Før du deler: AI-privatliv kræver mere end et løfte

Introduktion: samtalen er ved at blive dit liv

Du åbner en AI-assistent for at skrive et svært svar. Du indsætter beskeden, forklarer relationen og tilføjer nogle få detaljer, du ikke har delt andre steder. En anden dag uploader du en kontrakt, drøfter en ufærdig idé eller forbinder din indbakke, så assistenten kan forstå, hvad der kræver din opmærksomhed.

Ingen af disse handlinger føles som at offentliggøre noget. Du beder om hjælp.

Alligevel kan oplysningerne passere gennem infrastruktur, lagersystemer, gennemgangsprocesser og juridiske forpligtelser, som i høj grad er usynlige fra samtalevinduet. En assistent kan føles personlig længe før dens håndtering af dine data lever op til den forventning.

Mit synspunkt er enkelt: AI-privatliv bør ikke kun afhænge af, hvad en virksomhed lover at gøre, efter at den har modtaget dine oplysninger. Det bør også afhænge af, hvad dens systemer forhindrer i overhovedet at nå frem til modellen. Politikker betyder noget. De har brug for tekniske beskyttelser bag sig.

Jeg har udarbejdet denne artikel med støtte fra Dvina-teamet. Den undersøger dokumenterede hændelser og nuværende praksisser på tværs af ChatGPT, Claude, Cursor, Perplexity, Manus, Meta’s Muse og Dvina. Formålet er at forklare, hvorfor privatliv skal blive en central ingeniørmæssig prioritet, efterhånden som AI bliver mere involveret i vores liv—og hvordan Dvina griber det ansvar an.

Hvad hændelserne fortæller os

Bekymringen er ikke hypotetisk. Men forskellige typer dokumentation afslører forskellige problemer. En bekræftet dataeksponering, autoriseret menneskelig gennemgang og en påstand om misbrug af forskning bør ikke fremstilles, som om de var den samme hændelse.

ChatGPT’s eksponering i 2023: en fejl i selve systemet.

Den 20. marts 2023 gjorde en softwarefejl det muligt for nogle ChatGPT-brugere at se titler fra en anden aktiv brugers samtalehistorik. OpenAI oplyste, at den første besked i en nyoprettet samtale også kan have været synlig under visse omstændigheder. Dets undersøgelse identificerede mulig eksponering af betalingsrelaterede oplysninger for 1.2% af Plus-abonnenter, der var aktive i en bestemt ni timers periode. Fuldstændige kortnumre blev ikke eksponeret. OpenAI rettede fejlen og underrettede de berørte brugere. 1

Læren er ikke, at den samme sårbarhed stadig er åben. Det er, at en privatlivsforpligtelse ikke i sig selv kan forhindre et system i at returnere oplysninger til den forkerte person. Isolation, adgangskontroller og mængden af identificerbare oplysninger, der er tilgængelige at eksponere, betyder alt sammen noget.

Retssagen fra The New York Times: sletning mødte en juridisk forpligtelse.

I 2025 stod OpenAI over for en retskendelse, der krævede bevaring af data, som ellers ville være blevet slettet. I opdateringen fra oktober stod der, at den brede forpligtelse til at bevare nye data på ubestemt tid var ophørt den 26. september 2025, mens et begrænset historisk datasæt fortsat var underlagt legal hold. Det oprindelige krav om bevaring undtog visse produkter og ordninger med zero-data-retention. 2

En senere udvikling skal læses separat: I december 2025 rapporterede Reuters, at en dommer pålagde OpenAI at fremlægge 20 millioner anonymiserede chatlogs i ophavsretssagen, afviste selskabets indsigelser og lagde vægt på de-identifikation og beskyttende sikkerhedsforanstaltninger. Dette var en editionskendelse, ikke en offentliggørelse af alles private chats på internettet. 3

Tilsammen viser disse begivenheder, hvorfor en sletteindstilling ikke afgør alle spørgsmål om opbevarede oplysninger. Når der først findes en kopi, kan forpligtelser uden for brugerens kontrol påvirke, hvad der sker med den. At reducere unødvendig opbevaring ændrer denne eksponering, før en tvist begynder.

Menneskelig gennemgang: adgang kan være tilladt uden et brud.

