Mielőtt megosztod: az MI-adatvédelemhez több kell egy ígéretnél

Bevezetés: a beszélgetés egyre inkább az életed részévé válik

Megnyitsz egy MI-asszisztenst, hogy megírj egy nehéz választ. Bemásolod az üzenetet, elmagyarázod a kapcsolatot, és hozzáadsz néhány részletet, amelyet máshol még nem osztottál meg. Egy másik napon feltöltesz egy szerződést, megbeszélsz egy befejezetlen ötletet, vagy összekapcsolod a bejövő leveleidet, hogy az asszisztens megértse, mi igényli a figyelmedet.

Ezek közül egyik sem érződik közzétételnek. Segítséget kérsz.

Az információ mégis áthaladhat olyan infrastruktúrán, tárolórendszereken, felülvizsgálati folyamatokon és jogi kötelezettségeken, amelyek a beszélgetési ablakból nézve nagyrészt láthatatlanok. Egy asszisztens jóval azelőtt személyesnek tűnhet, hogy az adataid kezelésének módja valóban megfelelne ennek az elvárásnak.

Az álláspontom egyszerű: az MI-adatvédelem nem függhet kizárólag attól, mit ígér egy vállalat azután, hogy megkapta az információidat. Attól is függenie kell, hogy a rendszerei eleve mit akadályoznak meg abban, hogy eljusson a modellhez. A szabályzatok számítanak. De technikai védelemnek is állnia kell mögöttük.

Ezt a cikket a Dvina csapatának támogatásával készítettem. Dokumentált incidenseket és jelenlegi gyakorlatokat vizsgál a ChatGPT, Claude, Cursor, Perplexity, Manus, Meta Muse és Dvina esetében. A cél annak bemutatása, miért kell az adatvédelemnek központi mérnöki prioritássá válnia, ahogy az MI egyre mélyebben beépül az életünkbe — és hogyan közelíti meg ezt a felelősséget a Dvina.

Mit mondanak az incidensek

Az aggodalom nem elméleti. De a különböző típusú bizonyítékok különböző problémákat tárnak fel. Egy megerősített adatkitettséget, egy engedélyezett emberi felülvizsgálatot és egy kutatási visszaéléssel kapcsolatos állítást nem szabad úgy bemutatni, mintha ugyanaz az esemény lenne.

A ChatGPT 2023-as adatkitettsége: maga a rendszer vallott kudarcot.

On 20 March 2023, a software bug allowed some ChatGPT users to see titles from another active user’s conversation history. OpenAI said the first message of a newly created conversation might also have been visible in certain circumstances. Its investigation identified possible exposure of payment-related information for 1.2% of Plus subscribers active during a particular nine-hour period. Full card numbers were not exposed. OpenAI patched the bug and notified affected users. 1

A tanulság nem az, hogy ugyanaz a sérülékenység továbbra is nyitva áll. Hanem az, hogy egy adatvédelmi vállalás önmagában nem tudja megakadályozni, hogy egy rendszer rossz személynek adjon vissza információt. Az elkülönítés, a hozzáférés-ellenőrzések és az is számít, mennyi azonosításra alkalmas információ áll rendelkezésre ahhoz, hogy egyáltalán kiszivároghasson.

A The New York Times pere: a törlés jogi kötelezettségbe ütközött.

2025-ben az OpenAI-val szemben bírósági végzés született, amely előírta olyan adatok megőrzését, amelyeket egyébként töröltek volna. Az októberi frissítés szerint az új adatok határozatlan idejű megőrzésére vonatkozó, széles körű kötelezettség 2025. szeptember 26-án megszűnt, miközben egy korlátozott történeti adatkészlet továbbra is jogi zárolás alatt maradt. Az eredeti megőrzési kötelezettség bizonyos termékekre és a nulla adatmegőrzésű megállapodásokra nem terjedt ki. 2

Egy későbbi fejleményt külön kell értelmezni: 2025 decemberében a Reuters arról számolt be, hogy egy bíró a szerzői jogi ügyben 20 millió anonimizált chatnapló átadására kötelezte az OpenAI-t, elutasítva annak kifogásait, és a deidentifikálásra, valamint a védelmi biztosítékokra támaszkodva. Ez bizonyításfelvételi végzés volt, nem pedig mindenki privát chatjeinek közzététele az interneten. 3

Ezek az események együtt azt mutatják, miért nem rendez minden kérdést egy törlési beállítás a megőrzött információkról. Ha már létezik egy másolat, a felhasználó ellenőrzésén kívül eső kötelezettségek is befolyásolhatják, mi történik vele. A szükségtelen adatmegőrzés csökkentése még a vita kezdete előtt mérsékli ezt a kitettséget.

