потрясающих вещей, текстов, вайбкод-артефактов, калькуляторов, чек-листов, ботов и чего угодно. Если осторожно, можно... Ну, и учиться, конечно, учиться! Тут мы рекомендуем и новую книгу про ИИ для юристов, и новый курс про агентов и вайбкодинг, и множество книг, объясняющих, как это все работает [например, вот]. Дерзайте, ибо вы — естественный интеллект 🦑

Сегодня — еще один, по нашему мнению, бриллиант с Wildberries Privacy&Day — тезисы Николая Дмитрика о том, каким регулирование будет в 2036 году🔥 Оригинал тезисов — на английском, поэтому мы не сдерживали себя в числе англицизмов, простите... • Главная цель тезисов — попытка говорить о будущем privacy law не через линейный прогноз, а через сценарное мышление. Автор предлагает строить долгосрочные предсказания, разделяя тренды на постоянные и переменные. К постоянным отнесены развитие privacy через поколения продуктов и технологий, а также representation crisis. К переменным — характер данных, тип регулирования, устройство денежной системы и модель медицины. • Из этой методологии вытекает ключевой ход презентации: сочетание четырех факторов дает как минимум 16 сценариев будущего — ни описаны через комбинации признаков predatory или symbiotic, globalized или balkanized, centralized или decentralized, curative или preventative. Автор не пытается исчерпывающе разобрать все варианты, а выделяет несколько показательных сценариев. • Blue scenario: balkanized ecosystems описан как модель, где пользователи получают больше контроля над своими персональными данными, а решения, включая автоматизированные, становятся более качественными. Одновременно усиливаются lock-in effect и концентрация игроков на цифровых рынках. В качестве возможных правовых ответов названы развитие права на portability и иных pro-competitive mechanisms в обработке данных, designated operators for data exchange и меньшее внимание к localization requirements. • Yellow scenario: preventative measures строится вокруг использования AI для предотвращения fraud и illness. В таком мире risk assessments на основе health и other sensitive data широко применяются для travel, labor, financial и family reasons. В качестве legal responses указаны various privacy-enhancing techniques для сохранения контроля над данными и strong non-discrimination mechanisms, встроенные в privacy standards. • Green scenario: international interoperability предполагает развертывание набора interoperable standards в большинстве развитых стран и эффективное сотрудничество authorities по различным вопросам. В правовом измерении это ведет к unrestricted data flows между interoperable countries, минимизации data protection requirements, особенно technical, а также к усилению обязанностей controllers по сотрудничеству с authorities. • Golden scenario: basic income связывается с тем, что transactions of money, будь то в форме CBDCs или other cryptocurrencies, становятся прослеживаемыми до индивидуального уровня и, вероятно, привязываются к biometrics. При этом banking infrastructure используется только для loans. Среди правовых ответов названы ситуации, в которых transfer of money replaces the transfer of data, а также дальнейшие ограничения transborder flow of data и более высокие localization requirements. • Финальный аккорд сводит сценарный анализ к нескольким общим положениям о privacy&law: Во-первых, legal certainty будет расти, поскольку право стремится устранять неопределенность, и потому неопределенных правил в области data protection станет меньше, чем сейчас. Во-вторых, система интересов, лежащая в основе privacy laws, описана как "Mexican deadlock", в котором перераспределение authority возможно только через существенное перераспределение powers. В-третьих, само право не способно обеспечить win-win situation между privacy и user value, хотя privacy будет расти во всех сценариях. При этом остается неопределенным, увеличится ли число consumer choice options. Вывод прост и сложен одновременно — в представленных тезисах будущее privacy law рассматривается не как единый предопределенный маршрут, а как набор возможных конфигураций, зависящих от того, на каких позициях в системе ценностей и в каком концептуальном состоянии окажутся данные, регулирование, деньги и медицина. Презентация — уже в комментариях🗡