OpenAI’s dokumentation for forbrugere tillader udtrykkeligt begrænset adgang for autoriseret personale og tjenesteudbydere til nærmere angivne formål, herunder sikkerhedsundersøgelser, support, juridiske forhold og berettiget modelforbedring. Anthropics vejledning til forbrugere tillader udpegede medarbejdere at gennemgå samtaler med henblik på håndhævelse af brugspolitikker, med særskilt adgang knyttet til feedback, der er givet samtykke til. 4, 8

Det er dokumenterede adgangsveje, ikke rygter. De fastslår ikke, at medarbejdere læser hver eneste samtale. De fastslår, at en chatgrænseflade, der ser privat ud, ikke nødvendigvis er en teknisk barriere mod adgang fra udbyderen.

Anthropics nuværende dokumentation tilføjer et vigtigt eksempel fra erhvervssiden. Dets udpegede Covered Models kræver 30 dages opbevaring i visse implementeringer, der tidligere brugte zero data retention, med kontrolleret menneskelig gennemgang og undtagelser. Reglen har grænser for model, platform og berettigelse; det er ikke en generel ændring for alle Claude-produkter. Forbrugerabonnementer beskrives som upåvirkede, fordi disse flader allerede opbevarer input og output. 9

Sikkerhedsovervågning har et legitimt formål. Den tekniske udfordring er at opfylde dette formål, samtidig med at man minimerer de følsomme oplysninger, der er tilgængelige for overvågningssystemer og gennemlæsere. En sikkerhedsbegrundelse får ikke privatlivsspørgsmålet til at forsvinde.

Matematik-kontroversen: en uafklaret påstand, et reelt tillidsproblem

Kontroversen i september 2026 omkring OpenAI’s Navier–Stokes-meddelelse rejste en anden bekymring: hvad sker der, når assistenten, der hjælper med privat forskning, tilhører en virksomhed, som selv bedriver forskning?

Tvisten handlede om upubliceret matematisk arbejde og kreditering. Rapporteringen beskrev matematikerne Tristan Buckmaster og Levent Alpöge, der brugte AI-værktøjer i deres arbejde, og Buckmaster, der satte spørgsmålstegn ved, om deres private materiale havde bidraget til OpenAI’s resultat. 10

OpenAI bestrider den fremstilling. I sit offentliggjorte svar siger selskabet, at hverken dets forskere eller dets agenter så parrets arbejde før offentliggørelsen. I en opdatering dateret 10. september oplyste det desuden, at en undersøgelse havde udelukket enhver påvirkning fra Buckmasters Codex-prompts i de foregående to måneder, herunder gennem træning. Den tidsafgrænsede udtalelse er mere specifik end den tidligere fremstilling i noget af rapporteringen. 11

De offentlige fremstillinger er fortsat omstridte. De kilder, der er gennemgået her, fastslår ikke uafhængigt, at OpenAI brugte disse private samtaler til at frembringe sit resultat.

Tvisten blotlægger ikke desto mindre et spørgsmål, der fortjener et klart svar: når mennesker bringer ufærdigt arbejde til AI, hvad beskytter så informationsværdien i det arbejde? At fjerne en forfatters navn fra et bevis fjerner ikke beviset. At de-identificere en kommerciel strategi gør ikke strategien til offentlig ejendom.

Derfor kræver stærkt privatliv beskyttelse af både identitet og indhold. Brugere bør kunne forstå, om deres materiale kan indgå i arbejdsgange for træning, forskning, evaluering eller gennemgang — og hvilke tekniske kontroller der håndhæver disse grænser.

Fire spørgsmål, der aldrig bør reduceres til ét

Meget af forvirringen skyldes, at “privat” behandles som én enkelt egenskab. I praksis er det fire separate spørgsmål, der afgør, hvad der sker med en samtale.

Træning: Kan indholdet hjælpe med at udvikle eller forbedre en model? Et opt-out ændrer en tilladt brug af oplysninger. Det ændrer ikke nødvendigvis, om oplysningerne blev overført eller lagret.

Adgang: Hvilke systemer og personer kan inspicere det? Kryptering under overførsel og lagring er vigtig, men den forhindrer ikke automatisk en autoriseret tjeneste i at dekryptere indhold til behandling eller gennemgang.

