Bago Ka Magbahagi: Higit Pa sa Pangako ang Kailangan ng AI Privacy

Panimula: ang usapan ay nagiging buhay mo na

Binubuksan mo ang isang AI assistant para sumulat ng mahirap na tugon. Ipi-paste mo ang mensahe, ipinapaliwanag ang relasyon, at nagdaragdag ng ilang detalyeng hindi mo pa naibabahagi saanman. Sa ibang araw, nag-a-upload ka ng kontrata, pinag-uusapan ang isang hindi pa tapos na ideya, o ikinokonekta ang inbox mo para maunawaan ng assistant kung ano ang nangangailangan ng atensyon mo.

Wala sa mga kilos na ito ang pakiramdam ay parang paglalathala. Humihingi ka ng tulong.

Gayunman, maaaring dumaan ang impormasyon sa infrastructure, mga storage system, mga proseso ng review, at mga legal na obligasyong halos hindi nakikita mula sa conversation window. Maaaring maging personal ang pakiramdam ng isang assistant nang mas maaga kaysa tumugma ang paghawak nito sa iyong data sa inaasahang iyon.

Simple ang posisyon ko: Hindi dapat nakadepende ang AI privacy lamang sa ipinapangako ng isang kumpanya na gagawin nito pagkatapos matanggap ang iyong impormasyon. Dapat nakadepende rin ito sa kung ano ang pinipigilan ng mga sistema nito na makarating sa modelo sa simula pa lang. Mahalaga ang mga polisiya. Kailangan ng mga itong teknikal na proteksiyong sumusuporta sa mga ito.

Inihanda ko ang artikulong ito sa tulong ng Dvina team. Sinusuri nito ang mga dokumentadong insidente at kasalukuyang praktis sa ChatGPT, Claude, Cursor, Perplexity, Manus, Meta’s Muse, at Dvina. Layunin nitong ipaliwanag kung bakit kailangang maging sentral na prayoridad sa engineering ang privacy habang mas lalong nagiging bahagi ng ating buhay ang AI—at kung paano nilalapitan ng Dvina ang responsibilidad na iyon.

Ano ang sinasabi sa atin ng mga insidente

Hindi hipotetikal ang pangamba. Ngunit ang iba’t ibang uri ng ebidensiya ay nagpapakita ng iba’t ibang problema. Ang isang kumpirmadong data exposure, awtorisadong human review, at isang alegasyon tungkol sa maling paggamit sa pananaliksik ay hindi dapat iharap na para bang iisang pangyayari lamang ang mga ito.

Ang exposure ng ChatGPT noong 2023: isang pagkabigo sa mismong sistema.

Noong 20 March 2023, isang software bug ang nagbigay-daan para makita ng ilang ChatGPT user ang mga pamagat mula sa conversation history ng ibang aktibong user. Sinabi ng OpenAI na ang unang mensahe ng isang bagong likhang conversation ay maaari ring nakita sa ilang sitwasyon. Natukoy ng imbestigasyon nito ang posibleng exposure ng impormasyong may kaugnayan sa bayad para sa 1.2% ng mga Plus subscriber na aktibo sa loob ng isang partikular na siyam na oras na yugto. Hindi na-expose ang buong card numbers. Inayos ng OpenAI ang bug at inabisuhan ang mga apektadong user. 1

Ang aral dito ay hindi na nananatiling bukas ang parehong kahinaan. Ang aral ay hindi kayang pigilan ng isang pangako sa privacy, sa sarili nito lamang, ang isang sistema na magbalik ng impormasyon sa maling tao. Mahalaga ang isolation, mga access check, at ang dami ng makikilalang impormasyong maaaring ma-expose.

Ang paglilitis ng The New York Times: hinarap ng deletion ang isang legal na obligasyon.