Emberi felülvizsgálat: hozzáférés incidens nélkül is engedélyezhető.

Az OpenAI fogyasztói dokumentációja kifejezetten lehetővé teszi a korlátozott hozzáférést felhatalmazott munkatársak és szolgáltatók számára meghatározott célokra, többek között biztonsági vizsgálatokhoz, támogatáshoz, jogi ügyekhez és az arra jogosult modellfejlesztéshez. Az Anthropic fogyasztói útmutatója megengedi, hogy kijelölt munkatársak a használati szabályok betartatásához átnézzék a beszélgetéseket, a hozzájárulással adott visszajelzésekhez pedig külön hozzáférés kapcsolódik. 4, 8

Ezek dokumentált hozzáférési utak, nem pletykák. Nem bizonyítják, hogy az alkalmazottak minden beszélgetést elolvasnak. Azt viszont igen, hogy egy privátnak tűnő chatfelület nem feltétlenül jelent technikai akadályt a szolgáltatói hozzáféréssel szemben.

Az Anthropic jelenlegi dokumentációja egy fontos üzleti oldali példát is hozzátesz. A kijelölt Covered Models modellek esetében bizonyos olyan telepítésekben, amelyek korábban nulla adatmegőrzést használtak, 30 napos megőrzést ír elő, ellenőrzött emberi felülvizsgálattal és kivételekkel. A szabálynak modell-, platform- és jogosultsági határai vannak; nem jelent általános változást minden Claude termékre. A fogyasztói csomagokat a leírás szerint ez nem érinti, mert ezek a felületek már most is megőrzik a bemeneteket és a kimeneteket. 9

A biztonsági monitorozásnak legitim célja van. A mérnöki kihívás az, hogy ezt a célt úgy lehessen teljesíteni, hogy közben a monitorozó rendszerek és felülvizsgálók számára elérhető érzékeny információk mennyisége a lehető legkisebb legyen. A biztonsági indoklás nem tünteti el a magánszféra kérdését.

A matematikai vita: lezáratlan állítás, valós bizalmi probléma

Az OpenAI Navier–Stokes-bejelentése körüli, 2026 szeptemberi vita egy másik aggodalmat vetett fel: mi történik akkor, ha a privát kutatásban segítő asszisztens egy olyan céghez tartozik, amely maga is kutatást végez?

A vita kiadatlan matematikai munkáról és az elismerésről szólt. A beszámolók szerint Tristan Buckmaster és Levent Alpöge matematikusok AI-eszközöket használtak a munkájukban, és Buckmaster megkérdőjelezte, hogy a privát anyagaik hozzájárulhattak-e az OpenAI eredményéhez. 10

Az OpenAI vitatja ezt a beszámolót. Közzétett válasza szerint sem a kutatói, sem a megbízottjai nem látták a páros munkáját a publikálás előtt. Egy szeptember 10-i frissítésben azt is közölte, hogy egy vizsgálat kizárta Buckmaster Codex-promptjainak bármilyen hatását az azt megelőző két hónapban, beleértve a tréning útján történő hatást is. Ez az időben behatárolt állítás konkrétabb, mint a korábbi, egyes beszámolókban szereplő leírás. 11

A nyilvános beszámolók továbbra is vitatottak. Az itt áttekintett források önállóan nem bizonyítják, hogy az OpenAI ezeket a privát beszélgetéseket használta volna fel az eredményének létrehozásához.

A vita mindazonáltal rávilágít egy olyan kérdésre, amelyre érdemes egyértelmű választ adni: amikor az emberek befejezetlen munkát visznek AI-hoz, mi védi meg e munka információs értékét? Egy bizonyításból a szerző nevének eltávolítása nem tünteti el magát a bizonyítást. Egy kereskedelmi stratégia deidentifikálása nem teszi azt köztulajdonná.