Soft-skill Cheating #4 Reporting или Отчетность Продолжаем рубрику🔥 Этот выпуск мог бы называться "Transparency или Прозрачность", но это название забито на будущим текстом об интерфейсной прозрачности, что совсем не касается soft-skills, поэтому пришлось импровизировать... Отчетность для целей заметки — это не прошитый и подписанный 60-страничный документ и даже не его представление в презентации для руководства. Под "отчетностью" мы предлагаем понимать любую информацию о том, что делает эксперт и / или руководитель, получаемую вышестоящими руководителями. То есть, как вы поняли из определения, "случайная отчетность" тоже попадает в объем обозначенного понятия. Не расскажете вы — расскажет кто-то еще, попадётся на глаза задача, неожиданно спросит топ-менеджмент. Но обо всем по порядку. N. B. Самая важная мысль, заложенная здесь, — всё еще разумные сомнения: если вы не уверены на 100%, что ваш руководитель в курсе или не хотел бы быть в курсе, это значит, что ваша работа непрозрачна, отчетность — недостаточна. Какие чит-коды помогают с отчетностью? Главное, чтобы это не становилось формальностью, т.к. она ведет к замыливанию ваших глаз и снижению ценности информации для руководителя. Во-первых, определите формат. Презентация? Графики? Шкалы? Какой-нибудь аналог win/loss report? Просто текстовый отчет на половинку А4? Учитывайте, что формат в первую очередь должен быть удобен для заполнения и, если применимо, демонстрации, а потом уже все остальное. Во-вторых, определите содержание. Только большие проекты? Большие + статистика по операционке? Большие проекты с разбивкой на достижения и провалы? Это тесно взаимосвязано с формой и зависит от того, что с этой отчетностью дальше будет делать её получатель и, что важнее, что вы хотите, чтобы они с ней сделали. Например, хотите больше ресурсов — нужно сконцентрироваться на положительных результатах одновременно с ростом операционки. В-третьих, определите периодичность. Это вот эти все daily, weekly, bi-weekly, tri-weekly [не путать с try weakly], monthly, etc. Минимальная периодичность определяется мерой планирования или вышестоящей отчетности, но максимальная, как правило, ограничена фантазией отчитывающегося. В-четвертых, определите последовательность и порядок использования кросс-ссылок. Нет ничего лучше, чем отслеживающие что-то отчеты, ибо они показывают и динамику, и масштаб, и организованность работы. Если сопровождаете бизнес, покажите, что сделано, что делается, что запланировано. Если готовите документы, покажите прогресс в числовом выражении и дополните смысловой выноской / устным пояснением по ключевым документам. В-пятых, говорите про outcome, а не только про output. Мы — бэкофис, наша задача по умолчанию — в том, чтобы "просто делать дела". Обычно мы их и делаем, мы же гордые, а дело наше — небольшое. Но ведь у этого дела этого — большие и большие последствия. Output — это как раз просто то, что мы сделали [подготовили док], outcome — результат, который принесло то, что мы сделали [защитились от претензий уполномоченных органов, предотвратили проверку] Отчитывайтесь, ставьте лайки!

Соскучились по эксклюзивному? 9️⃣ А если мы скажем, что у нас есть тезисы нашего дорогого товарища Владислава Архипова с Wildberries Privacy&Day? Да-да, причем не просто тезисы, а на одну из самых животрепещущих тем — связь персональных данных с... гражданским правом! • Вопрос в презентации сформулирован предельно точно: «точно ли персональные данные — не товар, а согласие — не сделка?». Автор ставит под сомнение то, насколько уверенно мы разводим конструкции гражданского права и публичного законодательства в области персональных данных. • Центральная тема, конечно, — проблема отраслевой принадлежности норм о персональных данных. На этот счет есть два мнения. Первое состоит в том, что нормы о персональных данных — это нормы публичного права в чистом виде. Второе — в том, что это императивные нормы частного права, то есть нормы, помещенные в контекст частного права, где в остальном действует диспозитивный метод, защищается частный интерес и предполагаются равенство и самостоятельность сторон. • Дальше дискуссия переходит на более общий уровень, автор ставит «вопрос века» для этой [и любой другой] области: существует ли какое-либо еще право, помимо публичного и частного? • Внимание удалено и категории нематериальных благ в гражданском праве, в качестве примеров приводятся портрет, звукозапись, личная тайна, фамилия, внешность, голос, геном человека, а также обработанные с помощью ЭВМ данные, относящиеся к личности. Это приводит нас к старому-доброму вопросу о том, можно ли персональные данные рассматривать в логике объектов гражданских прав с учетом базовых признаков нематериальных благ. • На вопрос о том, что же такое персональные данные, автор дает две аналитические оптики на выбор: первая — персональные данные как объект гражданских прав, то есть как нематериальные блага, вторая — персональные данные как предмет правового режима информации, лежащей в основе нематериальных благ. Во втором случае автор специально проводит аналогию с авторским правом, где гражданское право охраняет права