Para se ta ndash: privatësia e AI-së kërkon më shumë se një premtim

Hyrje: biseda po bëhet jeta juaj

Hapni një asistent AI për të shkruar një përgjigje të vështirë. Ngjisni mesazhin, shpjegoni marrëdhënien dhe shtoni disa detaje që nuk i keni ndarë askund tjetër. Një ditë tjetër, ngarkoni një kontratë, diskutoni një ide të papërfunduar ose lidhni inbox-in tuaj që asistenti të kuptojë çfarë kërkon vëmendjen tuaj.

Asnjë nga këto veprime nuk të jep ndjesinë e publikimit. Ju po kërkoni ndihmë.

Megjithatë, informacioni mund të kalojë përmes infrastrukturës, sistemeve të ruajtjes, proceseve të rishikimit dhe detyrimeve ligjore që mbeten kryesisht të padukshme nga dritarja e bisedës. Një asistent mund të duket personal shumë kohë përpara se mënyra si trajton të dhënat tuaja të përputhet me atë pritshmëri.

Qëndrimi im është i thjeshtë: privatësia e AI-së nuk duhet të varet vetëm nga ajo që një kompani premton të bëjë pasi të ketë marrë informacionin tuaj. Ajo duhet të varet edhe nga ajo që sistemet e saj pengojnë të arrijë te modeli që në radhë të parë. Politikat kanë rëndësi. Ato kanë nevojë për mbrojtje teknike pas tyre.

E përgatita këtë artikull me mbështetjen e ekipit të Dvina. Ai shqyrton incidente të dokumentuara dhe praktika aktuale në ChatGPT, Claude, Cursor, Perplexity, Manus, Meta’s Muse dhe Dvina. Qëllimi është të shpjegojë pse privatësia duhet të bëhet një përparësi qendrore inxhinierike ndërsa AI bëhet gjithnjë e më e përfshirë në jetët tona—dhe si po i qaset Dvina kësaj përgjegjësie.

Çfarë na tregojnë incidentet

Shqetësimi nuk është hipotetik. Por lloje të ndryshme provash zbulojnë probleme të ndryshme. Një ekspozim i konfirmuar i të dhënave, një rishikim njerëzor i autorizuar dhe një pretendim për keqpërdorim në kërkim nuk duhet të paraqiten sikur të ishin i njëjti lloj ngjarjeje.

Ekspozimi i ChatGPT në 2023: një dështim i vetë sistemit.

Më 20 March 2023, një gabim në softuer bëri të mundur që disa përdorues të ChatGPT të shihnin tituj nga historiku i bisedave të një përdoruesi tjetër aktiv. OpenAI tha se mesazhi i parë i një bisede të krijuar rishtazi mund të ketë qenë gjithashtu i dukshëm në rrethana të caktuara. Hetimi i saj identifikoi ekspozim të mundshëm të informacionit të lidhur me pagesat për 1.2% të abonentëve Plus aktivë gjatë një periudhe të caktuar nëntëorëshe. Numrat e plotë të kartave nuk u ekspozuan. OpenAI e korrigjoi gabimin dhe njoftoi përdoruesit e prekur. 1

Mësimi nuk është se e njëjta cenueshmëri mbetet ende e hapur. Është se një angazhim për privatësinë nuk mundet, në vetvete, ta pengojë një sistem t’ia kthejë informacionin personit të gabuar. Izolimi, kontrollet e aksesit dhe sasia e informacionit të identifikueshëm që është në dispozicion për t’u ekspozuar kanë të gjitha rëndësi.

Padia e The New York Times: fshirja u përball me një detyrim ligjor.

Në vitin 2025, OpenAI u përball me një urdhër gjykate që kërkonte ruajtjen e të dhënave që përndryshe do të ishin fshirë. Përditësimi i saj i tetorit tha se detyrimi i gjerë për të ruajtur pafundësisht të dhëna të reja kishte përfunduar më 26 September 2025, ndërsa një grup i kufizuar historik mbetej nën bllokim ligjor. Kërkesa fillestare për ruajtje përjashtonte disa produkte dhe marrëveshje me zero ruajtje të të dhënave. 2

