நீங்கள் பகிர்வதற்கு முன்: AI தனியுரிமைக்கு ஒரு வாக்குறுதியை விட அதிகம் தேவை

அறிமுகம்: இந்த உரையாடல் உங்கள் வாழ்க்கையாக மாறிக்கொண்டிருக்கிறது

ஒரு கடினமான பதிலை எழுத AI உதவியாளரைத் திறக்கிறீர்கள். செய்தியை ஒட்டுகிறீர்கள், உறவை விளக்குகிறீர்கள், மேலும் வேறு எங்கும் பகிராத சில விவரங்களையும் சேர்க்கிறீர்கள். இன்னொரு நாளில், ஒரு ஒப்பந்தத்தைப் பதிவேற்றுகிறீர்கள், இன்னும் முடிக்காத ஒரு யோசனையைப் பற்றி பேசுகிறீர்கள், அல்லது உங்கள் கவனத்திற்கு என்ன தேவை என்பதை உதவியாளர் புரிந்துகொள்ள உங்கள் inbox-ஐ இணைக்கிறீர்கள்.

இந்த செயல்களில் எதுவும் வெளியிடுவது போலத் தோன்றாது. நீங்கள் உதவி கேட்கிறீர்கள்.

ஆனால் அந்த தகவல், உரையாடல் சாளரத்தில் இருந்து பெரும்பாலும் தெரியாத உள்கட்டமைப்பு, சேமிப்பு அமைப்புகள், மதிப்பாய்வு செயல்முறைகள், மற்றும் சட்டப் பொறுப்புகள் வழியாகச் செல்லக்கூடும். ஒரு உதவியாளர் மிகவும் தனிப்பட்டதாக உணரப்படலாம்; ஆனால் உங்கள் தரவை அது கையாளும் விதம் அந்த எதிர்பார்ப்புக்கு ஏற்ப இருக்காமல் இருக்கலாம்.

என் நிலைப்பாடு எளிமையானது: AI தனியுரிமை என்பது, உங்கள் தகவலைப் பெற்ற பிறகு ஒரு நிறுவனம் என்ன செய்வதாக வாக்குறுதி அளிக்கிறது என்பதிலேயே மட்டும் சார்ந்து இருக்கக் கூடாது. முதலில் அந்த தகவல் மாதிரியை அடையவே முடியாதபடி அதன் அமைப்புகள் என்ன தடுக்கின்றன என்பதிலும் அது சார்ந்து இருக்க வேண்டும். கொள்கைகள் முக்கியம். ஆனால் அவற்றுக்கு பின்னால் தொழில்நுட்ப பாதுகாப்புகள் இருக்க வேண்டும்.

இந்தக் கட்டுரையை நான் Dvina குழுவின் ஆதரவுடன் தயாரித்தேன். இது ChatGPT, Claude, Cursor, Perplexity, Manus, Meta’s Muse, மற்றும் Dvina ஆகியவற்றில் பதிவுசெய்யப்பட்ட சம்பவங்களையும் தற்போதைய நடைமுறைகளையும் ஆய்வு செய்கிறது. AI நம் வாழ்க்கையில் மேலும் ஆழமாகச் சேரும் நிலையில், தனியுரிமை ஏன் மையப் பொறியியல் முன்னுரிமையாக மாற வேண்டும்—மேலும் அந்தப் பொறுப்பை Dvina எவ்வாறு அணுகுகிறது—என்பதை விளக்குவதே இதன் நோக்கம்.

இந்த சம்பவங்கள் எதைச் சொல்கின்றன

இந்தக் கவலை கற்பனையானது அல்ல. ஆனால் வெவ்வேறு வகையான ஆதாரங்கள் வெவ்வேறு பிரச்சினைகளை வெளிப்படுத்துகின்றன. உறுதிப்படுத்தப்பட்ட தரவு வெளிப்பாடு, அங்கீகரிக்கப்பட்ட மனித மதிப்பாய்வு, மற்றும் ஆய்வு தவறாகப் பயன்படுத்தப்பட்டதாகிய குற்றச்சாட்டு—இவை அனைத்தையும் ஒரே நிகழ்வாகக் காட்டக் கூடாது.