авторов и правообладателей, но не регулирует содержание произведений как информации. • Особенно важен тезис о возможных правовых последствиях признания персональных данных объектом гражданских прав. Автор не утверждает эти последствия как уже состоявшиеся, а говорит именно о теоретической возможности допустить применение положений гражданского права, если нормы о персональных данных признаются императивными нормами гражданского права, а не нормами публичного права. • Отдельного внимания заслуживает указание на фактическое неравенство сторон между оператором персональных данных и субъектом персональных данных: этот фрагмент важен, потому что он ограничивает перенесение гражданско-правовых конструкций в сферу обработки персональных данных и показывает, что даже при обращении к частноправовому инструментарию сохраняется специфика самой предметной области. Не выбираем между публичным и частным, не забываем, что гражданско-правовые последствия при определенных условиях может влечь даже изменение погоды, ищем компромиссы и читаем материал — он уже в комментариях🔥

Сегодня у нас кое-что особенное — тезисы Ксении Лапутько с WB Privacy&Day про то, что такое функция AI Governance и причём тут профессиональное развитие DPO 🦑 Спойлер: очень при многом! • Главный тезис презентации: AI governance показан не как отдельная новая профессия, которая вытесняет DPO, а как естественное продолжение уже существующей privacy-экспертизы, автор прямо проводит линию от GDPR-эпохи к AI Act, NIST и ISO-подходам, показывая, что рынок движется от классической data protection-компетенции к более широкому управлению ИИ. • Один из центральных аргументов состоит в том, что regulatory momentum уже сформирован, это описано через Brussels Effect, историческую роль GDPR в создании самой профессии DPO, рост спроса на специалистов по AI governance и приближение новых обязательств 2025–2026 годов. То есть, окно для “спокойного наблюдения со стороны” фактически закрывается. • Автор предлагает смотреть на эволюцию роли DPO как на расширение фокуса. Если в GDPR-логике в центре были privacy compliance и data protection, то в AI governance добавляются lifecycle management, model risk, stakeholder coordination и technical foundations. Это не отменяет прежнюю роль DPO, а надстраивает над ней новый слой зрелости. • Отдельно подчеркивается, что AI governance — не “новая планета”, а, по сути, следующий слой профессионального развития для тех, кто уже умеет работать с рисками, accountability, политиками, документацией, обучением и коммуникацией с регулятором. Очень сильная мысль презентации — в том, что фундамент DPO уже во многом готов, но его нужно расширить под новую технологическую и управленческую реальность. • Презентация полезна тем, что раскладывает AI governance на четыре измерения компетентности: это AI lifecycle, technical foundations, stakeholder communication и legal. • Технический блок при этом подан без избыточного техно-романтизма: автор не требует от DPO становиться ML-инженером, но настаивает на базовом понимании того, как работают модели, как устроены training, validation и testing, какие риски дают hallucinations, bias и drift, и как в контур встраивается человек. • Сильный акцент сделан на lifecycle-подходе: AI governance, по логике Ксении, начинается не на этапе запуска модели, а еще на стадии business case и intended purpose, затем проходит через design, build, testing, deployment, monitoring, update и retire. При этом каждый этап требует documentation, compliance, risk assessment и human oversight. • Очень удачно сделано сопоставление “старых сильных” и “новых уровней”, к сильным сторонам DPO отнесены DPIA и data governance, политики и обучение, взаимодействие с регулятором и stakeholder management. К новым уровням — модельные риски и метрики, AI lifecycle, explainability и human oversight. За счет этого концепция не ломает прежнюю идентичность DPO, а показывает траекторию профессионального "апгрейда". • Финальный практический блок тоже изложен очень последователен, автор предлагает пять шагов для DPO в эпоху AI: изучить AI-базу, понять lifecycle, выстроить cross-functional связи, развить коммуникацию на языке бизнеса, технологий и регулирования, а затем запустить пилоты governance на одной конкретной AI-системе и документировать результаты. Это выглядит как рабочий план входа в тему без лишнего пафоса. Вывод в том, что AI Governance не конкурирует с DPO-функцией, а вырастает из нее. Для сильного DPO это не смена профессии, а переход на следующий уровень, где прежние privacy-навыки становятся базой для управления AI-рисками, жизненным циклом систем и межфункциональной координацией. P. S. Презентация — в комментариях, спасибо Ксюше!