Një zhvillim i mëvonshëm duhet lexuar veçmas: në December 2025, Reuters raportoi se një gjyqtar kërkoi që OpenAI të prodhonte 20 milion regjistra bisedash të anonimizuara në çështjen e të drejtës së autorit, duke hedhur poshtë kundërshtimet e saj dhe duke u mbështetur te çidentifikimi dhe masat mbrojtëse. Ky ishte një urdhër zbulimi provash, jo publikimi i bisedave private të të gjithëve në internet. 3

Së bashku, këto ngjarje tregojnë pse një cilësim fshirjeje nuk i zgjidh të gjitha pyetjet rreth informacionit të ruajtur. Pasi ekziston një kopje, detyrime jashtë kontrollit të përdoruesit mund të ndikojnë në atë që ndodh me të. Ulja e ruajtjes së panevojshme e ndryshon këtë ekspozim përpara se të nisë një mosmarrëveshje.

Shqyrtimi njerëzor: qasja mund të lejohet pa pasur shkelje.

Dokumentacioni për konsumatorët i OpenAI lejon shprehimisht qasje të kufizuar nga personel i autorizuar dhe ofrues shërbimesh për qëllime të përcaktuara, përfshirë hetime sigurie, mbështetje, çështje ligjore dhe përmirësim të modelit kur është i pranueshëm. Udhëzimet për konsumatorët të Anthropic lejojnë që staf i caktuar të shqyrtojë bisedat për zbatimin e politikave të përdorimit, me qasje të veçantë të lidhur me feedback-un e dhënë me pëlqim. 4, 8

Këto janë rrugë qasjeje të dokumentuara, jo thashetheme. Ato nuk vërtetojnë se punonjësit lexojnë çdo bisedë. Ato vërtetojnë se një ndërfaqe bisede që duket private nuk është domosdoshmërisht një pengesë teknike kundër qasjes nga ofruesi.

Dokumentacioni aktual i Anthropic shton një shembull të rëndësishëm nga ana e biznesit. Covered Models të saj të përcaktuara kërkojnë ruajtje 30-ditore në disa vendosje që më parë përdornin zero ruajtje të të dhënave, me shqyrtim njerëzor të kontrolluar dhe përjashtime. Rregulli ka kufij sipas modelit, platformës dhe pranueshmërisë; nuk është një ndryshim i përgjithshëm për çdo produkt Claude. Planet për konsumatorë përshkruhen si të paprekura, sepse ato sipërfaqe tashmë ruajnë hyrjet dhe daljet. 9

Monitorimi i sigurisë ka një qëllim legjitim. Sfida inxhinierike është që ky qëllim të përmbushet duke minimizuar njëkohësisht informacionin e ndjeshëm të disponueshëm për sistemet e monitorimit dhe shqyrtuesit. Një arsyetim sigurie nuk e zhduk çështjen e privatësisë.

Polemika matematikore: një pretendim i pazgjidhur, një problem real besimi

Polemika e September 2026 rreth njoftimit të OpenAI për Navier–Stokes ngriti një shqetësim tjetër: çfarë ndodh kur asistenti që ndihmon me kërkim privat i përket një kompanie që kryen kërkimet e veta?

Mosmarrëveshja kishte të bënte me punë matematikore të pabotuar dhe meritën për të. Raportimet përshkruan matematikanët Tristan Buckmaster dhe Levent Alpöge duke përdorur mjete AI në punën e tyre, dhe Buckmaster duke vënë në dyshim nëse materiali i tyre privat kishte kontribuar në rezultatin e OpenAI. 10

OpenAI e kundërshton atë version. Përgjigjja e saj e publikuar thotë se as studiuesit e saj dhe as agjentët e saj nuk e panë punën e dyshes para publikimit. Në një përditësim të datës 10 September, ajo deklaroi më tej se një hetim kishte përjashtuar çdo ndikim nga prompt-et e Codex të Buckmaster gjatë dy muajve pararendës, përfshirë përmes trajnimit. Kjo deklaratë e kufizuar në kohë është më specifike se versioni i mëhershëm në disa raportime. 11

Versionet publike mbeten të kontestuara. Burimet e shqyrtuara këtu nuk vërtetojnë në mënyrë të pavarur se OpenAI i përdori ato biseda private për të prodhuar rezultatin e saj.

Megjithatë, mosmarrëveshja nxjerr në pah një pyetje që ia vlen të marrë një përgjigje të qartë: kur njerëzit sjellin punë të papërfunduar te AI, çfarë e mbron vlerën informative të asaj pune? Heqja e emrit të autorit nga një provë nuk e heq vetë provën. Çidentifikimi i një strategjie tregtare nuk e bën strategjinë pronë publike.