Noong 2025, humarap ang OpenAI sa isang utos ng hukuman na nag-aatas na panatilihin ang data na kung hindi ay mabubura sana. Sinabi sa update nito noong Oktubre na natapos na noong 26 September 2025 ang malawak na obligasyong panatilihin nang walang takdang panahon ang bagong data, habang ang isang limitadong makasaysayang set ay nanatiling nasa legal hold. Hindi saklaw ng orihinal na requirement sa preservation ang ilang produkto at mga zero-data-retention arrangement. 2

Ang sumunod na pangyayari ay dapat basahin nang hiwalay: noong December 2025, iniulat ng Reuters na inatasan ng isang hukom ang OpenAI na maglabas ng 20 milyong anonymized na chat log sa kasong copyright, tinatanggihan ang mga pagtutol nito at umaasa sa de-identification at mga pananggalang na proteksiyon. Isa itong discovery order, hindi paglalathala ng pribadong chat ng lahat sa internet. 3

Magkasama, ipinapakita ng mga pangyayaring ito kung bakit hindi nalulutas ng isang setting sa pag-delete ang bawat tanong tungkol sa impormasyong napanatili. Kapag may umiiral nang kopya, ang mga obligasyong wala sa kontrol ng user ay maaaring makaapekto sa mangyayari rito. Ang pagbawas sa hindi kailangang retention ay nagpapababa sa exposure na iyon bago pa magsimula ang isang alitan.

Pagsusuring pantao: maaaring pahintulutan ang access kahit walang paglabag.

Tahasan sa consumer documentation ng OpenAI na pinapayagan ang limitadong access ng mga awtorisadong tauhan at service provider para sa mga tinukoy na layunin, kabilang ang mga imbestigasyon sa seguridad, suporta, mga usaping legal, at karapat-dapat na pagpapahusay ng modelo. Pinapayagan naman ng consumer guidance ng Anthropic ang mga itinalagang staff na suriin ang mga pag-uusap para sa pagpapatupad ng usage policy, na may hiwalay na access na kaugnay ng feedback na may pahintulot. 4, 8

Mga dokumentadong daan ng access ang mga ito, hindi tsismis. Hindi nito pinatutunayan na binabasa ng mga empleyado ang bawat pag-uusap. Ngunit pinatutunayan nito na ang isang chat interface na mukhang pribado ay hindi kinakailangang teknikal na hadlang laban sa access ng provider.

Nagdaragdag ang kasalukuyang dokumentasyon ng Anthropic ng isang mahalagang halimbawa sa panig ng negosyo. Ang mga itinalaga nitong Covered Models ay nangangailangan ng 30-araw na retention sa ilang deployment na dati ay gumagamit ng zero data retention, na may kontroladong human review at mga exception. May mga hangganan ang patakarang ito batay sa modelo, platform, at eligibility; hindi ito pangkalahatang pagbabago sa bawat produktong Claude. Inilalarawan ang mga consumer plan bilang hindi apektado dahil ang mga surface na iyon ay nagre-retain na ng inputs at outputs. 9

May lehitimong layunin ang safety monitoring. Ang hamon sa engineering ay kung paano matutupad ang layuning iyon habang pinapaliit ang sensitibong impormasyong nakikita ng mga monitoring system at reviewer. Hindi nawawala ang usapin sa privacy dahil lamang may katwirang pangkaligtasan.

Ang kontrobersiya sa matematika: isang hindi pa nareresolbang alegasyon, isang tunay na problema sa tiwala

Ang kontrobersiya noong September 2026 tungkol sa anunsyo ng OpenAI sa Navier–Stokes ay nagbangon ng ibang alalahanin: ano ang nangyayari kapag ang assistant na tumutulong sa pribadong pananaliksik ay pag-aari ng isang kumpanyang nagsasagawa rin ng sarili nitong pananaliksik?

