پیش از آن‌که به اشتراک بگذارید: حریم خصوصی AI به چیزی بیش از یک وعده نیاز دارد

مقدمه: گفت‌وگو دارد به زندگی شما تبدیل می‌شود

یک دستیار AI را باز می‌کنید تا پاسخی دشوار بنویسید. پیام را کپی می‌کنید، رابطه را توضیح می‌دهید، و چند جزئیات را هم اضافه می‌کنید که جای دیگری با کسی در میان نگذاشته‌اید. روزی دیگر، قراردادی را بارگذاری می‌کنید، درباره ایده‌ای ناتمام حرف می‌زنید، یا صندوق ورودی‌تان را متصل می‌کنید تا دستیار بفهمد چه چیزهایی به توجه شما نیاز دارد.

هیچ‌یک از این کارها شبیه انتشار عمومی نیست. شما فقط دارید کمک می‌خواهید.

با این حال، این اطلاعات ممکن است از زیرساخت‌ها، سامانه‌های ذخیره‌سازی، فرایندهای بازبینی، و الزامات حقوقی‌ای عبور کنند که تا حد زیادی از پنجره گفت‌وگو پنهان‌اند. یک دستیار می‌تواند خیلی زود حس شخصی بودن بدهد، خیلی پیش از آن‌که نحوه برخوردش با داده‌های شما با این انتظار هم‌خوان شود.

موضع من ساده است: حریم خصوصی AI نباید فقط به این وابسته باشد که یک شرکت پس از دریافت اطلاعات شما چه وعده‌ای می‌دهد. باید به این هم وابسته باشد که سامانه‌های آن از رسیدن چه چیزهایی به مدل از همان ابتدا جلوگیری می‌کنند. سیاست‌ها مهم‌اند. اما باید پشتوانه‌های فنی داشته باشند.

من این مقاله را با پشتیبانی تیم Dvina آماده کرده‌ام. این مقاله رخدادهای مستند و رویه‌های فعلی در ChatGPT، Claude، Cursor، Perplexity، Manus، Muse متعلق به Meta، و Dvina را بررسی می‌کند. هدف این است که توضیح دهد چرا حریم خصوصی باید، هم‌زمان با پررنگ‌تر شدن نقش AI در زندگی ما، به یک اولویت مرکزی مهندسی تبدیل شود — و این‌که Dvina چگونه به این مسئولیت نزدیک می‌شود.

رخدادها چه چیزی به ما می‌گویند

این نگرانی فرضی نیست. اما انواع مختلف شواهد، مشکلات متفاوتی را آشکار می‌کنند. افشای داده‌ای که تأیید شده، بازبینی انسانیِ مجاز، و ادعایی درباره سوءاستفاده پژوهشی را نباید طوری مطرح کرد که انگار همه یک رویداد واحد بوده‌اند.

افشای ChatGPT در سال 2023: نقصی در خود سامانه.

در 20 March 2023، یک باگ نرم‌افزاری باعث شد برخی کاربران ChatGPT بتوانند عنوان‌های تاریخچه گفت‌وگوی کاربر فعال دیگری را ببینند. OpenAI گفت در برخی شرایط، نخستین پیامِ یک گفت‌وگوی تازه‌ساخته‌شده نیز ممکن بوده قابل مشاهده باشد. بررسی این شرکت نشان داد که اطلاعات مرتبط با پرداختِ 1.2% از مشترکان Plus که در یک بازه نه‌ساعته مشخص فعال بوده‌اند، احتمالاً در معرض دید قرار گرفته است. شماره کامل کارت‌ها افشا نشد. OpenAI این باگ را برطرف کرد و به کاربران آسیب‌دیده اطلاع داد. 1

درس ماجرا این نیست که همان آسیب‌پذیری هنوز باز مانده است. درس این است که تعهد به حریم خصوصی، به‌تنهایی، نمی‌تواند جلوی بازگرداندن اطلاعات به فرد اشتباه را از سوی یک سامانه بگیرد. جداسازی، کنترل‌های دسترسی، و میزان اطلاعات هویتیِ در دسترس برای افشا، همگی اهمیت دارند.

پرونده قضایی The New York Times: حذف داده با یک الزام حقوقی روبه‌رو شد.