Prandaj privatësia e fortë ka nevojë për mbrojtje si për identitetin, ashtu edhe për përmbajtjen. Përdoruesit duhet të jenë në gjendje të kuptojnë nëse materiali i tyre mund të hyjë në rrjedha pune të trajnimit, kërkimit, vlerësimit ose shqyrtimit — dhe cilat kontrolle teknike i zbatojnë këta kufij.

Katër pyetje që nuk duhen ngatërruar kurrë në një të vetme

Pjesa më e madhe e konfuzionit vjen nga trajtimi i “private” si një veti e vetme. Në praktikë, katër pyetje të ndara përcaktojnë se çfarë ndodh me një bisedë.

Trajnimi: A mund të ndihmojë përmbajtja në zhvillimin ose përmirësimin e një modeli? Një opt-out ndryshon një përdorim të lejuar të informacionit. Nuk ndryshon domosdoshmërisht nëse informacioni është transmetuar ose ruajtur.

Qasja: Cilat sisteme dhe cilët njerëz mund ta inspektojnë? Enkriptimi gjatë transmetimit dhe ruajtjes është i rëndësishëm, por nuk e pengon automatikisht një shërbim të autorizuar të dekriptojë përmbajtjen për përpunim ose shqyrtim.

Ruajtja: Çfarë mbetet, ku dhe për sa kohë? Heqja e një bisede nga ndërfaqja, fshirja e regjistrave të prodhimit, skadimi i kopjeve rezervë dhe përjashtimi i të dhënave nga trajnimi i ardhshëm janë operacione të ndryshme.

Veprimet: Çfarë mund të lexojë, ndryshojë ose dërgojë një asistent i lidhur? Pasi mund të veprojë përmes llogarive tuaja, privatësia varet edhe nga lejet dhe kontrollet mbi të dhënat dalëse.

Një krahasim i dobishëm i privatësisë i mban këto pyetje të ndara. Një abonim me pagesë, një çelës për trajnim, ose një etiketë detyre private nuk mund t’u përgjigjen të katrave.

Si krahasohen shërbimet

Tabela më poshtë përqendrohet te përdorimi individual, përveç rasteve kur përcaktohet një shtrirje tjetër. Ajo përmbledh dokumentacionin e shqyrtuar, jo rezultatet e një auditimi të pavarur sigurie.

Shërbimi	Qëndrimi për trajnimin	Kufiri i veçantë që duhet kuptuar
ChatGPT	Përmbajtja individuale mund të përdoret për përmirësim; kontrollet përjashtojnë bisedat e reja dhe detyrat e Codex. Temporary Chat përjashtohet. 4, 5	Qasja e autorizuar dhe ruajtja mbeten çështje më vete. Codex ka gjithashtu një cilësim të veçantë trajnimi për mjedisin e plotë.
Claude	Përmirësimi i modelit për konsumatorët varet nga zgjedhja e përdoruesit; feedback-u dhe përdorimet që lidhen me sigurinë kanë rregulla të veçanta. Incognito përjashtohet nga përmirësimi i përgjithshëm. 6	Përjashtimet për shqyrtim dhe ruajtje vazhdojnë të zbatohen. Disa Covered Models komerciale kanë kërkesa shtesë për ruajtjen. 7–9
Cursor	Privacy Mode përjashton të dhënat e klientit nga trajnimi i Cursor dhe përshkruan marrëveshje pa ruajtje me ofruesit, subjekt i përjashtimeve të deklaruara. 12	Kërkesat ende kalojnë përmes backend-it të Cursor. Hetimet për abuzim, caching-u dhe njoftimet specifike për modele kanë rëndësi.
Perplexity	Mbledhja për trajnim të AI për konsumatorët është e aktivizuar si parazgjedhje, përfshirë në Pro dhe Max; përdoruesit mund të heqin dorë në mënyrë prospektive. 13	Heqja dorë nuk e ndalon përpunimin për operacionet e shërbimit ose pajtueshmërinë ligjore. Kushtet për Enterprise janë të ndryshme.
Manus	Dokumentacioni i Team liston një mundësi për të hequr dorë nga trajnimi; ky shqyrtim nuk mundi të verifikonte rregullin përfundimtar të trajnimit për planin individual. 15	Fakti që detyrat individuale janë private si parazgjedhje përshkruan dukshmërinë e ndarjes, jo një kufizim të plotë mbi përdorimin nga ofruesi. 14
Meta’s Muse	Dokumentacioni i lançimit përshkruan trajnim mbi të dhëna të sanitizuara të ndërveprimit si parazgjedhje, me mundësi heqjeje dorë. 16	Sanitizimi para trajnimit nuk është i njëjtë me maskimin para inferencës. Kufizimet e operatorit në kohën e lançimit ndryshojnë nga Confidential VM i planifikuar.
Dvina	Bisedat, skedarët, prompt-et dhe të dhënat e workspace nuk përdoren për të trajnuar modele AI. 17, 18	Maskimi automatik trajton një kufi më të hershëm: identifikuesit personalë të zbuluar zëvendësohen para përpunimit nga modeli.