Ezért van szükség ahhoz, hogy a magánszféra védelme erős legyen, mind az identitásra, mind a tartalomra kiterjedő biztosítékokra. A felhasználóknak érteniük kell, hogy az anyaguk bekerülhet-e tréning-, kutatási, értékelési vagy felülvizsgálati folyamatokba — és milyen technikai kontrollok érvényesítik ezeket a határokat.

Négy kérdés, amelyet soha nem szabad egyetlen kérdéssé összemosni

A zavar nagy része abból fakad, hogy a „privát” szót egyetlen tulajdonságként kezeljük. A gyakorlatban négy külön kérdés határozza meg, mi történik egy beszélgetéssel.

Tréning: Segítheti-e a tartalom egy modell fejlesztését vagy javítását? A leiratkozás egy információ megengedett felhasználását változtatja meg. Nem feltétlenül változtatja meg azt, hogy az információt továbbították-e vagy tárolták-e.

Hozzáférés: Mely rendszerek és emberek vizsgálhatják meg? Az átvitel és a tárolás közbeni titkosítás fontos, de nem akadályozza meg automatikusan, hogy egy felhatalmazott szolgáltatás feldolgozás vagy felülvizsgálat céljából visszafejtse a tartalmat.

Megőrzés: Mi marad meg, hol, és mennyi ideig? Egy chat eltávolítása a felületről, az éles rendszerekben lévő rekordok törlése, a biztonsági mentések lejárata és az adatok kizárása a jövőbeli tréningből különböző műveletek.

Műveletek: Mit tud egy csatlakoztatott asszisztens elolvasni, módosítani vagy elküldeni? Miután a fiókjaidon keresztül is tud dolgozni, az adatvédelem a jogosultságoktól és a kimenő adatok feletti ellenőrzéstől is függ.

Egy hasznos adatvédelmi összehasonlítás ezeket a kérdéseket külön kezeli. Egy fizetős előfizetés, egy tanítási kapcsoló vagy egy privát feladatcímke önmagában nem ad választ mind a négyre.

Hogyan hasonlíthatók össze a szolgáltatások

Az alábbi táblázat az egyéni használatra összpontosít, kivéve, ha más hatókör szerepel. Az áttekintett dokumentációt foglalja össze, nem pedig egy független biztonsági audit eredményeit.

Szolgáltatás	Tanítási álláspont	A külön határ, amelyet érdemes megérteni
ChatGPT	Az egyéni tartalom felhasználható fejlesztésre; a vezérlők kizárják az új beszélgetéseket és a Codex-feladatokat. A Temporary Chat ki van zárva. 4, 5	Az engedélyezett hozzáférés és a megőrzés továbbra is külön kérdés. A Codexnek emellett külön, teljes környezetre vonatkozó tanítási beállítása is van.
Claude	A fogyasztói modell fejlesztése a felhasználó döntésétől függ; a visszajelzésekre és a biztonsággal kapcsolatos felhasználásokra külön szabályok vonatkoznak. Az Incognito ki van zárva az általános fejlesztésből. 6	A felülvizsgálati és megőrzési kivételek továbbra is érvényesek. Bizonyos kereskedelmi Covered Models modellekre további megőrzési követelmények vonatkoznak. 7–9
Cursor	A Privacy Mode kizárja az ügyféladatokat a Cursor tanításából, és ismerteti a szolgáltatókra vonatkozó megőrzésmentes megállapodásokat, a megadott kivételek mellett. 12	A kérések továbbra is a Cursor backendjén haladnak át. Fontosak a visszaélések kivizsgálása, a gyorsítótárazás és a modellspecifikus tájékoztatások.
Perplexity	A fogyasztói AI-tanításhoz történő adatgyűjtés alapértelmezetten engedélyezett, a Pro és Max csomagokban is; a felhasználók előretekintően leiratkozhatnak. 13	A leiratkozás nem állítja le a feldolgozást a szolgáltatás működtetése vagy a jogi megfelelés céljából. A vállalati feltételek eltérnek.
Manus	A Team dokumentáció említ egy tanításból való leiratkozást; ez az áttekintés nem tudta ellenőrizni az egyéni csomagra vonatkozó végleges tanítási szabályt. 15	Az, hogy az egyéni feladatok alapértelmezetten privátak, a megosztási láthatóságot írja le, nem pedig a szolgáltatói felhasználás teljes korlátozását. 14
Meta’s Muse	Az induláskori dokumentáció szerint a rendszer alapértelmezetten megtisztított interakciós adatokon tanul, leiratkozási lehetőséggel. 16	A tanítás előtti megtisztítás nem ugyanaz, mint az inferencia előtti maszkolás. Az induláskori operátori korlátozások eltérnek a tervezett Confidential VM-től.
Dvina	A beszélgetéseket, fájlokat, promptokat és munkaterületi adatokat nem használják AI-modellek tanítására. 17, 18	Az automatikus maszkolás egy korábbi határnál avatkozik be: a felismert személyes azonosítókat a modellfeldolgozás előtt lecseréli.