Между презентациями хочется вспомнить и про #privacyкниги@propdpro, ведь там есть что посмотреть, а авторы все пишут и пишут... Сегодня — новая, свежая и, по мнению авторов, устаревшая сразу после публикации книга "Юристы и нейросети. Руководство к действию" от команды авторов под уверенным предводительством Паши нашего Мищенко🔥 Если вы хотите начать работать ИИ, но боитесь, кто-то рядом с вами хочет начать работать с ИИ, но боится, или вы не боитесь, но не знаете, с чего начать или даже чем продолжить, — эта книга для вас! Тут есть и базовое описание принципов работы ИИ, и обозначение технических и гносеологических пределов работы с ИИ [помним, да, что это не искусственный и не интеллект], и даже лайфхаки по промптингу и вайб-кодингу 🦑 Помните, главное — безопасные эксперименты, вы можете делать с ИИ что хотите, пока это касается только вас, а продуктовые идеи своей организации нести лучше без предварительных тестов на продовых данных... Для DPO и privacy-экспертов эта книга — кладезь вдохновения, ведь кто знает, что вы захотите завтра: — автоматический DPIA — чек-лист по ПД для внутренних заказчиков — калькулятор рисков в области ПД — privacy-лендинг для организации — что-то, что мы даже не знаем что... Читайте, дерзайте, держите в курсе, товарищи, а мы будем держать в курсе вас...🖤

В выходные не оставим вас без свежих материалов, сегодня — Олег Блинов и гениальный подход DPO-as-an-API, представленный на Wildberries Privacy&Day🔥 • Главная идея презентации: DPO-функция должна работать не как “ручной консультационный стол”, а как системный интерфейс взаимодействия с бизнесом — то есть как API. Иными словами, privacy-команда должна быть встроена в операционную среду компании через стандартизированные триггеры, сервисы, правила и контракты взаимодействия, а не только через разовые обращения “придите и посмотрите”. • Отправная точка — довольно честная формулировка типичных проблем privacy-функции, на слайдах названы знакомые для любой крупной компании боли: DPO не привлекают вовремя, изменений слишком много и они слишком распределены, бизнес не всегда понимает, где вообще начинаются персональные данные, а ресурс функции воспринимается как несоразмерный, потому что доменная сложность плохо видна со стороны. • Ответ автора на эти проблемы — не просто “нанять больше людей”, а перестроить саму модель работы, в качестве ключевых направлений названы стандартизация и автономность, работа со скоростью и распределенностью изменений, а также управляемое снижение хаоса за счет доверия и спонсорства. Отдельно интересно, что для некоторых процессов прямо допускается более жесткая, не-agile логика, если она лучше обеспечивает управляемость privacy-контролей. • Очень сильный тезис презентации: privacy-функция должна превращать сложность домена в набор воспроизводимых сервисов. На слайдах это выражено через архитектуру решения, где входами выступают внутренние клиенты, Jira, корпоративный мессенджер и ИИ, а посредником между ними и privacy-процессами становится слой DPO-как-API с триггерами и контрактами. • Сами privacy-процессы при этом описаны как нормальная операционная система функции, а не как “бумажная работа”, в архитектуре отдельно выделены инвентаризация, знания и компетенция, управление риском, обучение и коммуникации, реализация контролей и документирование; при этом подчеркивается, что работать приходится и с людьми, и с машинами. Это важный ход: privacy здесь показан как управляемая инфраструктура решений, а не как набор юридических запретов. • Презентация особенно ценна тем, что раскладывает DPO-функцию на конкретные сервисы, среди которых: консультации, тренинги, PIA, проверка контрагентов, обработка запросов субъектов и инцидентов. То есть API-модель — это не метафора ради метафоры, а попытка описать privacy как каталог сервисов с понятными точками входа для бизнеса. • Отдельный слой — правила, на которых эта система держится: автор связывает сервисную модель DPO с принципами обработки ПДн и законом, внутренними политиками и решениями компании, privacy by design, RoPA и иной документацией, рисками субъекта, паттернами контролей и регулярным мониторингом. Иначе говоря, API DPO не существует в вакууме: он работает только тогда, когда за ним стоит формализованная