Ang alitan ay tungkol sa hindi pa nailalathalang gawaing matematikal at pagkilala sa kredito. Inilarawan sa mga ulat ang mga matematikong sina Tristan Buckmaster at Levent Alpöge na gumagamit ng mga AI tool sa kanilang trabaho, at si Buckmaster ay nagtanong kung ang kanilang pribadong materyal ay nakatulong sa naging resulta ng OpenAI. 10

Tinututulan ng OpenAI ang salaysay na iyon. Sinasabi sa inilathala nitong tugon na ni ang mga researcher nito ni ang mga ahente nito ay hindi nakita ang gawa ng dalawa bago ito mailathala. Sa isang update na may petsang 10 September, sinabi pa nito na ibinukod ng isang imbestigasyon ang anumang impluwensiya mula sa mga Codex prompt ni Buckmaster sa loob ng naunang dalawang buwan, kabilang sa pamamagitan ng training. Mas tiyak ang pahayag na iyon na may hangganang panahon kaysa sa naunang salaysay sa ilang pag-uulat. 11

Nananatiling pinagtatalunan ang mga pampublikong salaysay. Hindi independiyenteng pinatutunayan ng mga source na sinuri rito na ginamit ng OpenAI ang mga pribadong pag-uusap na iyon upang mabuo ang resulta nito.

Gayunman, inilalantad ng alitan ang isang tanong na nararapat sagutin nang malinaw: kapag dinadala ng mga tao ang hindi pa tapos na gawain sa AI, ano ang nagpoprotekta sa impormasyonal na halaga ng gawaing iyon? Ang pag-alis ng pangalan ng may-akda mula sa isang proof ay hindi nag-aalis sa proof. Ang pag-de-identify ng isang komersyal na estratehiya ay hindi ginagawang pampublikong pag-aari ang estratehiyang iyon.

Iyan ang dahilan kung bakit ang matibay na privacy ay nangangailangan ng mga proteksiyon para sa parehong identidad at nilalaman. Dapat maunawaan ng mga user kung maaaring pumasok ang kanilang materyal sa mga workflow ng training, research, evaluation, o review—at kung anong mga teknikal na kontrol ang nagpapatupad sa mga hangganang iyon.

Apat na tanong na hindi dapat kailanman pagsamahin sa iisa

Malaking bahagi ng kalituhan ay nagmumula sa pagtrato sa “private” bilang iisang katangian. Sa praktika, apat na magkakahiwalay na tanong ang tumutukoy sa nangyayari sa isang pag-uusap.

Training: Maaari bang makatulong ang nilalaman sa pagbuo o pagpapahusay ng isang modelo? Binabago ng isang opt-out ang isang pinapayagang paggamit ng impormasyon. Hindi nito kinakailangang binabago kung naipadala o naimbak ang impormasyon.

Access: Aling mga system at tao ang maaaring sumuri rito? Mahalaga ang encryption habang ipinapadala at iniimbak ang data, ngunit hindi nito awtomatikong pinipigilan ang isang awtorisadong serbisyo na i-decrypt ang nilalaman para sa pagproseso o pagsusuri.

Retention: Ano ang nananatili, saan, at gaano katagal? Magkakaibang operasyon ang pag-alis ng chat mula sa interface, pagbubura ng mga production record, pag-expire ng mga backup, at pagbubukod ng data mula sa future training.

Mga aksyon: Ano ang mababasa, mababago, o maipapadala ng isang nakakonektang assistant? Kapag kaya na nitong gumana sa pamamagitan ng iyong mga account, nakadepende rin ang privacy sa mga pahintulot at sa mga kontrol sa palabas na data.

Ang isang kapaki-pakinabang na paghahambing sa privacy ay pinananatiling magkakahiwalay ang mga tanong na iyon. Ang bayad na subscription, switch para sa training, o label na private-task ay hindi makakasagot sa lahat ng apat.

Paano naghahambing ang mga serbisyo

Ang talahanayan sa ibaba ay nakatuon sa indibidwal na paggamit maliban kung may ibang saklaw na nakasaad. Binubuod nito ang nirepasong dokumentasyon, hindi ang mga resulta ng isang independiyenteng security audit.