ChatGPT-இன் 2023 வெளிப்பாடு: அமைப்பிலேயே ஏற்பட்ட தோல்வி.

20 March 2023 அன்று, ஒரு மென்பொருள் பிழை காரணமாக சில ChatGPT பயனர்கள் மற்றொரு செயலில் இருந்த பயனரின் உரையாடல் வரலாற்றிலிருந்த தலைப்புகளைப் பார்க்க முடிந்தது. குறிப்பிட்ட சில சூழ்நிலைகளில், புதிதாக உருவாக்கப்பட்ட உரையாடலின் முதல் செய்தியும் தெரிந்திருக்கக்கூடும் என்று OpenAI தெரிவித்தது. அதன் விசாரணையில், குறிப்பிட்ட ஒன்பது மணி நேர காலப்பகுதியில் செயலில் இருந்த Plus சந்தாதாரர்களில் 1.2% பேரின் கட்டணத் தொடர்புடைய தகவல் வெளிப்பட்டிருக்கக்கூடும் என அடையாளம் காணப்பட்டது. முழு கார்டு எண்கள் வெளிப்படவில்லை. OpenAI பிழையைச் சரிசெய்து, பாதிக்கப்பட்ட பயனர்களுக்கு அறிவித்தது. 1

இதிலிருந்து பெற வேண்டிய பாடம், அதே பலவீனம் இன்னும் திறந்தே உள்ளது என்பதல்ல. ஒரு தனியுரிமை உறுதி மட்டும் போதாது; அது ஒரு அமைப்பு தவறான நபருக்கு தகவலைத் திருப்பி வழங்குவதைத் தடுக்க முடியாது என்பதே பாடம். தனிமைப்படுத்தல், அணுகல் சரிபார்ப்புகள், மற்றும் வெளிப்படக்கூடிய அடையாளம் காணத்தக்க தகவலின் அளவு—இவை அனைத்தும் முக்கியம்.

The New York Times வழக்கு: நீக்கம் ஒரு சட்டப் பொறுப்பை எதிர்கொண்டது.

2025-ல், இல்லையெனில் நீக்கப்பட்டிருக்கும் தரவைப் பாதுகாக்க வேண்டும் என்ற நீதிமன்ற உத்தரவை OpenAI எதிர்கொண்டது. அதன் அக்டோபர் புதுப்பிப்பில், புதிய தரவை காலவரையின்றி பாதுகாக்க வேண்டிய பரந்த கடமை 26 September 2025 அன்று முடிவடைந்தது என்றும், வரையறுக்கப்பட்ட ஒரு வரலாற்றுத் தரவுத் தொகுப்பு மட்டும் இன்னும் சட்டபூர்வ பாதுகாப்பு உத்தரவின் கீழ் இருந்தது என்றும் கூறப்பட்டது. ஆரம்பகால பாதுகாப்பு அவசியத்தில் சில தயாரிப்புகளும் zero-data-retention ஏற்பாடுகளும் விலக்கப்பட்டிருந்தன. 2

பின்னர் ஏற்பட்ட ஒரு முன்னேற்றத்தை தனியாகப் படிக்க வேண்டும்: December 2025-ல், பதிப்புரிமை வழக்கில் OpenAI 20 million பெயரறியப்படாத chat பதிவுகளை சமர்ப்பிக்க வேண்டும் என்று ஒரு நீதிபதி உத்தரவிட்டதாக Reuters தெரிவித்தது; OpenAI-யின் எதிர்ப்புகளை நிராகரித்து, de-identification மற்றும் பாதுகாப்பு நடவடிக்கைகளை அடிப்படையாகக் கொண்டே அந்த முடிவு எடுக்கப்பட்டது. இது ஒரு discovery order; அனைவரின் தனிப்பட்ட chat-களையும் இணையத்தில் வெளியிடுவது அல்ல. 3

இந்த நிகழ்வுகளை ஒன்றாகப் பார்த்தால், retained information குறித்து எழும் எல்லா கேள்விகளுக்கும் ஒரு deletion setting பதிலாகாது என்பதைக் காட்டுகின்றன. ஒரு நகல் ஏற்கனவே இருந்துவிட்டால், பயனரின் கட்டுப்பாட்டுக்கு வெளியிலுள்ள கடமைகள் அதற்கு என்ன நடக்கும் என்பதை பாதிக்கலாம். தேவையற்ற சேமிப்பை குறைப்பது, ஒரு தகராறு தொடங்குவதற்கு முன்பே அந்த வெளிப்பாட்டை மாற்றுகிறது.