Opbevaring: Hvad bliver tilbage, hvor, og hvor længe? At fjerne en chat fra grænsefladen, slette produktionsregistre, lade backups udløbe og udelukke data fra fremtidig træning er forskellige handlinger.

Handlinger: Hvad kan en forbundet assistent læse, ændre eller sende? Når den kan arbejde på tværs af dine konti, afhænger privatliv også af tilladelser og kontrol med udgående data.

En nyttig sammenligning af privatliv holder de spørgsmål adskilt. Et betalt abonnement, en træningsindstilling eller en mærkning af private opgaver kan ikke besvare alle fire.

Sådan sammenlignes tjenesterne

Tabellen nedenfor fokuserer på individuel brug, medmindre et andet omfang er angivet. Den opsummerer den gennemgåede dokumentation, ikke resultaterne af en uafhængig sikkerhedsrevision.

Tjeneste	Position om træning	Den særskilte grænse, man skal forstå
ChatGPT	Individuelt indhold kan bruges til forbedring; kontroller udelukker nye samtaler og Codex-opgaver. Temporary Chat er udelukket. 4, 5	Autoriseret adgang og opbevaring er fortsat separate forhold. Codex har også en særskilt træningsindstilling for hele miljøet.
Claude	Forbedring af forbrugermodellen afhænger af brugerens valg; feedback og sikkerhedsrelateret brug har særskilte regler. Incognito er udelukket fra generel forbedring. 6	Undtagelser for gennemgang og opbevaring gælder stadig. Visse kommercielle Covered Models har yderligere krav til opbevaring. 7–9
Cursor	Privacy Mode udelukker kundedata fra Cursor-træning og beskriver aftaler om ingen opbevaring hos udbydere, med forbehold for de angivne undtagelser. 12	Anmodninger går stadig gennem Cursors backend. Misbrugsundersøgelser, caching og modelspecifikke meddelelser er vigtige.
Perplexity	Indsamling til træning af forbruger-AI er aktiveret som standard, også på Pro og Max; brugere kan framelde sig fremadrettet. 13	Framelding stopper ikke behandling til drift af tjenesten eller juridisk overholdelse. Enterprise-vilkår er anderledes.
Manus	Team-dokumentation angiver en mulighed for at fravælge træning; denne gennemgang kunne ikke bekræfte den endelige regel for træning på individuelle abonnementer. 15	At individuelle opgaver som standard er private, beskriver delingssynlighed, ikke en fuldstændig begrænsning af udbyderens brug. 14
Meta’s Muse	Dokumentation ved lanceringen beskriver træning på rensede interaktionsdata som standard, med mulighed for framelding. 16	Rensning før træning er ikke det samme som maskering før inferens. Operatørbegrænsninger ved lanceringen adskiller sig fra den planlagte Confidential VM.
Dvina	Samtaler, filer, prompts og arbejdsområdedata bruges ikke til at træne AI-modeller. 17, 18	Automatisk maskering adresserer en tidligere grænse: registrerede personlige identifikatorer erstattes før modelbehandling.

Detaljerne nedenfor forklarer, hvor disse skel bliver vigtige i daglig brug.

ChatGPT og Claude: den handling, du foretager, ændrer reglen.

OpenAI lader brugere slå træning fra uden at fjerne almindelig chathistorik. Temporary Chat ændrer håndteringen af en samtale yderligere, men dokumentationen tillader stadig gennemgang ved misbrug og beskriver en sletteperiode på 30 dage. Codex-brugere bør også skelne mellem den kontodækkende indholdsindstilling og den særskilte indstilling for hele miljøet. 4, 5

Med Claude fortjener feedback særlig opmærksomhed. Anthropic siger, at en tommel op, tommel ned eller fejlrapport kan indebære, at den relaterede samtale opbevares i op til fem år og bruges til formål, der omfatter modeltræning. Aktivering af generel modelforbedring gør også, at kvalificeret afidentificeret materiale kan forblive i træningspipelines i op til fem år. Det er ikke de samme regler som for almindelig chatsletning. 6, 7

En person kan derfor træffe flere privatlivsbeslutninger i ét produkt uden at være klar over, at det er separate beslutninger. Produktdesign bør gøre de forskelle tydelige på brugstidspunktet.

Cursor og Perplexity: en produktetiket er ikke en behandlingsgrænse.