Serbisyo	Posisyon sa training	Ang hiwalay na hangganang dapat unawain
ChatGPT	Maaaring gamitin ang indibidwal na nilalaman para sa pagpapahusay; hindi kasama sa mga kontrol ang mga bagong pag-uusap at mga gawain sa Codex. Hindi kasama ang Temporary Chat. 4, 5	Hiwalay pa rin ang awtorisadong access at retention. May natatangi ring full-environment training setting ang Codex.
Claude	Nakadepende sa pinili ng user ang pagpapahusay ng consumer model; may hiwalay na mga patakaran para sa feedback at mga paggamit na may kaugnayan sa kaligtasan. Hindi kasama ang Incognito sa pangkalahatang pagpapahusay. 6	Nalalapat pa rin ang mga exception sa review at retention. May karagdagang retention requirements ang ilang komersyal na Covered Models. 7–9
Cursor	Hindi isinasama ng Privacy Mode ang customer data sa training ng Cursor at inilalarawan ang mga kaayusan ng provider na walang retention, alinsunod sa mga nakasaad na exception. 12	Dumadaan pa rin ang mga request sa backend ng Cursor. Mahalaga ang mga imbestigasyon sa abuso, caching, at mga notice na partikular sa modelo.
Perplexity	Naka-enable bilang default ang pangongolekta para sa consumer AI training, kabilang sa Pro at Max; maaaring mag-opt out ang mga user para sa hinaharap. 13	Hindi pinipigilan ng pag-opt out ang pagproseso para sa operasyon ng serbisyo o legal na pagsunod. Iba ang mga tuntunin ng Enterprise.
Manus	Nakatala sa dokumentasyon ng Team ang isang training opt-out; hindi napatunayan ng review na ito ang tiyak na patakaran sa training para sa indibidwal na plano. 15	Ang pagiging private by default ng mga indibidwal na gawain ay naglalarawan ng visibility sa pagbabahagi, hindi ng ganap na paghihigpit sa paggamit ng provider. 14
Meta’s Muse	Inilalarawan ng dokumentasyon sa paglulunsad ang training sa sanitized interaction data bilang default, na may opt-out. 16	Ang pagsa-sanitize bago ang training ay hindi katulad ng pagma-mask bago ang inference. Iba ang mga paghihigpit sa operator sa oras ng paglulunsad sa planong Confidential VM.
Dvina	Ang mga pag-uusap, file, prompt, at workspace data ay hindi ginagamit para mag-train ng mga AI model. 17, 18	Tinutugunan ng awtomatikong masking ang mas naunang hangganan: pinapalitan ang mga natukoy na personal identifier bago iproseso ng modelo.

Ipinapaliwanag ng mga detalye sa ibaba kung saan nagiging mahalaga ang mga pagkakaibang ito sa pang-araw-araw na paggamit.

ChatGPT at Claude: binabago ng aksyong ginagawa mo ang patakaran.

Pinapayagan ng OpenAI ang mga user na i-disable ang training nang hindi inaalis ang karaniwang chat history. Mas binabago pa ng Temporary Chat ang paghawak sa isang pag-uusap, ngunit pinapayagan pa rin ng dokumentasyon nito ang abuse review at inilalarawan ang 30-araw na panahon ng pagbura. Dapat ding ihiwalay ng mga user ng Codex ang account-wide content setting sa hiwalay nitong full-environment setting. 4, 5

Sa Claude, nararapat bigyan ng partikular na pansin ang feedback. Sinasabi ng Anthropic na ang thumbs-up, thumbs-down, o bug report ay maaaring magsama ng pag-iimbak ng kaugnay na pag-uusap nang hanggang limang taon at paggamit nito para sa mga layuning kabilang ang model training. Ang pag-enable ng pangkalahatang model improvement ay nagpapahintulot din sa mga kwalipikadong de-identified na materyal na manatili sa mga training pipeline nang hanggang limang taon. Hindi ito kapareho ng mga patakaran para sa karaniwang pagbura ng chat. 6, 7

Samakatuwid, maaaring gumawa ang isang tao ng ilang desisyon sa privacy sa loob ng iisang produkto nang hindi namamalayang magkakahiwalay na desisyon ang mga iyon. Dapat gawing malinaw ng disenyo ng produkto ang mga pagkakaibang iyon sa mismong punto ng paggamit.