در سال 2025، OpenAI با دستور دادگاه روبه‌رو شد که آن را ملزم می‌کرد داده‌هایی را که در غیر این صورت حذف می‌شدند، حفظ کند. به‌روزرسانی ماه اکتبر این شرکت اعلام کرد که تعهد گسترده برای نگهداری نامحدود داده‌های جدید در 26 September 2025 پایان یافته است، در حالی که یک مجموعه تاریخی محدود همچنان تحت نگهداری قانونی باقی مانده بود. الزام اولیه حفظ داده، برخی محصولات و ترتیبات zero-data-retention را مستثنا می‌کرد. 2

یک تحول بعدی باید جداگانه خوانده شود: در December 2025، Reuters گزارش داد که یک قاضی OpenAI را ملزم کرده است در پرونده حق‌نشر، 20 میلیون لاگ گفت‌وگوی ناشناس‌سازی‌شده را ارائه کند؛ او به اعتراض‌های این شرکت وقعی ننهاد و به de-identification و تدابیر حفاظتی اتکا کرد. این یک دستور کشف ادله بود، نه انتشار چت‌های خصوصی همه در اینترنت. 3

این رویدادها در کنار هم نشان می‌دهند چرا یک تنظیم حذف، همه پرسش‌ها درباره اطلاعات نگهداری‌شده را حل‌وفصل نمی‌کند. وقتی یک نسخه وجود داشته باشد، تعهداتی خارج از کنترل کاربر می‌توانند بر سرنوشت آن اثر بگذارند. کاهش نگهداری غیرضروری، این میزان مواجهه را پیش از آغاز یک اختلاف تغییر می‌دهد.

بازبینی انسانی: دسترسی می‌تواند بدون نقض امنیت مجاز باشد.

مستندات مصرف‌کننده OpenAI به‌صراحت دسترسی محدودِ کارکنان مجاز و ارائه‌دهندگان خدمات را برای اهداف مشخص مجاز می‌داند؛ از جمله تحقیقات امنیتی، پشتیبانی، مسائل حقوقی، و بهبود واجدشرایط مدل. راهنمای مصرف‌کننده Anthropic نیز به کارکنان تعیین‌شده اجازه می‌دهد برای اجرای سیاست‌های استفاده، گفتگوها را بازبینی کنند؛ همچنین دسترسی جداگانه‌ای در ارتباط با بازخوردی که با رضایت ارائه شده، وجود دارد. 4, 8

این‌ها مسیرهای دسترسی مستند هستند، نه شایعه. این موضوع ثابت نمی‌کند که کارکنان همه گفتگوها را می‌خوانند. اما ثابت می‌کند که یک رابط چت که ظاهراً خصوصی به نظر می‌رسد، لزوماً مانع فنی در برابر دسترسی ارائه‌دهنده نیست.

مستندات فعلی Anthropic یک نمونه مهم دیگر از سمت کسب‌وکار اضافه می‌کند. Covered Models تعیین‌شده این شرکت در برخی استقرارهایی که پیش‌تر از zero data retention استفاده می‌کردند، به نگهداری 30 روزه نیاز دارند، همراه با بازبینی انسانی کنترل‌شده و استثناها. این قاعده از نظر مدل، پلتفرم، و شرایط احراز صلاحیت مرزهای مشخصی دارد؛ این یک تغییر فراگیر برای همه محصولات Claude نیست. درباره طرح‌های مصرف‌کننده گفته شده که بی‌تأثیر می‌مانند، زیرا آن سطوح از پیش ورودی‌ها و خروجی‌ها را نگه می‌دارند. 9

پایش ایمنی هدفی مشروع دارد. چالش مهندسی این است که این هدف برآورده شود، در حالی که اطلاعات حساسِ در دسترسِ سامانه‌های پایش و بازبین‌ها به حداقل برسد. یک توجیه ایمنی باعث نمی‌شود مسئله حریم خصوصی ناپدید شود.