மனித மதிப்பாய்வு: மீறல் இல்லாமலேயே அணுகல் அனுமதிக்கப்படலாம்.

OpenAI-யின் consumer documentation, பாதுகாப்பு விசாரணைகள், ஆதரவு, சட்ட விவகாரங்கள், மற்றும் தகுதியான model improvement உள்ளிட்ட குறிப்பிட்ட நோக்கங்களுக்காக, அங்கீகரிக்கப்பட்ட பணியாளர்கள் மற்றும் சேவை வழங்குநர்களால் வரையறுக்கப்பட்ட அணுகலை வெளிப்படையாக அனுமதிக்கிறது. Anthropic-ன் consumer guidance, usage-policy அமலாக்கத்திற்காக நியமிக்கப்பட்ட பணியாளர்கள் உரையாடல்களை மதிப்பாய்வு செய்யலாம் என அனுமதிக்கிறது; இதற்கு மேலாக, ஒப்புதல் அளிக்கப்பட்ட feedback-உடன் தொடர்புடைய தனி அணுகலும் உள்ளது. 4, 8

இவை ஆவணப்படுத்தப்பட்ட அணுகல் வழிகள்; வதந்திகள் அல்ல. இதனால் ஊழியர்கள் ஒவ்வொரு உரையாடலையும் படிக்கிறார்கள் என்று நிரூபிக்கப்படுவதில்லை. ஆனால், தனிப்பட்டதாகத் தோன்றும் chat interface என்பது provider அணுகலைத் தடுக்கக்கூடிய தொழில்நுட்பத் தடையாக அவசியம் இருக்காது என்பதைக் காட்டுகிறது.

Anthropic-ன் தற்போதைய documentation, business பக்கத்திலிருந்து ஒரு முக்கிய எடுத்துக்காட்டைச் சேர்க்கிறது. அதன் குறிப்பிட்ட Covered Models, முன்பு zero data retention பயன்படுத்திய சில deployments-இல் 30 நாள் retention-ஐ, கட்டுப்படுத்தப்பட்ட மனித மதிப்பாய்வும் விதிவிலக்குகளும் உடன், கட்டாயப்படுத்துகின்றன. இந்த விதிக்கு model, platform, மற்றும் eligibility எல்லைகள் உள்ளன; இது ஒவ்வொரு Claude தயாரிப்புக்கும் பொருந்தும் blanket change அல்ல. Consumer plans பாதிக்கப்படவில்லை என்று விவரிக்கப்படுகின்றன, ஏனெனில் அந்த surfaces ஏற்கனவே inputs மற்றும் outputs-ஐ retain செய்கின்றன. 9

Safety monitoring-க்கு நியாயமான நோக்கம் உள்ளது. ஆனால், monitoring systems மற்றும் reviewers-க்கு கிடைக்கும் நுணுக்கமான தகவலை மிகக் குறைவாக வைத்துக்கொண்டு அந்த நோக்கத்தை நிறைவேற்றுவதே engineering சவால். ஒரு safety justification வந்துவிட்டது என்பதால் privacy கேள்வி மறைந்து விடாது.

கணித சர்ச்சை: தீர்க்கப்படாத குற்றச்சாட்டு, உண்மையான நம்பிக்கைச் சிக்கல்

September 2026-ல் OpenAI-யின் Navier–Stokes அறிவிப்பைச் சுற்றிய சர்ச்சை வேறொரு கவலையை எழுப்பியது: தனிப்பட்ட ஆராய்ச்சிக்கு உதவும் assistant, தானும் ஆராய்ச்சி நடத்தும் ஒரு நிறுவனத்துக்குச் சொந்தமானதாக இருந்தால் என்ன நடக்கும்?