Detajet më poshtë shpjegojnë se ku bëhen të rëndësishme këto dallime në përdorimin e përditshëm.

ChatGPT dhe Claude: veprimi që ndërmerrni e ndryshon rregullin.

OpenAI u lejon përdoruesve të çaktivizojnë trajnimin pa hequr historikun e zakonshëm të bisedave. Temporary Chat e ndryshon më tej mënyrën si trajtohet një bisedë, por dokumentacioni i tij ende lejon shqyrtimin për abuzim dhe përshkruan një periudhë fshirjeje prej 30 ditësh. Përdoruesit e Codex duhet gjithashtu të dallojnë cilësimin e përmbajtjes në nivel llogarie nga cilësimi i tij i veçantë për mjedisin e plotë. 4, 5

Te Claude, feedback-u meriton vëmendje të veçantë. Anthropic thotë se një thumbs-up, thumbs-down, ose raport gabimi mund të përfshijë ruajtjen e bisedës përkatëse deri në pesë vjet dhe përdorimin e saj për qëllime që përfshijnë trajnimin e modelit. Aktivizimi i përmirësimit të përgjithshëm të modelit lejon gjithashtu që materiali i përshtatshëm i de-identifikuar të mbetet në pipeline-et e trajnimit deri në pesë vjet. Këto nuk janë të njëjtat rregulla si fshirja e zakonshme e bisedave. 6, 7

Prandaj, një person mund të marrë disa vendime për privatësinë brenda një produkti të vetëm pa e kuptuar se janë vendime të ndara. Dizajni i produktit duhet t’i bëjë këto dallime të qarta në pikën e përdorimit.

Cursor dhe Perplexity: një etiketë produkti nuk është kufi përpunimi.

Privacy Mode i Cursor vendos kufizime domethënëse mbi trajnimin dhe ruajtjen nga ofruesi. Ai nuk e bën editorin vetëm lokal: Cursor thotë se kërkesat ende udhëtojnë përmes backend-it të tij, edhe me një API key të dhënë nga përdoruesi. Dokumentacioni i tij përshkruan gjithashtu caching të përkohshëm të skedarëve të enkriptuar dhe përjashtime që lidhen me hetimet për abuzim ose modele të caktuara. 12

Perplexity ilustron një dallim tjetër. Llogaritë e tij Free, Pro dhe Max bien nën kontrollet e trajnimit për konsumatorët, me mbledhjen të aktivizuar si parazgjedhje. Heqja dorë e publikuar zbatohet për të dhënat e mbledhura më pas, jo për heqjen retroaktive të të dhënave të mëparshme të trajnimit. Blerja e një abonimi personal nuk e bën atë një llogari Enterprise. 13

Në të dy rastet, pyetja përkatëse është çfarë ndryshojnë mënyra dhe llogaria e zgjedhur — jo çfarë duket se nënkupton emri i produktit.

Manus dhe Muse: workspace-et private ende kanë nevojë për kufij të qartë.