مناقشه ریاضیات: ادعایی حل‌نشده، مسئله‌ای واقعی برای اعتماد

مناقشه September 2026 پیرامون اعلامیه Navier–Stokes از سوی OpenAI نگرانی متفاوتی را مطرح کرد: وقتی دستیاری که به پژوهش خصوصی کمک می‌کند متعلق به شرکتی باشد که خود نیز در حال انجام پژوهش است، چه اتفاقی می‌افتد؟

اختلاف بر سر کار ریاضی منتشرنشده و اعتبار آن بود. گزارش‌ها توصیف می‌کردند که ریاضی‌دانان Tristan Buckmaster و Levent Alpöge در کار خود از ابزارهای AI استفاده کرده‌اند، و Buckmaster این پرسش را مطرح کرده بود که آیا مطالب خصوصی آن‌ها در نتیجه OpenAI سهمی داشته است یا نه. 10

OpenAI این روایت را رد می‌کند. پاسخ منتشرشده این شرکت می‌گوید نه پژوهشگرانش و نه نمایندگانش پیش از انتشار، کار این دو نفر را ندیده بودند. این شرکت همچنین در به‌روزرسانی‌ای به تاریخ 10 September اعلام کرد که یک تحقیق، هرگونه تأثیر از promptهای Codex متعلق به Buckmaster را در دو ماه پیش از آن، از جمله از طریق آموزش، منتفی دانسته است. این اظهارنظرِ مقید به بازه زمانی، از برخی روایت‌های اولیه در گزارش‌ها مشخص‌تر است. 11

روایت‌های عمومی همچنان محل مناقشه‌اند. منابع بررسی‌شده در اینجا به‌طور مستقل ثابت نمی‌کنند که OpenAI از آن گفتگوهای خصوصی برای تولید نتیجه خود استفاده کرده است.

با این حال، این اختلاف پرسشی را آشکار می‌کند که باید به‌روشنی به آن پاسخ داد: وقتی افراد کار ناتمام خود را به AI می‌سپارند، چه چیزی از ارزش اطلاعاتی آن کار محافظت می‌کند؟ حذف نام نویسنده از یک برهان، خود برهان را حذف نمی‌کند. ناشناس‌سازی یک راهبرد تجاری، آن راهبرد را به مالکیت عمومی تبدیل نمی‌کند.

به همین دلیل است که حریم خصوصی قوی به حفاظت از هر دو بُعدِ هویت و محتوا نیاز دارد. کاربران باید بتوانند بفهمند آیا مطالبشان می‌تواند وارد جریان‌های کاری آموزش، پژوهش، ارزیابی، یا بازبینی شود یا نه—و چه کنترل‌های فنی این مرزها را اعمال می‌کنند.

چهار پرسشی که هرگز نباید در یکی ادغام شوند

بخش زیادی از سردرگمی از اینجا ناشی می‌شود که «خصوصی» به‌عنوان یک ویژگی واحد در نظر گرفته می‌شود. در عمل، چهار پرسش جداگانه تعیین می‌کنند که چه بر سر یک گفتگو می‌آید.

آموزش: آیا محتوا می‌تواند به توسعه یا بهبود یک مدل کمک کند؟ انصراف از این فرایند، یکی از استفاده‌های مجاز از اطلاعات را تغییر می‌دهد. اما لزوماً تغییری در این ایجاد نمی‌کند که آیا اطلاعات منتقل یا ذخیره شده‌اند یا نه.

دسترسی: کدام سامانه‌ها و افراد می‌توانند آن را بررسی کنند؟ رمزنگاری در حین انتقال و ذخیره‌سازی مهم است، اما به‌طور خودکار مانع آن نمی‌شود که یک سرویس مجاز برای پردازش یا بازبینی، محتوا را رمزگشایی کند.

نگهداری: چه چیزی باقی می‌ماند، کجا، و برای چه مدت؟ حذف یک چت از رابط کاربری، پاک کردن سوابق تولیدی، منقضی شدن نسخه‌های پشتیبان، و خارج کردن داده از آموزش‌های آینده، عملیات‌های متفاوتی هستند.

اقدامات: یک دستیار متصل چه چیزهایی را می‌تواند بخواند، تغییر دهد یا ارسال کند؟ وقتی بتواند از طریق حساب‌های شما کار کند، حریم خصوصی دیگر به مجوزها و کنترل‌های مربوط به داده‌های خروجی هم وابسته می‌شود.

یک مقایسه مفید از حریم خصوصی این پرسش‌ها را از هم جدا نگه می‌دارد. اشتراک پولی، یک کلید خاموش‌/روشن برای آموزش، یا برچسب وظیفه خصوصی نمی‌تواند به هر چهار مورد پاسخ بدهد.

مقایسه سرویس‌ها

جدول زیر بر استفاده فردی تمرکز دارد، مگر آنکه دامنه‌ای متفاوت ذکر شده باشد. این جدول خلاصه‌ای از مستندات بررسی‌شده است، نه نتیجه یک ممیزی امنیتی مستقل.