нормативная и процессная база. • Один из лучших фрагментов презентации — разбор проверки контрагента как сквозного процесса. На отдельном слайде показано, что это не “одно письмо в privacy”, а последовательность стадий: тикет, контекст, проверка на юридические и организационные правила, оценка privacy-рисков, меры снижения риска и финальный ответ. • Итоговый вывод: privacy-функция становится по-настоящему масштабируемой, когда знания, правила и процедуры превращены в сервисную архитектуру с понятными триггерами, интерфейсами, данными и повторяемыми сценариями. В этом смысле “DPO как API” — это не красивая метафора, а модель зрелости privacy-функции в большой и быстро меняющейся организации. P. S. Презентация — уже в комментариях для использования в работе и просто вдохновения!

Сегодня вечером мы делимся последней из избранных презентаций — Екатерина Юрасова и настоящий опыт внедрения AI-решений 🖤 • Главная мысль презентации: успешное внедрение ИИ начинается не с «интересной технологии», а с понятной управленческой цели! В кейсе, представленном Екатериной такой целью стало стремление стать лидером по использованию ИИ, а на уровне KPI это было переведено в очень прикладную логику, считать ИИ-часы и сокращать время выполнения задач. • Отдельно важен архитектурный выбор: речь идет не просто об использовании внешних AI-сервисов, а о локальной on-prem инфраструктуре на базе ансамбля российских и дружественных моделей. Это показывает, что для крупной организации вопрос внедрения ИИ — это одновременно вопрос продуктивности, контроля и технологического суверенитета. • Ключевой тезис автора — ИИ начинает работать только тогда, когда появляется система, презентация прямо увязывает внедрение с дисциплиной исполнения. ИИ здесь показан не как “магический помощник”, а как объект полноценного операционного менеджмента. • Внедрение в юридическом департаменте строилось поэтапно, сначала — классические проектные use-cases, включая проверку правоспособности, работу с договорами и документами, регуляторный и судебный блок, анализ законодательства и практики, затем — кросс-функциональные задачи, такие как поиск информации, саммари, подготовка текстов, переформулирование и “второе мнение”. И только после этого — выход на магистральные проекты, связанные уже со стратегическими целями и конкурентным преимуществом. • Это, пожалуй, один из самых сильных управленческих выводов презентации: зрелое внедрение ИИ идет от узких, понятных, повторяемых кейсов к более широким и стратегическим сценариям. Не наоборот. • Презентация опирается на вполне конкретные результаты, а не только на риторику внедрения, среди озвученных показателей: 86% по итоговому KPI за год, 47 предпроектных исследований, валидированных за 6 месяцев, 85 систем, совместно исследованных, протестированных или изученных с юристами, и 54 задачи, заведенные на vibe-coding. • Следующий уровень зрелости — мультиагентный ИИ-ландшафт, на слайдах показана уже не одна нейросеть, а сеть специализированных агентов: для аналитики задач и проектов, web-search, аналитики встреч, анализа баз знаний, правоспособности, ответов на специальные вопросы и других функций. • Очень показателен культурный результат внедрения: по презентации, 80% сотрудников используют ИИ-ассистентов ежедневно, а автономные агенты демонстрируют заметный рост продуктивности и качества работы. • При этом автор прямо подчеркивает, что переход к повсеместному использованию ИИ — это большое культурное изменение, то есть, настоящая сложность состоит не только в моделях, инфраструктуре или агентской архитектуре, а в том, чтобы встроить ИИ в рутину, метрики, язык управления и ежедневные привычки сотрудников. • Итоговый вывод презентации: кейс локальной нейросети здесь подан не как “история про один удачный инструмент”, а как история про системное внедрение: от стратегии и KPI — к инфраструктуре, от MVP и прикладных кейсов — к мультиагентной среде, от отдельных экспериментов — к культурной трансформации компании. Именно это, по сути, и делает внедрение ИИ устойчивым. Остальные презентации друзья из Runetlex собираются продавать самостоятельно, поэтому за сим всё... ждите материалов с Wildberries Privacy&Day🔥 P. S. Презентация, как всегда, — уже в комментариях!