Manus thotë se detyrat individuale janë private, përveçse kur ndahen. Dokumentacioni i tij për Team shpjegon gjithashtu se pronarët mund të kenë qasje në përmbajtjen e sesioneve të ekipit. Këto janë rregulla të dobishme për dukshmërinë, por nuk përcaktojnë politikën e trajnimit për individët. Faqja e plotë e privatësisë së Manus nuk mund të merrej për këtë shqyrtim, kështu që kjo pyetje mbetet e paverifikuar në vend që të plotësohet nga një plan tjetër. 14, 15

Dokumentacioni i lançimit të Muse është jashtëzakonisht i qartë për dallimin midis kufizimeve operacionale dhe parandalimit teknik. Meta thotë se Secure VM në kohën e lançimit kufizon qasjen e stafit përmes politikave, por nuk e parandalon qasjen kur ajo nevojitet për të operuar, mbështetur ose siguruar shërbimin. Një Confidential VM që synon të parandalojë kriptografikisht qasjen e operatorit u përshkrua si i ardhshëm dhe në testim të kufizuar. Një mbrojtje e planifikuar nuk duhet të llogaritet si tashmë e disponueshme për të gjithë. 16

Muse gjithashtu i mban kredencialet reale të connector larg agjentit të tij kryesor dhe i vendos miratimet e veprimeve nën një autoritet të veçantë lejesh. Kjo ilustron një parim të vlefshëm: një agjent nuk duhet të marrë një sekret ose një leje thjesht sepse mund të jetë e përshtatshme. 16

Zhvendoseni mbrojtjen në pikën para ekspozimit

Një përjashtim nga trajnimi rregullon një përdorim të të dhënave. Maskimi ndryshon të dhënat e disponueshme për përpunim. Ruajtja e kufizuar zvogëlon kopjet që mbeten. Kontrollet e lejeve kufizojnë çfarë mund të bëjë një agjent. Këto mbrojtje janë plotësuese, dhe faza në të cilën secila vepron ka rëndësi.

Merrni një kërkesë ilustruese: shkruani një mesazh vijues për një klient në një adresë të caktuar emaili. Modelit mund t’i duhen qëllimi, toni dhe angazhimet përkatëse. Mund të mos i duhet emri ose adresa e vërtetë e klientit për ta hartuar mesazhin. Zëvendësimi i atyre identifikuesve të zbuluar me placeholder-a përpara inferencës zvogëlon atë që merr modeli, duke ruajtur njëkohësisht strukturën e dobishme të detyrës.

Kjo është ndryshe nga dërgimi i tekstit origjinal dhe premtimi se identifikuesit do të hiqen përpara ndonjë përdorimi të mëvonshëm.

I njëjti parim shtrihet përtej identifikuesve personalë. Kërkimi konfidencial ka nevojë për kontrolle mbi vetë përmbajtjen e kërkimit; llogaritë e lidhura kanë nevojë për leje me shtrirje të kufizuar ngushtë; të dhënat e ruajtura kanë nevojë për afate të përcaktuara dhe kufizime të zbatueshme të aksesit. Maskimi i identitetit është një komponent i atij dizajni, jo një zëvendësim për mbrojtjen e thelbit të një shpikjeje ose dokumenti.

Ka punë përkatëse në të gjithë industrinë. OpenAI publikoi një Privacy Filter që mund të ekzekutohet lokalisht në prill 2026, dhe dokumentacioni i Muse nga Meta përshkruan izolim teknik dhe një dizajn më të fortë të confidential computing në zhvillim. Këto përpjekje mbështesin argumentin për ta integruar privatësinë në vetë sistemin. Megjithatë, publikimi i një mjeti ose një roadmap-i nuk është, në vetvete, provë se çdo bisedë e konsumatorit tashmë merr mbrojtjen përkatëse. 16, 19

Standardi duhet të jetë mbrojtja që një person merr në produktin që po përdor sot.

Dvina: bëjeni privatësinë pjesë të ndërveprimit normal

Qasja e Dvina e sjell këtë mbrojtje më të hershme në përvojën e asistentit. Dizajni i saj i dokumentuar zbulon lokalisht informacion personal të ndjeshëm ndërsa njerëzit shkruajnë ose ngarkojnë përmbajtje, i enkripton të dhënat personale të zbuluara dhe zëvendëson placeholder-a përpara përpunimit nga modeli. Modeli punon me ata placeholder-a në vend të identifikuesve origjinalë të zbuluar. 17, 18

Dallimi është praktik. Një përdoruesi nuk duhet t’i duhet të ndërpresë çdo detyrë për të hequr manualisht emra dhe të dhëna kontakti, ose të mbështetet vetëm te një premtim për atë që do të ndodhë pasi modeli t’i marrë ato. Mbrojtja duhet ta shoqërojë ndërveprimin.