Cursors Privacy Mode giver meningsfulde begrænsninger for træning og udbyderopbevaring. Den gør ikke editoren kun-lokal: Cursor siger, at anmodninger stadig sendes gennem deres backend, selv med en brugerleveret API-nøgle. Dokumentationen beskriver også midlertidig krypteret filcaching og undtagelser forbundet med misbrugsundersøgelser eller udpegede modeller. 12

Perplexity illustrerer en anden sondring. Dets Free-, Pro- og Max-konti er underlagt forbrugerkontroller for træning, hvor indsamling er aktiveret som standard. Den offentliggjorte framelding gælder data, der indsamles efterfølgende, ikke retroaktiv fjernelse af tidligere træningsdata. At købe et personligt abonnement gør det ikke til en Enterprise-konto. 13

I begge tilfælde er det relevante spørgsmål, hvad den valgte tilstand og konto ændrer — ikke hvad produktnavnet ser ud til at antyde.

Manus og Muse: private arbejdsområder kræver stadig eksplicitte grænser.

Manus siger, at individuelle opgaver er private, medmindre de deles. Dets Team-dokumentation forklarer også, at ejere kan få adgang til indhold i teamsessioner. Det er nyttige regler for synlighed, men de fastlægger ikke politikken for individuel træning. Den fulde privatlivsside for Manus kunne ikke hentes til denne gennemgang, så det spørgsmål forbliver ubekræftet i stedet for at blive udfyldt ud fra et andet abonnement. 14, 15

Muse’s lanceringsdokumentation er usædvanligt tydelig om forskellen mellem driftsmæssige begrænsninger og teknisk forebyggelse. Meta siger, at Secure VM ved lanceringen begrænser medarbejderadgang gennem politikker, men ikke forhindrer adgang, når det er nødvendigt for at drive, supportere eller sikre tjenesten. En Confidential VM, der er tiltænkt kryptografisk at forhindre operatøradgang, blev beskrevet som kommende og under begrænset test. En planlagt beskyttelse bør ikke regnes som allerede tilgængelig for alle. 16

Muse holder også rigtige connector-legitimationsoplysninger væk fra sin hovedagent og placerer godkendelser af handlinger under en separat tilladelsesmyndighed. Det illustrerer et værdifuldt princip: En agent bør ikke få en hemmelighed eller en tilladelse, blot fordi det kunne være bekvemt. 16

Flyt beskyttelsen til punktet før eksponering

En udelukkelse fra træning regulerer en brug af data. Maskering ændrer de data, der er tilgængelige for behandling. Begrænset opbevaring reducerer de kopier, der bliver tilbage. Tilladelseskontroller begrænser, hvad en agent kan gøre. Disse beskyttelser supplerer hinanden, og det er vigtigt, på hvilket trin hver af dem virker.

Overvej en illustrativ forespørgsel: skriv en opfølgning til en kunde på en bestemt e-mailadresse. Modellen kan have brug for formålet, tonen og de relevante tilsagn. Den behøver måske ikke kundens rigtige navn eller adresse for at udarbejde beskeden. Hvis disse identificerende oplysninger erstattes med pladsholdere før inferens, reduceres det, modellen modtager, samtidig med at opgavens nyttige struktur bevares.

Det er noget andet end at sende den oprindelige tekst og love at fjerne identifikatorer før en senere anvendelse.

Det samme princip rækker ud over personlige identifikatorer. Fortrolig forskning kræver kontrol med selve forskningsindholdet; forbundne konti kræver snævert afgrænsede tilladelser; gemte optegnelser kræver definerede opbevaringsperioder og håndhævelige adgangsbegrænsninger. Maskering af identitet er én komponent i dette design, ikke en erstatning for at beskytte substansen i en opfindelse eller et dokument.

Der foregår relevant arbejde på tværs af branchen. OpenAI udgav et lokalt kørbart Privacy Filter i april 2026, og Metas Muse-dokumentation beskriver teknisk isolation og et stærkere design for fortrolig databehandling under udvikling. Disse tiltag understøtter argumentet for at bygge privatliv ind i systemet. En værktøjsudgivelse eller en roadmap er dog ikke i sig selv bevis for, at enhver forbrugersamtale allerede får den tilsvarende beskyttelse. 16, 19

Standarden bør være den beskyttelse, en person får i det produkt, de bruger i dag.