Cursor at Perplexity: ang label ng produkto ay hindi hangganan ng pagproseso.

Nagbibigay ang Privacy Mode ng Cursor ng makabuluhang mga paghihigpit sa training at retention ng provider. Hindi nito ginagawang local-only ang editor: sinasabi ng Cursor na dumaraan pa rin ang mga request sa backend nito, kahit may API key na ibinigay ng user. Inilalarawan din ng dokumentasyon nito ang pansamantalang encrypted file caching at mga exception na kaugnay ng mga imbestigasyon sa abuso o mga itinalagang modelo. 12

Ipinapakita ng Perplexity ang ibang uri ng pagkakaiba. Ang mga Free, Pro, at Max account nito ay saklaw ng mga consumer training control, na naka-enable bilang default ang pangongolekta. Ang inilathalang opt-out ay nalalapat sa data na kokolektahin pagkatapos nito, hindi sa retroaktibong pag-aalis ng mas naunang training data. Ang pagbili ng personal na subscription ay hindi ginagawa itong Enterprise account. 13

Sa parehong kaso, ang mahalagang tanong ay kung ano ang binabago ng napiling mode at account—hindi kung ano ang tila ipinahihiwatig ng pangalan ng produkto.

Manus at Muse: kailangan pa rin ng mga private workspace ng tahasang mga hangganan.

Sinasabi ng Manus na private ang mga indibidwal na gawain maliban kung ibinahagi. Ipinapaliwanag din ng dokumentasyon ng Team nito na maaaring ma-access ng mga owner ang nilalaman ng mga team session. Mahahalagang patakaran sa visibility ang mga ito, ngunit hindi nito itinatatag ang patakaran sa training para sa indibidwal. Hindi nakuha ang buong privacy page ng Manus para sa review na ito, kaya nananatiling hindi napatunayan ang tanong na iyon sa halip na punan mula sa ibang plano. 14, 15

Hindi pangkaraniwan ang pagiging tahasan ng dokumentasyon sa paglulunsad ng Muse tungkol sa pagkakaiba ng mga paghihigpit sa operasyon at teknikal na pag-iwas. Sinasabi ng Meta na nililimitahan ng Secure VM sa oras ng paglulunsad ang access ng staff sa pamamagitan ng mga patakaran ngunit hindi nito pinipigilan ang access kapag kailangan para patakbuhin, suportahan, o seguruhin ang serbisyo. Ang isang Confidential VM na nilalayong cryptographically pigilan ang access ng operator ay inilarawang paparating at nasa limitadong pagsubok. Ang isang planadong proteksyon ay hindi dapat ituring na para bang available na ito sa lahat. 16

Iniiwas din ng Muse ang mga totoong connector credential mula sa pangunahing agent nito at inilalagay ang mga pag-apruba sa aksyon sa ilalim ng hiwalay na permission authority. Ipinapakita nito ang isang mahalagang prinsipyo: hindi dapat makatanggap ang isang agent ng isang lihim o pahintulot dahil lamang maaaring maging maginhawa ito. 16

Ilipat ang proteksyon sa puntong bago ang exposure

Pinamamahalaan ng training exclusion ang isang paggamit ng data. Binabago ng masking ang data na available para sa pagproseso. Binabawasan ng restricted retention ang mga kopyang nananatili. Nililimitahan ng mga permission control kung ano ang magagawa ng isang agent. Magkakatugma ang mga proteksyong ito, at mahalaga ang yugto kung kailan gumagana ang bawat isa.