سرویس	موضع درباره آموزش	مرز جداگانه‌ای که باید درک شود
ChatGPT	محتوای فردی می‌تواند برای بهبود استفاده شود؛ کنترل‌ها مکالمات جدید و وظایف Codex را مستثنا می‌کنند. Temporary Chat مستثنا است. 4, 5	دسترسی مجاز و نگه‌داری داده همچنان موضوعاتی جداگانه هستند. Codex همچنین یک تنظیم آموزشی متمایز برای کل محیط دارد.
Claude	بهبود مدل در نسخه مصرف‌کننده به انتخاب کاربر بستگی دارد؛ بازخورد و استفاده‌های مرتبط با ایمنی قواعد جداگانه‌ای دارند. Incognito از بهبود عمومی مستثنا است. 6	استثناهای مربوط به بازبینی و نگه‌داری داده همچنان اعمال می‌شوند. برخی Covered Models تجاری الزامات نگه‌داری اضافی دارند. 7–9
Cursor	Privacy Mode داده‌های مشتری را از آموزش Cursor مستثنا می‌کند و ترتیبات عدم نگه‌داری از سوی ارائه‌دهنده را، با رعایت استثناهای اعلام‌شده، توضیح می‌دهد. 12	درخواست‌ها همچنان از backend متعلق به Cursor عبور می‌کنند. بررسی‌های سوءاستفاده، caching، و اطلاعیه‌های مختص مدل اهمیت دارند.
Perplexity	جمع‌آوری برای آموزش AI مصرف‌کننده به‌طور پیش‌فرض فعال است، از جمله در Pro و Max؛ کاربران می‌توانند برای آینده از آن انصراف دهند. 13	انصراف، پردازش برای عملیات سرویس یا تبعیت قانونی را متوقف نمی‌کند. شرایط Enterprise متفاوت است.
Manus	مستندات Team از امکان انصراف از آموزش نام می‌برد؛ این بررسی نتوانست قاعده قطعی آموزش در طرح فردی را تأیید کند. 15	خصوصی بودن پیش‌فرض وظایف فردی، به قابلیت مشاهده اشتراک‌گذاری مربوط است، نه به یک محدودیت کامل بر استفاده ارائه‌دهنده. 14
Meta’s Muse	مستندات زمان راه‌اندازی توضیح می‌دهد که به‌طور پیش‌فرض آموزش بر داده‌های تعاملِ پاک‌سازی‌شده انجام می‌شود، همراه با امکان انصراف. 16	پاک‌سازی پیش از آموزش با پوشاندن داده پیش از inference یکسان نیست. محدودیت‌های اپراتور در زمان راه‌اندازی با Confidential VM برنامه‌ریزی‌شده تفاوت دارند.
Dvina	از مکالمات، فایل‌ها، promptها و داده‌های workspace برای آموزش مدل‌های AI استفاده نمی‌شود. 17, 18	masking خودکار یک مرز پیشین‌تر را پوشش می‌دهد: شناسه‌های شخصیِ شناسایی‌شده پیش از پردازش مدل جایگزین می‌شوند.

جزئیات زیر توضیح می‌دهند که این تمایزها در استفاده روزمره کجا اهمیت پیدا می‌کنند.

ChatGPT و Claude: اقدامی که انجام می‌دهید، قاعده را تغییر می‌دهد.

OpenAI به کاربران اجازه می‌دهد آموزش را غیرفعال کنند، بی‌آنکه تاریخچه عادی چت حذف شود. Temporary Chat نحوه رسیدگی به یک مکالمه را باز هم تغییر می‌دهد، اما مستندات آن همچنان بازبینی سوءاستفاده را مجاز می‌داند و از یک دوره حذف 30 روزه سخن می‌گوید. کاربران Codex نیز باید میان تنظیم محتوای سراسری حساب و تنظیم جداگانه آن برای کل محیط تمایز قائل شوند. 4, 5

در Claude، بازخورد شایسته توجه ویژه است. Anthropic می‌گوید ثبت thumbs-up، thumbs-down، یا bug report می‌تواند شامل ذخیره‌سازی مکالمه مرتبط تا پنج سال باشد و استفاده از آن را برای مقاصدی از جمله آموزش مدل در بر بگیرد. فعال کردن بهبود عمومی مدل نیز به مواد واجد شرایطِ de-identified اجازه می‌دهد تا حداکثر پنج سال در pipelineهای آموزشی باقی بمانند. این‌ها همان قواعد حذف عادی چت نیستند. 6, 7

بنابراین یک فرد می‌تواند درون یک محصول چندین تصمیم مربوط به حریم خصوصی بگیرد، بی‌آنکه متوجه باشد این‌ها تصمیم‌هایی جداگانه‌اند. طراحی محصول باید این تفاوت‌ها را در همان نقطه استفاده روشن کند.