Dvina: gør privatliv til en del af den normale interaktion

Dvinas tilgang bringer denne tidligere beskyttelse ind i assistentoplevelsen. Dets dokumenterede design registrerer følsomme personoplysninger lokalt, mens folk skriver eller uploader indhold, krypterer registrerede persondata og erstatter dem med pladsholdere før modelbehandling. Modellen arbejder med disse pladsholdere i stedet for de oprindeligt registrerede identifikatorer. 17, 18

Forskellen er praktisk. En bruger bør ikke være nødt til at afbryde hver eneste opgave for manuelt at fjerne navne og kontaktoplysninger eller kun stole på et løfte om, hvad der sker, efter at modellen har modtaget dem. Beskyttelsen bør følge med interaktionen.

Dvina udelukker også brugersamtaler, filer, prompts og arbejdsområdedata fra modeltræning. Kombinationen er vigtig: et tilsagn om ingen træning begrænser genbrug, mens beskyttelse før behandling begrænser de personoplysninger, der overhovedet eksponeres for modellen. 17, 18

Andre lag understøtter denne tilgang. Dvina beskriver krypteret lagring af samtaler, adskillelse mellem gemte beskeder og brugeridentitet samt data hostet i EU med beskyttelse på GDPR-niveau. Hver del adresserer en forskellig del af håndteringsprocessen i stedet for at lade én enkelt træningsindstilling bære hele byrden. 17, 18

Den tekniske forskel er præcis: registrerede personlige identifikatorer erstattes i modelinputtet, mens den omgivende opgave fortsat er tilgængelig for behandling. Privatliv bliver en del af dataflowet i stedet for blot en præference, som brugerne selv skal huske at administrere.

For mig er dette den mere nyttige retning for AI: at lade folk bringe meningsfuld kontekst ind i deres arbejde, samtidig med at systemet designes til at afsløre mindre af deres identitet, end opgaven kræver.

Konklusion: privatliv vil afgøre, hvor langt folk vil lade AI komme ind i deres liv

AI-assistenter bliver mere nyttige, jo mere de forstår af vores omstændigheder. Det skaber et ansvar for at beskytte de oplysninger, der ligger bag denne forståelse. At bede folk om større adgang, mens man kun tilbyder endnu en indstillingsside, er ikke et tilstrækkeligt svar.

Beviserne peger på flere forskellige risici. Software kan eksponere data på tværs af konti. Gemte samtaler kan blive genstand for juridiske krav. Autoriseret gennemgang kan finde sted uden et sikkerhedsbrud. Tvister om privat forskning kan underminere tilliden, selv når påstanden ikke er blevet uafhængigt fastslået.

Disse risici kræver ingeniørarbejde, ikke bare bedre formuleringer. Registrering af følsomme data, beskyttelse før behandling, adskillelse af identitet, begrænset opbevaring og håndhævelige tilladelser bør få vedvarende opmærksomhed som grundlæggende AI-sikkerhedskapaciteter. En assistents nytteværdi og beskyttelsen af dens bruger må udvikle sig sammen.

Med Dvina er vi med til at drive dette skifte ved at gøre beskyttelse før modelbehandling til en del af produktets fundament. Ambitionen er ikke at bede om mere tillid gennem stærkere påstande. Den er at reducere, hvor meget tillid der overhovedet behøver at hvile på et løfte alene.

Folk bør kunne søge hjælp, udvikle en idé og dele den kontekst, der er nødvendig for at komme videre, uden at behandle hver samtale som en potentiel overgivelse af deres privatliv. At opbygge den tillid er en af de vigtigste opgaver, AI står over for.

Kilder og afgrænsning

Kilder gennemgået den 22 September 2026. Denne artikel bygger på leverandørdokumentation og attribueret rapportering; den er ikke en uafhængig sikkerhedsrevision. Individuelle abonnementer er det primære sammenligningsgrundlag. Kommercielle, API- og modelspecifikke undtagelser er identificeret særskilt. Afsnittet om matematik skelner mellem rapporterede bekymringer og OpenAI’s opdaterede svar; ingen af delene præsenteres som en uafhængig konstatering. Manus’s træningsregel for individuelle abonnementer er fortsat ubekræftet, fordi det ikke var muligt at hente den fulde privatlivspolitik.