இந்தத் தகராறு, வெளியிடப்படாத கணிதப் பணியும் அதற்கான கௌரவமும் பற்றியது. Tristan Buckmaster மற்றும் Levent Alpöge என்ற கணிதவியலாளர்கள் தங்கள் பணியில் AI கருவிகளைப் பயன்படுத்தியதாகவும், அவர்களின் தனிப்பட்ட பொருள் OpenAI-யின் முடிவுக்கு பங்களித்திருக்குமா என்று Buckmaster கேள்வி எழுப்பியதாகவும் செய்தி அறிக்கைகள் விவரித்தன. 10

OpenAI அந்த விளக்கத்தை மறுக்கிறது. வெளியிடப்பட்ட அதன் பதிலில், வெளியீட்டிற்கு முன் அந்த இருவரின் பணியை அதன் ஆராய்ச்சியாளர்களோ அல்லது அதன் முகவர்களோ யாரும் பார்க்கவில்லை என்று கூறுகிறது. மேலும், 10 September தேதியிட்ட ஒரு புதுப்பிப்பில், அதற்கு முந்தைய இரண்டு மாதங்களில் Buckmaster-ன் Codex prompts-இலிருந்து எந்தத் தாக்கமும் இல்லை, training மூலமாகவும் இல்லை என்று ஒரு விசாரணை நிராகரித்ததாகவும் தெரிவித்தது. காலவரம்புடன் கூறப்பட்ட இந்த அறிக்கை, சில செய்தி அறிக்கைகளில் வந்த முந்தைய விளக்கத்தை விட அதிகத் துல்லியமானது. 11

பொதுமக்கள் முன் உள்ள விளக்கங்கள் இன்னும் சர்ச்சைக்குரியவையாகவே உள்ளன. இங்கு பரிசீலிக்கப்பட்ட ஆதாரங்கள், OpenAI அந்த தனிப்பட்ட உரையாடல்களைப் பயன்படுத்தி தனது முடிவை உருவாக்கியது என்பதை சுயாதீனமாக நிரூபிப்பதில்லை.

இருப்பினும், இந்தத் தகராறு தெளிவாகப் பதிலளிக்க வேண்டிய ஒரு கேள்வியை வெளிப்படுத்துகிறது: மக்கள் முடிக்கப்படாத பணியை AI-க்கு கொண்டு வரும்போது, அந்தப் பணியின் தகவல் மதிப்பை என்ன பாதுகாக்கிறது? ஒரு proof-இலிருந்து ஆசிரியரின் பெயரை நீக்குவது, அந்த proof-ஐ நீக்குவதல்ல. ஒரு வணிகத் திட்டத்தை de-identify செய்வதால், அந்தத் திட்டம் பொதுச் சொத்தாக மாறிவிடாது.

அதனால்தான் வலுவான privacy-க்கு அடையாளத்திற்கும் உள்ளடக்கத்திற்கும் இரண்டிற்கும் பாதுகாப்பு தேவை. தங்களுடைய பொருள் training, research, evaluation, அல்லது review workflows-க்குள் செல்லுமா என்பதை—அந்த எல்லைகளை எந்த தொழில்நுட்பக் கட்டுப்பாடுகள் அமல்படுத்துகின்றன என்பதையும்—பயனர்கள் புரிந்துகொள்ள முடியும் வகையில் இருக்க வேண்டும்.

ஒருபோதும் ஒன்றாகக் கலக்கக் கூடாத நான்கு கேள்விகள்

குழப்பத்தின் பெரும்பகுதி, “private” என்பதை ஒரே ஒரு பண்பாகக் கருதுவதிலிருந்து வருகிறது. நடைமுறையில், ஒரு உரையாடலுக்கு என்ன நடக்கிறது என்பதை நான்கு தனித்தனி கேள்விகள் தீர்மானிக்கின்றன.

Training: இந்த உள்ளடக்கம் ஒரு model-ஐ உருவாக்கவோ மேம்படுத்தவோ உதவுமா? opt-out என்பது தகவலின் அனுமதிக்கப்பட்ட பயன்பாட்டை மாற்றுகிறது. ஆனால், அந்தத் தகவல் அனுப்பப்பட்டதா அல்லது சேமிக்கப்பட்டதா என்பதை அது அவசியம் மாற்றாது.