Cursor و Perplexity: برچسب یک محصول مرز پردازش نیست.

Privacy Mode در Cursor محدودیت‌های معناداری بر آموزش و نگه‌داری داده توسط ارائه‌دهنده اعمال می‌کند. اما ویرایشگر را صرفاً محلی نمی‌کند: Cursor می‌گوید درخواست‌ها همچنان از backend آن عبور می‌کنند، حتی با API keyای که خود کاربر فراهم کرده باشد. مستندات آن همچنین از caching موقت و رمزگذاری‌شده فایل‌ها و استثناهای مرتبط با بررسی‌های سوءاستفاده یا مدل‌های تعیین‌شده سخن می‌گوید. 12

Perplexity تمایزی متفاوت را نشان می‌دهد. حساب‌های Free، Pro و Max آن تحت کنترل‌های آموزشی مصرف‌کننده قرار می‌گیرند و جمع‌آوری داده در آن‌ها به‌طور پیش‌فرض فعال است. امکان انصرافِ منتشرشده به داده‌هایی مربوط می‌شود که بعداً جمع‌آوری می‌شوند، نه حذف عطف‌به‌ماسبق داده‌های آموزشی پیشین. خرید یک اشتراک شخصی آن را به حساب Enterprise تبدیل نمی‌کند. 13

در هر دو مورد، پرسش مهم این است که حالت و حساب انتخاب‌شده چه چیزی را تغییر می‌دهند—نه آنچه نام محصول ظاهراً القا می‌کند.

Manus و Muse: workspaceهای خصوصی همچنان به مرزهای صریح نیاز دارند.

Manus می‌گوید وظایف فردی مگر آنکه به اشتراک گذاشته شوند خصوصی هستند. مستندات Team آن همچنین توضیح می‌دهد که مالکان می‌توانند به محتوای sessionهای تیم دسترسی داشته باشند. این‌ها قواعد مفیدی برای قابلیت مشاهده هستند، اما سیاست آموزش در طرح فردی را تعیین نمی‌کنند. صفحه کامل حریم خصوصی Manus برای این بررسی قابل بازیابی نبود، بنابراین این پرسش تأییدنشده باقی می‌ماند و از طرحی دیگر برای پر کردن آن استفاده نشده است. 14, 15

مستندات زمان راه‌اندازی Muse به‌طور غیرمعمولی درباره تفاوت میان محدودیت‌های عملیاتی و پیشگیری فنی صریح است. Meta می‌گوید Secure VM در زمان راه‌اندازی از طریق policyها دسترسی کارکنان را محدود می‌کند، اما وقتی برای راه‌اندازی، پشتیبانی یا ایمن‌سازی سرویس لازم باشد از دسترسی جلوگیری نمی‌کند. یک Confidential VM که قرار است به‌صورت رمزنگارانه از دسترسی اپراتور جلوگیری کند، به‌عنوان قابلیتی در راه و در حال آزمایش محدود توصیف شده بود. یک حفاظت برنامه‌ریزی‌شده نباید طوری محسوب شود که گویی از پیش برای همه در دسترس است. 16

Muse همچنین credentialهای واقعی connector را از agent اصلی خود دور نگه می‌دارد و تأییدهای اقدام را زیر یک مرجع مجوز جداگانه قرار می‌دهد. این موضوع یک اصل ارزشمند را نشان می‌دهد: یک agent نباید صرفاً به این دلیل که ممکن است راحت‌تر باشد، یک راز یا یک مجوز دریافت کند. 16

حفاظت را به نقطه پیش از افشا منتقل کنید

استثنا شدن از آموزش، بر یکی از کاربردهای داده حاکم است. masking داده‌های در دسترس برای پردازش را تغییر می‌دهد. نگه‌داری محدود، تعداد نسخه‌های باقی‌مانده را کاهش می‌دهد. کنترل‌های مجوز، کارهایی را که یک agent می‌تواند انجام دهد محدود می‌کنند. این حفاظت‌ها مکمل یکدیگرند و مرحله‌ای که هرکدام در آن عمل می‌کنند اهمیت دارد.