Isaalang-alang ang isang halimbawang kahilingan: sumulat ng follow-up sa isang kliyente sa isang partikular na email address. Maaaring kailanganin ng modelo ang layunin, tono, at mga kaugnay na pangako. Maaaring hindi nito kailangan ang tunay na pangalan o address ng kliyente para mabuo ang mensahe. Ang pagpapalit sa mga natukoy na identifier na iyon ng mga placeholder bago ang inference ay nagpapabawas sa impormasyong natatanggap ng modelo habang napapanatili ang kapaki-pakinabang na istruktura ng gawain.

Iba iyon sa pagpapadala ng orihinal na teksto at pangakong aalisin ang mga identifier bago ang iba pang paggamit sa hinaharap.

Ang parehong prinsipyong ito ay umaabot lampas sa mga personal na identifier. Ang kumpidensyal na pananaliksik ay nangangailangan ng mga kontrol sa mismong nilalaman ng pananaliksik; ang mga nakakonektang account ay nangangailangan ng mahigpit na nilimitahang mga pahintulot; ang mga nakaimbak na rekord ay nangangailangan ng malinaw na itinakdang tagal ng pag-iingat at naipapatupad na mga paghihigpit sa pag-access. Ang pagtatakip ng identidad ay isang bahagi lamang ng disenyong iyon, hindi kapalit ng pagprotekta sa mismong nilalaman ng isang imbensyon o dokumento.

May kaugnay na gawain sa buong industriya. Naglabas ang OpenAI ng locally runnable Privacy Filter noong Abril 2026, at inilalarawan ng dokumentasyon ng Meta’s Muse ang teknikal na isolation at isang mas matibay na confidential-computing design na kasalukuyang dine-develop. Sinusuportahan ng mga pagsisikap na ito ang argumento para i-engineer ang privacy sa mismong sistema. Gayunman, ang paglabas ng isang tool o roadmap ay hindi, sa sarili nito, ebidensiya na bawat pag-uusap ng consumer ay tumatanggap na ng katumbas na proteksiyon. 16, 19

Ang pamantayan ay dapat ang proteksiyong natatanggap ng isang tao sa produktong ginagamit niya ngayon.

Dvina: gawing bahagi ng normal na interaksiyon ang privacy

Dinadala ng diskarte ng Dvina ang mas maagang proteksiyong ito sa karanasan ng assistant. Ayon sa dokumentadong disenyo nito, lokal nitong natutukoy ang sensitibong personal na impormasyon habang nagta-type ang mga tao o nag-a-upload ng nilalaman, ini-encrypt ang natukoy na personal na data, at nagpapalit ng mga placeholder bago ang pagproseso ng modelo. Gumagana ang modelo gamit ang mga placeholder na iyon sa halip na ang orihinal na mga natukoy na identifier. 17, 18

Praktikal ang kaibhan. Hindi dapat kailanganin ng isang user na putulin ang bawat gawain para mano-manong alisin ang mga pangalan at detalye sa pakikipag-ugnayan, o umasa lamang sa isang pangako tungkol sa mangyayari pagkatapos matanggap ng modelo ang mga ito. Dapat kasabay ng interaksiyon ang proteksiyon.

Hindi rin isinasama ng Dvina ang mga pag-uusap, file, prompt, at workspace data ng user sa model training. Mahalaga ang kombinasyong ito: nililimitahan ng pangakong walang training ang muling paggamit, habang nililimitahan naman ng pre-processing protection ang personal na impormasyong nalalantad sa modelo sa simula pa lang. 17, 18

May iba pang mga layer na sumusuporta sa diskarteng iyon. Inilalarawan ng Dvina ang encrypted conversation storage, paghihiwalay sa pagitan ng mga nakaimbak na mensahe at identidad ng user, at data na naka-host sa EU na may mga proteksiyong nasa antas ng GDPR. Bawat isa ay tumutugon sa magkaibang bahagi ng proseso ng paghawak sa data sa halip na iasa ang buong pasanin sa iisang training preference. 17, 18

Tiyak ang teknikal na pagkakaiba: ang mga natukoy na personal na identifier ay pinapalitan sa input ng modelo habang nananatiling magagamit para sa pagproseso ang nakapaligid na gawain. Nagiging bahagi ng daloy ng data ang privacy, sa halip na maging isang preference lamang na kailangang tandaan ng mga user na pamahalaan.