Access: எந்த systems மற்றும் எந்த நபர்கள் இதைப் பரிசோதிக்க முடியும்? பரிமாற்றத்தின் போதும் சேமிப்பின் போதும் encryption முக்கியம். ஆனால், processing அல்லது review-க்காக உள்ளடக்கத்தை decrypt செய்ய ஒரு அங்கீகரிக்கப்பட்ட சேவையை அது தானாகவே தடுக்காது.

Retention: என்ன எஞ்சுகிறது, எங்கே, எவ்வளவு காலம்? interface-இலிருந்து ஒரு chat-ஐ அகற்றுவது, production records-ஐ நீக்குவது, backups-ஐ காலாவதியாக விடுவது, மற்றும் எதிர்கால training-இலிருந்து தரவை விலக்குவது—இவை வெவ்வேறு செயல்பாடுகள்.

செயல்கள்: இணைக்கப்பட்ட ஒரு உதவியாளர் என்னதைப் படிக்க, மாற்ற, அல்லது அனுப்ப முடியும்? அது உங்கள் கணக்குகள் வழியாக செயல்பட முடிந்தவுடன், தனியுரிமை என்பது அனுமதிகள் மற்றும் வெளியேறும் தரவின் கட்டுப்பாடுகளையும் சார்ந்ததாகிறது.

பயனுள்ள தனியுரிமை ஒப்பீடு இந்தக் கேள்விகளை தனித்தனியாக வைத்திருக்கிறது. கட்டண சந்தா, பயிற்சி மாற்று அமைப்பு, அல்லது தனிப்பட்ட-பணி குறிச்சொல் மட்டும் இந்த நான்கிற்கும் முழுப் பதிலாக இருக்க முடியாது.

சேவைகள் எப்படி ஒப்பிடப்படுகின்றன

கீழே உள்ள அட்டவணை, வேறு வரம்பு குறிப்பிடப்படாத வரை, தனிநபர் பயன்பாட்டை மையமாகக் கொண்டது. இது ஆய்வு செய்யப்பட்ட ஆவணங்களின் சுருக்கம்; சுயாதீன பாதுகாப்பு தணிக்கையின் முடிவுகள் அல்ல.