یک درخواست نمونه را در نظر بگیرید: نوشتن یک ایمیل پیگیری برای یک مشتری در یک آدرس ایمیل مشخص. مدل ممکن است به هدف، لحن، و تعهدات مرتبط نیاز داشته باشد. اما برای پیش‌نویس کردن پیام، لزوماً به نام واقعی یا آدرس مشتری نیاز ندارد. جایگزین کردن این شناسه‌های شناسایی‌شده با placeholderها پیش از استنتاج، میزان داده‌ای را که مدل دریافت می‌کند کاهش می‌دهد و در عین حال ساختار مفید کار را حفظ می‌کند.

این با فرستادن متن اصلی و وعده دادن به حذف شناسه‌ها پیش از یک استفاده بعدی، متفاوت است.

همین اصل فراتر از شناسه‌های شخصی نیز گسترش می‌یابد. پژوهش محرمانه به کنترل‌هایی بر خودِ محتوای پژوهش نیاز دارد؛ حساب‌های متصل به مجوزهایی با دامنه محدود و دقیق نیاز دارند؛ سوابق نگه‌داری‌شده به دوره‌های نگه‌داری تعریف‌شده و محدودیت‌های دسترسیِ قابل‌اجرا نیاز دارند. پنهان‌سازی هویت یکی از اجزای این طراحی است، نه جایگزینی برای حفاظت از ماهیت یک اختراع یا سند.

در سراسر صنعت، کارهای مرتبطی در جریان است. OpenAI در April 2026 یک Privacy Filter قابل اجرا به‌صورت محلی منتشر کرد، و مستندات Muse از Meta جداسازی فنی و یک طراحی قوی‌ترِ confidential-computing را که در حال توسعه است توصیف می‌کند. این تلاش‌ها از این دیدگاه پشتیبانی می‌کنند که حریم خصوصی باید در خودِ سیستم مهندسی شود. با این حال، انتشار یک ابزار یا نقشه راه، به‌خودی‌خود نشان نمی‌دهد که هر گفت‌وگوی مصرف‌کننده از هم‌اکنون همان حفاظت متناظر را دریافت می‌کند. 16, 19

استاندارد باید همان حفاظتی باشد که یک فرد امروز در محصولی که استفاده می‌کند دریافت می‌کند.

Dvina: حریم خصوصی را به بخشی از تعامل عادی تبدیل کنید

رویکرد Dvina این حفاظت زودهنگام را به تجربه کار با دستیار می‌آورد. طراحی مستندشده آن، اطلاعات شخصی حساس را به‌صورت محلی و هم‌زمان با تایپ کردن افراد یا بارگذاری محتوا شناسایی می‌کند، داده‌های شخصی شناسایی‌شده را رمزنگاری می‌کند، و پیش از پردازش مدل، placeholderها را جایگزین می‌کند. مدل به‌جای شناسه‌های شناسایی‌شده اصلی، با همین placeholderها کار می‌کند. 17, 18

این تفاوت، عملی است. کاربر نباید مجبور باشد برای هر کار، روند را متوقف کند تا نام‌ها و اطلاعات تماس را به‌صورت دستی حذف کند، یا فقط به یک وعده درباره آنچه پس از دریافت این داده‌ها توسط مدل رخ خواهد داد تکیه کند. حفاظت باید همراهِ خودِ تعامل باشد.

Dvina همچنین گفت‌وگوهای کاربران، فایل‌ها، promptها، و داده‌های workspace را از آموزش مدل کنار می‌گذارد. این ترکیب اهمیت دارد: تعهد به عدم آموزش، استفاده مجدد را محدود می‌کند، در حالی که حفاظت پیش‌پردازشی از همان ابتدا میزان اطلاعات شخصی‌ای را که در معرض مدل قرار می‌گیرد کاهش می‌دهد. 17, 18

لایه‌های دیگری نیز از این رویکرد پشتیبانی می‌کنند. Dvina از ذخیره‌سازی رمزنگاری‌شده گفت‌وگوها، جداسازی میان پیام‌های ذخیره‌شده و هویت کاربر، و میزبانی داده در اتحادیه اروپا با حفاظت‌هایی در سطح GDPR سخن می‌گوید. هر یک از این‌ها بخش متفاوتی از فرایند رسیدگی به داده را پوشش می‌دهد، به‌جای آنکه از یک ترجیح آموزشی خواسته شود تمام بار را به دوش بکشد. 17, 18