Регистрация на privacy-откровения🔥 Разберем следующие кейсы: — конфликт правовых оснований в экосистеме/холдинге — проблемы сбора правовых оснований на специальную категорию в СМИ — как пройти сопротивление коллег и руководства в части privacy Когда? 23 апреля (четверг) в 19:00 Где? Лектории LookUp. Москва, Садовническая, 9А Как попасть? 1. Регистрируемся по ссылке 2. Ждем подтверждения и ссылки на оплату на почте 3. Оплачиваем и приходим

Начинаем неделю правильно — с презентации Анастасии Сковпень о рисках IP в эпоху, когда ленивый работник не использует GenAI🤖 • Центральная мысль презентации: главный риск GenAI для компании в сфере IP — не столько сам факт использования AI, сколько потеря прослеживаемости, когда непонятно, кто именно создал результат, когда он был создан, как дорабатывался, какими инструментами и на каких условиях пользовались сотрудники. Компания теряет управляемость и доказательственную базу. • Автор ставит вопрос предельно практично: это не абстрактные страхи юристов, а вполне прикладная проблема для бизнеса, особенно там, где компания массово производит маркетинговый, визуальный или иной креативный контент и потом должна подтверждать права на него перед контрагентами, площадками или в потенциальном споре. • Один из ключевых тезисов — контрагенты и платформы уже могут требовать подтверждения прав, маркетплейсы, торговые сети, ТВ-каналы и другие контрагенты могут запросить доказательства возникновения прав на контент. • Отдельный риск связан со служебными произведениями. Если сотрудники создают материалы с использованием GenAI, может размываться статус служебного произведения и усложняться позиция работодателя в части доказывания прав. Автор напоминает базовую логику ГК: автором признается гражданин, творческим трудом которого создано произведение, а при споре о служебном произведении именно работодатель доказывает содержание трудовых обязанностей и факт создания результата в их пределах. Если закон уже решает вопросы, то не надо ждать новый ФЗ об ИИ, который всем поможет, надо использовать устойчивые и проверенные временем конструкции... • Еще один сильный тезис: компании уже фактически зависят от GenAI, даже если не всегда это формализовали, приводится мысль, что если ИБ не заблокировала доступ к внешним AI-сервисам, сотрудники уже ими пользуются [да и если заблокииовала, ShadowAI — страшный тренд]. Иначе говоря, вопрос уже не в том, “разрешать или не разрешать”, а в том, как выстроить разумный AI compliance внутри компании. • Предлагаемый подход к AI compliance состоит из четырех шагов: — понять, какие сервисы уже используются, для каких целей и как сотрудники получают к ним доступ — описать понятный регламент действий — провести обучение, рассылки и внутренние встречи — перейти к пост-мониторингу, в том числе при проверке документов и креативов • Важное управленческое наблюдение автора: даже если юристы и руководство видят риски, рядовой сотрудник их не видит. Поэтому одного risk memo недостаточно. Нужны понятные правила, примеры, обучение и такая модель комплаенса, которая переводит риск IP из абстракции в повседневную практику команды. P. S. Презентация — в комментариях🔥

Продолжаем делиться презентациями про AI в работе юристов, на очереди — Кирилл Дьяков и no-code жизнь🔥 Главная идея презентации: no-code меняет роль юриста в LegalTech, ибо если раньше юрист в основном был конечным пользователем готовых решений от вендоров и IT-команд, то теперь он может сам проектировать и быстро собирать прикладные инструменты под свои задачи, становясь своего рода citizen developer'ом. No-code в логике автора — это не одна технология, а несколько классов инструментов: — платформы автоматизации процессов — инструменты «вайб-кодинга», где код пишет модель — платформы для создания ИИ-агентов Иными словами, вопрос уже не в том, нужен ли юристу LegalTech, а в том, какой тип платформы подходит под конкретную задачу. Практический фокус презентации — не теория, а MVP-подход, автор