Para sa akin, ito ang mas kapaki-pakinabang na direksiyon para sa AI: hayaan ang mga tao na magdala ng makabuluhang konteksto sa kanilang trabaho habang idinidisenyo ang sistema upang magbunyag ng mas kaunti sa kanilang identidad kaysa sa kinakailangan ng gawain.

Konklusyon: ang privacy ang magtatakda kung hanggang saan papapasukin ng mga tao ang AI sa kanilang buhay

Mas nagiging kapaki-pakinabang ang mga AI assistant habang mas nauunawaan nila ang ating mga kalagayan. Lumilikha iyon ng pananagutang protektahan ang impormasyong nasa likod ng pag-unawang iyon. Ang paghingi sa mga tao ng mas malawak na access habang isa na namang settings page lamang ang iniaalok ay hindi sapat na sagot.

Itinuturo ng ebidensiya ang ilang magkakaibang panganib. Maaaring maglantad ng data sa iba’t ibang account ang software. Maaaring mapasailalim sa mga legal na kahilingan ang mga nakaimbak na pag-uusap. Maaaring umiral ang awtorisadong pagsusuri kahit walang security breach. Maaaring makasira sa tiwala ang mga alitan tungkol sa pribadong pananaliksik kahit hindi pa independiyenteng napatutunayan ang alegasyon.

Ang mga panganib na iyon ay nangangailangan ng gawaing pang-engineering, hindi lang mas mahusay na pananalita. Ang pagtukoy sa sensitibong data, pre-processing protection, paghihiwalay ng identidad, limitadong retention, at naipapatupad na mga pahintulot ay dapat tumanggap ng tuloy-tuloy na atensiyon bilang mga pundamental na kakayahan sa kaligtasan ng AI. Dapat umusad nang magkasabay ang pagiging kapaki-pakinabang ng isang assistant at ang proteksiyon ng gumagamit nito.

Sa Dvina, tumutulong kaming manguna sa pagbabagong iyon sa pamamagitan ng paggawa sa proteksiyon bago ang model processing bilang bahagi ng pundasyon ng produkto. Ang ambisyon ay hindi humingi ng mas malaking tiwala sa pamamagitan ng mas matitinding pahayag. Ito ay bawasan kung gaano karaming tiwala ang kailangang umasa sa isang pangako lamang.

Dapat makahanap ang mga tao ng tulong, makabuo ng ideya, at maibahagi ang kontekstong kailangan upang makausad nang hindi itinuturing ang bawat pag-uusap bilang posibleng pagsuko ng kanilang privacy. Ang pagbuo ng kumpiyansang iyon ay isa sa pinakamahahalagang gawaing nasa unahan para sa AI.

Mga sanggunian at saklaw

Sinuri ang mga sanggunian noong 22 September 2026. Nakabatay ang artikulong ito sa dokumentasyon ng provider at attributed reporting; hindi ito isang independent security audit. Ang mga individual plan ang pangunahing saklaw ng paghahambing. Ang mga commercial, API, at model-specific na exception ay hiwalay na tinutukoy. Ibinubukod ng seksiyon sa mathematics ang mga naiulat na alalahanin mula sa updated response ng OpenAI; wala sa dalawa ang inihaharap bilang isang independent finding. Nananatiling hindi beripikado ang individual-plan training rule ng Manus dahil hindi makuha ang buo nitong privacy policy.