Az alábbi részletek megmutatják, hol válnak ezek a különbségek fontossá a mindennapi használatban.

ChatGPT és Claude: a végrehajtott művelet megváltoztatja a szabályt.

Az OpenAI lehetővé teszi a felhasználóknak, hogy kikapcsolják a tanítást anélkül, hogy a szokásos csevegési előzményeket eltávolítanák. A Temporary Chat tovább módosítja egy beszélgetés kezelését, de a dokumentációja így is lehetővé teszi a visszaélések felülvizsgálatát, és 30 napos törlési időszakot ír le. A Codex felhasználóinak azt is meg kell különböztetniük, hogy mi vonatkozik a fiókszintű tartalombeállításra, és mi a külön teljes környezetre vonatkozó beállításra. 4, 5

Claude esetében a visszajelzések különös figyelmet érdemelnek. Az Anthropic szerint egy pozitív vagy negatív értékelés, illetve egy hibajelentés magában foglalhatja a kapcsolódó beszélgetés legfeljebb öt évig tartó tárolását és olyan célokra való felhasználását, mint például a modell tanítása. Az általános modellfejlesztés engedélyezése azt is lehetővé teszi, hogy a jogosult, azonosításmentesített anyagok legfeljebb öt évig a tanítási folyamatokban maradjanak. Ezek nem ugyanazok a szabályok, mint a szokásos csevegéstörlésre vonatkozók. 6, 7

Egy ember ezért egyetlen terméken belül is több adatvédelmi döntést hozhat anélkül, hogy észrevenné: ezek külön döntések. A terméktervezésnek ezeket a különbségeket a használat pillanatában egyértelművé kell tennie.

Cursor és Perplexity: egy termékcímke nem feldolgozási határ.

A Cursor Privacy Mode-ja érdemi korlátozásokat ad a tanításra és a szolgáltatói megőrzésre. Ettől a szerkesztő még nem válik kizárólag helyi működésűvé: a Cursor szerint a kérések továbbra is a backendjén keresztül haladnak, még felhasználó által megadott API-kulcs esetén is. A dokumentáció ideiglenes, titkosított fájlgyorsítótárazást és a visszaélések kivizsgálásához vagy kijelölt modellekhez kapcsolódó kivételeket is leír. 12

A Perplexity egy másik különbséget szemléltet. A Free, Pro és Max fiókok a fogyasztói tanítási vezérlők alá tartoznak, ahol az adatgyűjtés alapértelmezetten engedélyezett. A közzétett leiratkozás a később gyűjtött adatokra vonatkozik, nem a korábbi tanítási adatok visszamenőleges eltávolítására. Egy személyes előfizetés megvásárlásától még nem lesz belőle Enterprise fiók. 13

Mindkét esetben az a lényeges kérdés, hogy a kiválasztott mód és fiók mit változtat meg — nem az, amit a terméknév látszólag sugall.

Manus és Muse: a privát munkaterületekhez is egyértelmű határok kellenek.