Dvina gjithashtu përjashton bisedat e përdoruesve, skedarët, prompt-et dhe të dhënat e workspace-it nga trajnimi i modelit. Kombinimi ka rëndësi: një angazhim për mos-trajnim kufizon ripërdorimin, ndërsa mbrojtja para-përpunimit kufizon informacionin personal që i ekspozohet modelit që në radhë të parë. 17, 18

Shtresa të tjera e mbështesin atë qasje. Dvina përshkruan ruajtje të enkriptuar të bisedave, ndarje midis mesazheve të ruajtura dhe identitetit të përdoruesit, si dhe të dhëna të hostuara në BE me mbrojtje në nivel GDPR. Secila trajton një pjesë të ndryshme të procesit të trajtimit, në vend që t’i kërkojë një preference të vetme trajnimi të mbajë të gjithë barrën. 17, 18

Dallimi teknik është i saktë: identifikuesit personalë të zbuluar zëvendësohen në hyrjen e modelit, ndërsa detyra përreth mbetet e disponueshme për përpunim. Privatësia bëhet pjesë e rrjedhës së të dhënave, në vend që të jetë vetëm një preferencë që përdoruesit duhet të kujtohen ta menaxhojnë.

Për mua, ky është drejtimi më i dobishëm për AI: t’i lejojë njerëzit të sjellin kontekst domethënës në punën e tyre, ndërsa sistemi projektohet të zbulojë më pak nga identiteti i tyre sesa kërkon detyra.

Përfundim: privatësia do të përcaktojë sa larg do ta lejojnë njerëzit AI të hyjë në jetën e tyre

Asistentët AI bëhen më të dobishëm sa më shumë të kuptojnë nga rrethanat tona. Kjo krijon një përgjegjësi për të mbrojtur informacionin që qëndron pas atij kuptimi. T’u kërkosh njerëzve akses më të madh, ndërsa u ofron vetëm edhe një faqe tjetër cilësimesh, nuk është një përgjigje e mjaftueshme.

Provat tregojnë për disa rreziqe të dallueshme. Softueri mund të ekspozojë të dhëna midis llogarive. Bisedat e ruajtura mund t’u nënshtrohen kërkesave ligjore. Rishikimi i autorizuar mund të ekzistojë edhe pa një shkelje sigurie. Mosmarrëveshjet mbi kërkimin privat mund ta minojnë besimin edhe kur pretendimi nuk është vërtetuar në mënyrë të pavarur.

Këto rreziqe kërkojnë punë inxhinierike, jo vetëm formulim më të mirë. Zbulimi i të dhënave të ndjeshme, mbrojtja para-përpunimit, ndarja e identitetit, ruajtja e kufizuar dhe lejet e zbatueshme duhet të marrin vëmendje të vazhdueshme si aftësi themelore të sigurisë së AI. Dobishmëria e një asistenti dhe mbrojtja e përdoruesit të tij duhet të përparojnë së bashku.

Me Dvina, ne po ndihmojmë të udhëheqim këtë ndryshim duke e bërë mbrojtjen përpara përpunimit nga modeli pjesë të themelit të produktit. Ambicia nuk është të kërkojmë më shumë besim përmes pretendimeve më të forta. Është të zvogëlojmë sa shumë besim duhet të mbështetet vetëm te një premtim.

Njerëzit duhet të jenë në gjendje të kërkojnë ndihmë, të zhvillojnë një ide dhe të ndajnë kontekstin e nevojshëm për të ecur përpara pa e trajtuar çdo bisedë si një dorëzim të mundshëm të privatësisë së tyre. Ndërtimi i atij besimi është një nga detyrat më të rëndësishme që e pret AI.

Burimet dhe shtrirja

Burimet u shqyrtuan më 22 September 2026. Ky artikull mbështetet në dokumentacionin e ofruesve dhe raportim të atribuar; nuk është një auditim i pavarur sigurie. Planet individuale janë fusha kryesore e krahasimit. Përjashtimet komerciale, API dhe specifike për modelin identifikohen veçmas. Seksioni i matematikës dallon shqetësimet e raportuara nga përgjigjja e përditësuar e OpenAI; asnjëra nuk paraqitet si gjetje e pavarur. Rregulli i trajnimit për planin individual të Manus mbetet i paverifikuar sepse politika e tij e plotë e privatësisë nuk mundi të merrej.