Service	Training position	The separate boundary to understand
ChatGPT	தனிநபர் உள்ளடக்கம் மேம்பாட்டிற்குப் பயன்படுத்தப்படலாம்; கட்டுப்பாடுகள் புதிய உரையாடல்கள் மற்றும் Codex பணிகளை விலக்குகின்றன. Temporary Chat விலக்கப்பட்டுள்ளது. 4, 5	அங்கீகரிக்கப்பட்ட அணுகலும் தரவு வைத்திருப்பும் தனித்த விஷயங்களாகவே உள்ளன. Codex-க்கும் முழு-சூழல் பயிற்சிக்கான தனி அமைப்பு உள்ளது.
Claude	நுகர்வோர் மாடல் மேம்பாடு பயனர் தேர்வைப் பொறுத்தது; கருத்துப்பதில்கள் மற்றும் பாதுகாப்பு-சார்ந்த பயன்பாடுகளுக்கு தனி விதிகள் உள்ளன. Incognito பொதுவான மேம்பாட்டிலிருந்து விலக்கப்பட்டுள்ளது. 6	மதிப்பாய்வு மற்றும் தரவு வைத்திருப்பு விதிவிலக்குகள் இன்னும் பொருந்தும். சில வணிக Covered Models-க்கு கூடுதல் தரவு வைத்திருப்பு தேவைகள் உள்ளன. 7–9
Cursor	Privacy Mode, குறிப்பிடப்பட்ட விதிவிலக்குகளுக்கு உட்பட்டு, வாடிக்கையாளர் தரவை Cursor பயிற்சியிலிருந்து விலக்குகிறது மற்றும் வழங்குநரின் no-retention ஏற்பாடுகளை விளக்குகிறது. 12	கோரிக்கைகள் இன்னும் Cursor-ன் backend வழியாகவே செல்கின்றன. தவறான பயன்பாட்டு விசாரணைகள், caching, மற்றும் மாடல்-சார்ந்த குறிப்புகள் முக்கியம்.
Perplexity	நுகர்வோர் AI பயிற்சி தரவு சேகரிப்பு இயல்பாகவே இயக்கப்பட்டுள்ளது; இதில் Pro மற்றும் Max-மும் அடங்கும்; பயனர்கள் எதிர்காலத்திற்காக opt out செய்யலாம். 13	opt out செய்வதால் சேவை செயல்பாடுகள் அல்லது சட்ட இணக்கத்திற்கான செயலாக்கம் நிற்காது. Enterprise விதிமுறைகள் வேறுபடுகின்றன.
Manus	Team ஆவணங்களில் training opt-out பட்டியலிடப்பட்டுள்ளது; ஆனால் இந்த மதிப்பாய்வு, தனிநபர் திட்டத்திற்கான உறுதியான பயிற்சி விதியைச் சரிபார்க்க முடியவில்லை. 15	தனிநபர் பணிகள் இயல்பாகவே private என்பதன் பொருள் பகிர்வு காட்சியளிப்பை குறிக்கிறது; வழங்குநர் பயன்பாட்டின் முழுமையான கட்டுப்பாட்டை அல்ல. 14
Meta’s Muse	வெளியீட்டு ஆவணங்கள், சுத்திகரிக்கப்பட்ட தொடர்பு தரவின் மீது இயல்பாகவே பயிற்சி நடைபெறும் என்றும், opt-out வசதி இருப்பதாகவும் விவரிக்கின்றன. 16	பயிற்சிக்கு முன் சுத்திகரிப்பது, inference-க்கு முன் masking செய்வதற்கு சமமல்ல. வெளியீட்டு நேர operator கட்டுப்பாடுகள், திட்டமிடப்பட்ட Confidential VM-இலிருந்து வேறுபடுகின்றன.
Dvina	உரையாடல்கள், கோப்புகள், prompts, மற்றும் workspace தரவு AI மாடல்களைப் பயிற்றுவிக்கப் பயன்படுத்தப்படுவதில்லை. 17, 18	தானியங்கி masking இன்னும் முந்தைய ஒரு எல்லையைச் சமாளிக்கிறது: கண்டறியப்பட்ட தனிப்பட்ட அடையாளங்கள், மாடல் செயலாக்கத்திற்கு முன் மாற்றப்படுகின்றன.

கீழே உள்ள விவரங்கள், அன்றாட பயன்பாட்டில் இந்த வேறுபாடுகள் எங்கு முக்கியமாகின்றன என்பதை விளக்குகின்றன.

ChatGPT மற்றும் Claude: நீங்கள் எடுக்கும் செயல் விதியை மாற்றுகிறது.

OpenAI, சாதாரண அரட்டை வரலாற்றை நீக்காமல் பயிற்சியை முடக்க பயனர்களுக்கு அனுமதிக்கிறது. Temporary Chat ஒரு உரையாடல் எவ்வாறு கையாளப்படுகிறது என்பதை மேலும் மாற்றுகிறது; ஆனால் அதன் ஆவணங்கள் இன்னும் தவறான பயன்பாட்டு மதிப்பாய்வை அனுமதிக்கின்றன மற்றும் 30 நாள் நீக்க காலத்தை விவரிக்கின்றன. Codex பயனர்கள், கணக்கு-முழுவதுமான உள்ளடக்க அமைப்பையும் அதற்கான தனி full-environment அமைப்பையும் வேறுபடுத்திப் புரிந்துகொள்ள வேண்டும். 4, 5

Claude-இல், feedback-க்கு குறிப்பாக கவனம் தேவை. Anthropic கூறுவதன்படி, thumbs-up, thumbs-down, அல்லது bug report ஆகியவை தொடர்புடைய உரையாடலை அதிகபட்சம் ஐந்து ஆண்டுகள் வரை சேமிப்பதையும், மாடல் பயிற்சி உட்பட பல நோக்கங்களுக்குப் பயன்படுத்துவதையும் உள்ளடக்கலாம். பொதுவான மாடல் மேம்பாட்டை இயக்குவது, தகுதியான de-identified உள்ளடக்கம் பயிற்சி செயல்முறைகளில் அதிகபட்சம் ஐந்து ஆண்டுகள் வரை நீடிக்க அனுமதிக்கிறது. இவை சாதாரண அரட்டை நீக்க விதிகளுக்கு சமமானவை அல்ல. 6, 7