показывает no-code через реальные сценарии. • Первый сильный кейс — бот для типовых юридических вопросов, логика простая: юристы постоянно отвлекаются на повторяющиеся запросы коллег, а значит, часть нагрузки можно вынести в бота, если заранее накопить базу знаний, собрать типовые вопросы и описать пошаговые инструкции. По оценке автора эффект такого решения — экономия времени юристов на уровне 10–20%. • Второй кейс — новостной дайджест. Здесь no-code рассматривается как способ быстро собрать приложение, которое ищет информацию по заданным источникам, делает саммари и выдает ссылки на первоисточники. Практический смысл — сократить время на мониторинг внешней среды и ручной поиск релевантных материалов. Презентация ценна тем, что не романтизирует no-code: автор прямо показывает не только удачные сценарии, но и провалы, ведь одна попытка с новостным дайджестом закончилась неуспехом, а отдельный конкурс по созданию ИИ-решений показал, что одной идеи недостаточно — без понимания логики платформы и особенно интеграции LLM результат может не получиться. Ключевой анти-тезис звучит так: no-code — это не магия и не универсальный shortcut, он хорошо работает на уровне MVP, но не всегда оправдывает вложенные усилия, а разнообразие платформ само по себе создает риск ошибочного выбора инструмента под задачу. При этом общий вывод презентации скорее позитивный: no-code повышает интерес к профессии, упрощает процессы и может приводить не только к внутренней эффективности, но и к созданию полноценного продукта, потенциально полезного для бизнеса компании. Осталось совсем немного из презентаций, которые нам разрешили выложить, но мы обещаем, что они вас не разочаруют! P. S. Презентация — в комментариях 😁

Сегодня мы исполняем обещания и делимся первой из избранных презентаций с Runetlex AI Conf — Юлия Якименко и Deep Research для юриста🔥 Помимо основного содержимого презентации, считаем сокровищем авторский бенчмарк Юлии по поводу того, какие сервисы лучше подходят для тех или иных задач! Ключевые тезисы презентации Юлии Якименко о Deep Research для юриста • Deep Research — это не обычный чат с LLM, а режим агентного исследования: система декомпозирует задачу, делает серию поисков, сопоставляет источники и собирает структурированный отчет со ссылками • Главная практическая ценность — резкое ускорение входа в новую тему: там, где раньше юрист тратил дни на первичный ресерч, Deep Research позволяет за 20–30 минут собрать рабочий аналитический черновик • Лучшие сценарии применения в юрпрактике: — подготовка договорных конструкций — feasibility study по новой модели бизнеса — бенчмаркинг юридической функции и KPI — регуляторный мониторинг — анализ правовых рисков по неоднозначным вопросам • Сильная сторона инструмента — не “готовый ответ”, а быстрое формирование карты вопроса: регуляторная рамка, рыночные практики, варианты подходов, перечень рисков, возможные формулировки и check-list для дальнейшей работы • Deep Research не заменяет юридическую экспертизу: финальная правовая валидация, адаптация под сделку, компанию и юрисдикцию всегда остаются за человеком • Критическое ограничение для РФ — закрытые базы: если значимая часть практики и материалов находится в закрытых источниках, Deep Research будет работать по открытым данным, а значит — чаще ошибаться • Типовые ошибки инструмента: — неправильный номер статьи — устаревшая редакция нормы — “правдоподобная выдумка” • Рабочая формула звучит так: Deep Research — для разведки, СПС — для точности, голова юриста — для финального вывода • Подход к внедрению — прагматичный: начинать не с тотального rollout, а с одного сценария, библиотеки промптов и обязательного протокола верификации результатов N. B. Помните, что в SaaS-ИИ не надо загружать конфиденциальную информацию, но можно загружать абстрактные модели для анализа... Оставайтесь с нами, скоро — следующий обзор 🖤 Как вам формат, оставляем? Пишите в комментарии! P. S. Презентация — в комментариях!