A Manus szerint az egyéni feladatok privátak, hacsak nem osztják meg őket. A Team dokumentációja azt is elmagyarázza, hogy a tulajdonosok hozzáférhetnek a csapatszintű munkamenetek tartalmához. Ezek hasznos láthatósági szabályok, de nem határozzák meg az egyéni tanítási irányelvet. A teljes Manus adatvédelmi oldal ehhez az áttekintéshez nem volt elérhető, ezért ez a kérdés továbbra is ellenőrizetlen marad, ahelyett hogy egy másik csomagból lenne kitöltve. 14, 15

A Muse induláskori dokumentációja szokatlanul egyértelműen különíti el a működési korlátozásokat a technikai megelőzéstől. A Meta szerint az induláskori Secure VM szabályzatok révén korlátozza a személyzeti hozzáférést, de nem akadályozza meg a hozzáférést, ha az a szolgáltatás működtetéséhez, támogatásához vagy biztonságához szükséges. Egy olyan Confidential VM-et, amelynek célja az operátori hozzáférés kriptográfiai megakadályozása, jövőbeli fejlesztésként és korlátozott tesztelés alatt állóként írtak le. Egy tervezett védelem nem tekinthető úgy, mintha már mindenki számára elérhető lenne. 16

A Muse emellett a valódi csatlakozói hitelesítő adatokat távol tartja a fő ügynökétől, és a műveleti jóváhagyásokat külön jogosultsági hatóság alá helyezi. Ez egy értékes elvet szemléltet: egy ügynök ne kapjon meg egy titkot vagy egy jogosultságot pusztán azért, mert az kényelmes lehet. 16

A védelmet még a kitettség előtt kell érvényesíteni

A tanításból való kizárás az adatok egyik felhasználását szabályozza. A maszkolás megváltoztatja, milyen adatok állnak rendelkezésre a feldolgozáshoz. A korlátozott megőrzés csökkenti a megmaradó másolatok számát. A jogosultsági vezérlők korlátozzák, hogy egy ügynök mit tehet. Ezek a védelmek kiegészítik egymást, és számít, hogy melyik melyik szakaszban működik.

Vegyünk egy szemléletes kérést: írj egy utánkövető emailt egy ügyfélnek egy adott emailcímre. A modellnek szüksége lehet a célra, a hangnemre és a releváns vállalásokra. Lehet, hogy az üzenet megfogalmazásához nincs szüksége az ügyfél valódi nevére vagy címére. Ha ezeket a felismert azonosítókat még az inferencia előtt helyőrzőkre cseréljük, az csökkenti, milyen adatokat kap a modell, miközben megőrzi a feladat hasznos szerkezetét.

Ez nem ugyanaz, mint elküldeni az eredeti szöveget, és megígérni, hogy az azonosítókat majd valamilyen későbbi felhasználás előtt eltávolítják.

Ugyanez az elv túlmutat a személyes azonosítókon. A bizalmas kutatáshoz magára a kutatási tartalomra vonatkozó kontrollok kellenek; az összekapcsolt fiókokhoz szűken meghatározott jogosultságok; a megőrzött nyilvántartásokhoz pedig meghatározott megőrzési idők és kikényszeríthető hozzáférési korlátozások. A személyazonosság elfedése ennek a kialakításnak az egyik eleme, nem pedig az innováció vagy a dokumentum lényegének védelmét helyettesítő megoldás.

Az iparágban több releváns kezdeményezés is van. Az OpenAI 2026 áprilisában kiadott egy helyben futtatható Privacy Filtert, a Meta Muse dokumentációja pedig technikai izolációt és egy fejlesztés alatt álló, erősebb confidential-computing kialakítást ír le. Ezek az erőfeszítések alátámasztják azt az érvet, hogy a magánszféra védelmét a rendszerbe kell beépíteni. Egy eszköz kiadása vagy egy roadmap azonban önmagában nem bizonyíték arra, hogy minden fogyasztói beszélgetés már most megkapja a megfelelő védelmet. 16, 19

A mérce annak a védelemnek kell lennie, amelyet az ember abban a termékben kap, amelyet ma használ.

Dvina: a magánszféra védelme legyen a normál interakció része

A Dvina megközelítése ezt a korábbi védelmet hozza be az asszisztensélménybe. Dokumentált kialakítása szerint helyben észleli az érzékeny személyes információkat, miközben az emberek gépelnek vagy tartalmat töltenek fel, titkosítja a felismert személyes adatokat, és helyőrzőket illeszt be a modellfeldolgozás előtt. A modell ezekkel a helyőrzőkkel dolgozik, nem az eredeti felismert azonosítókkal. 17, 18

A különbség gyakorlati. A felhasználónak nem kellene minden feladatot megszakítania azért, hogy kézzel eltávolítsa a neveket és az elérhetőségeket, vagy kizárólag egy olyan ígéretre hagyatkoznia, hogy mi történik majd azután, hogy a modell megkapta ezeket. A védelemnek együtt kell járnia az interakcióval.