تمایز فنی دقیق است: شناسه‌های شخصی شناسایی‌شده در ورودی مدل جایگزین می‌شوند، در حالی که وظیفه پیرامونی همچنان برای پردازش در دسترس می‌ماند. به این ترتیب، حریم خصوصی به بخشی از جریان داده تبدیل می‌شود، نه صرفاً یک ترجیح که کاربران باید به یاد داشته باشند آن را مدیریت کنند.

از نظر من، این مسیر مفیدتری برای AI است: اینکه به افراد اجازه دهیم زمینه‌ای معنادار را وارد کارشان کنند، در حالی که سیستم طوری طراحی شود که کمتر از آنچه انجام کار ایجاب می‌کند، از هویت آن‌ها افشا شود.

نتیجه‌گیری: حریم خصوصی تعیین خواهد کرد مردم تا چه اندازه به AI اجازه ورود به زندگی‌شان را می‌دهند

دستیارهای AI هرچه شرایط و موقعیت ما را بیشتر درک کنند، مفیدتر می‌شوند. این موضوع مسئولیتی برای حفاظت از اطلاعاتی ایجاد می‌کند که پشت این درک قرار دارد. درخواست دسترسی بیشتر از مردم، در حالی که فقط یک صفحه تنظیمات دیگر ارائه می‌شود، پاسخ کافی نیست.

شواهد به چندین ریسک متمایز اشاره می‌کنند. نرم‌افزار می‌تواند داده‌ها را میان حساب‌ها افشا کند. گفت‌وگوهای ذخیره‌شده می‌توانند مشمول مطالبات قانونی شوند. بازبینی مجاز می‌تواند بدون وقوع نقض امنیتی وجود داشته باشد. اختلاف‌ها بر سر پژوهش خصوصی می‌توانند حتی زمانی که ادعا به‌طور مستقل اثبات نشده است، اعتماد را تضعیف کنند.

این ریسک‌ها به کار مهندسی نیاز دارند، نه فقط به نگارشی بهتر. شناسایی داده‌های حساس، حفاظت پیش‌پردازشی، جداسازی هویت، نگه‌داری محدود، و مجوزهای قابل‌اجرا باید به‌طور مستمر به‌عنوان قابلیت‌های بنیادین ایمنی AI مورد توجه قرار گیرند. مفید بودن یک دستیار و حفاظت از کاربر آن باید هم‌زمان پیش بروند.

با Dvina، ما با تبدیل کردن حفاظت پیش از پردازش مدل به بخشی از شالوده محصول، به پیشبرد این تغییر کمک می‌کنیم. هدف این نیست که با ادعاهای قوی‌تر، اعتماد بیشتری مطالبه کنیم. هدف این است که میزان اعتمادی را که باید صرفاً بر یک وعده تکیه کند کاهش دهیم.

مردم باید بتوانند کمک بگیرند، ایده‌ای را پرورش دهند، و زمینه لازم برای پیش رفتن را به اشتراک بگذارند، بی‌آنکه هر گفت‌وگو را نوعی واگذاری بالقوه حریم خصوصی خود تلقی کنند. ساختن این اطمینان یکی از مهم‌ترین وظایف پیشِ روی AI است.

منابع و دامنه

منابع در 22 September 2026 بررسی شده‌اند. این مقاله بر مستندات ارائه‌دهندگان و گزارش‌های دارای انتساب تکیه دارد؛ این متن یک ممیزی امنیتی مستقل نیست. طرح‌های فردی، دامنه اصلی مقایسه را تشکیل می‌دهند. استثناهای تجاری، API، و مختص مدل به‌طور جداگانه مشخص شده‌اند. بخش ریاضیات میان نگرانی‌های گزارش‌شده و پاسخ به‌روزشده OpenAI تمایز می‌گذارد؛ هیچ‌یک به‌عنوان یک یافته مستقل ارائه نشده‌اند. قاعده آموزش در طرح فردی Manus همچنان تأییدنشده باقی می‌ماند، زیرا بازیابی کامل سیاست حفظ حریم خصوصی آن ممکن نبود.