A Dvina emellett kizárja a felhasználói beszélgetéseket, fájlokat, promptokat és munkaterületi adatokat a modelltréningből. Ez a kombináció számít: a tréningtilalom korlátozza az újrafelhasználást, míg az előfeldolgozásos védelem eleve korlátozza, mennyi személyes információ kerül a modell elé. 17, 18

Más rétegek is támogatják ezt a megközelítést. A Dvina titkosított beszélgetéstárolást, a tárolt üzenetek és a felhasználói identitás szétválasztását, valamint EU-ban hosztolt adatokat ír le GDPR-szintű védelemmel. Mindegyik az adatkezelési folyamat más-más részét kezeli, ahelyett hogy egyetlen tréningbeállításra bízná a teljes terhet. 17, 18

A technikai különbség pontos: a felismert személyes azonosítókat a modell bemenetében cserélik le, miközben a környező feladat továbbra is feldolgozható marad. A magánszféra védelme így az adatáramlás részévé válik, nem csupán egy beállítássá, amelynek kezelésére a felhasználóknak emlékezniük kell.

Számomra ez a hasznosabb irány az AI számára: engedjük, hogy az emberek érdemi kontextust vigyenek be a munkájukba, miközben úgy tervezzük meg a rendszert, hogy a feladat által megköveteltnél kevesebbet fedjen fel az identitásukból.

Következtetés: a magánszféra védelme fogja meghatározni, milyen mélyen engedik be az emberek az AI-t az életükbe

Az AI-asszisztensek annál hasznosabbak, minél többet értenek a körülményeinkből. Ez felelősséget teremt az e megértés mögött álló információk védelmére. Nem elégséges válasz az, ha nagyobb hozzáférést kérünk az emberektől, miközben csak még egy beállítási oldalt kínálunk nekik.

A bizonyítékok több, egymástól elkülönülő kockázatra mutatnak. A szoftver fiókok között is felfedhet adatokat. A tárolt beszélgetések jogi követelések tárgyává válhatnak. Jogosult felülvizsgálat biztonsági incidens nélkül is létezhet. A magánkutatással kapcsolatos viták pedig akkor is alááshatják a bizalmat, ha az állítást nem támasztották alá független módon.

Ezek a kockázatok mérnöki munkát igényelnek, nem csupán jobb megfogalmazást. Az érzékeny adatok észlelése, az előfeldolgozásos védelem, az identitás szétválasztása, a korlátozott megőrzés és a kikényszeríthető jogosultságok tartós figyelmet érdemelnek mint az AI-biztonság alapvető képességei. Az asszisztens hasznosságának és a felhasználó védelmének együtt kell fejlődnie.

A Dvina-val ennek az elmozdulásnak az élére állunk azzal, hogy a modellfeldolgozás előtti védelmet a termék alapjává tesszük. A cél nem az, hogy erősebb állításokkal több bizalmat kérjünk. Hanem az, hogy csökkentsük, mennyi bizalomnak kell pusztán egy ígéreten nyugodnia.

Az embereknek képesnek kell lenniük segítséget kérni, egy ötletet kidolgozni, és megosztani a továbblépéshez szükséges kontextust anélkül, hogy minden beszélgetést a magánszférájuk lehetséges feladásaként kellene kezelniük. Ennek a bizalomnak a felépítése az AI előtt álló egyik legfontosabb feladat.

Források és hatókör

A források áttekintése 2026. szeptember 22-én történt. Ez a cikk szolgáltatói dokumentációra és névvel vállalt sajtóbeszámolókra támaszkodik; nem független biztonsági audit. Az összehasonlítás fő hatóköre az egyéni csomagok. Az üzleti, API- és modellspecifikus kivételeket külön jelöljük. A matematikai szakasz különbséget tesz a jelentett aggályok és az OpenAI frissített válasza között; egyiket sem mutatjuk be független megállapításként. A Manus egyéni csomagra vonatkozó tréningszabálya továbbra sem ellenőrzött, mert a teljes adatvédelmi szabályzata nem volt elérhető.