எனவே, ஒரே தயாரிப்புக்குள் பல தனியுரிமை முடிவுகளை ஒருவர் எடுக்கலாம்; ஆனால் அவை தனித்தனி முடிவுகள் என்பதை உணராமல் இருக்கலாம். தயாரிப்பு வடிவமைப்பு, பயன்பாட்டு தருணத்திலேயே இந்த வேறுபாடுகளைத் தெளிவாகக் காட்ட வேண்டும்.

Cursor மற்றும் Perplexity: ஒரு தயாரிப்பு குறிச்சொல் என்பது செயலாக்க எல்லை அல்ல.

Cursor-ன் Privacy Mode, பயிற்சி மற்றும் வழங்குநர் தரவு வைத்திருப்பில் அர்த்தமுள்ள கட்டுப்பாடுகளை வழங்குகிறது. ஆனால் அது editor-ஐ local-only ஆக மாற்றுவதில்லை: பயனர் வழங்கிய API key இருந்தாலும், கோரிக்கைகள் இன்னும் அதன் backend வழியாகவே செல்கின்றன என்று Cursor கூறுகிறது. அதன் ஆவணங்கள் தற்காலிக குறியாக்கப்பட்ட file caching-ஐயும், தவறான பயன்பாட்டு விசாரணைகள் அல்லது குறிப்பிட்ட மாடல்களுடன் தொடர்புடைய விதிவிலக்குகளையும் விவரிக்கின்றன. 12

Perplexity வேறொரு வேறுபாட்டைக் காட்டுகிறது. அதன் Free, Pro, மற்றும் Max கணக்குகள் நுகர்வோர் பயிற்சி கட்டுப்பாடுகளின் கீழ் வருகின்றன; இதில் தரவு சேகரிப்பு இயல்பாகவே இயக்கப்பட்டுள்ளது. வெளியிடப்பட்ட opt-out, பின்னர் சேகரிக்கப்படும் தரவிற்கே பொருந்தும்; முன்பே பயிற்சிக்குப் பயன்படுத்தப்பட்ட தரவை பின்னோக்கி நீக்குவதற்கு அல்ல. தனிப்பட்ட சந்தாவை வாங்குவது, அதை Enterprise கணக்காக மாற்றாது. 13

இரண்டு நிலைகளிலும், முக்கியமான கேள்வி தேர்ந்தெடுக்கப்பட்ட mode மற்றும் account என்ன மாற்றுகின்றன என்பதே — தயாரிப்பு பெயர் வெளிப்படையாக என்ன சுட்டிக்காட்டுகிறது என்பதல்ல.

Manus மற்றும் Muse: தனிப்பட்ட workspaces-க்கும் வெளிப்படையான எல்லைகள் தேவை.

Manus, பகிரப்படாத வரை தனிநபர் பணிகள் private என்று கூறுகிறது. அதன் Team ஆவணங்கள், உரிமையாளர்கள் குழு session உள்ளடக்கத்தை அணுக முடியும் என்றும் விளக்குகின்றன. இவை பயனுள்ள காட்சியளிப்பு விதிகள்; ஆனால் அவை தனிநபர் பயிற்சி கொள்கையை நிறுவுவதில்லை. இந்த மதிப்பாய்விற்காக முழு Manus privacy page-ஐ பெற முடியவில்லை; எனவே அந்தக் கேள்வி, வேறு திட்டத்திலிருந்து நிரப்பப்படாமல், சரிபார்க்கப்படாததாகவே உள்ளது. 14, 15

Muse-ன் வெளியீட்டு ஆவணங்கள், செயல்பாட்டு கட்டுப்பாடுகள் மற்றும் தொழில்நுட்பத் தடுப்பு ஆகியவற்றுக்கிடையிலான வேறுபாட்டைப் பற்றி அபூர்வமாகத் தெளிவாக உள்ளன. வெளியீட்டு நேர Secure VM, கொள்கைகள் மூலம் பணியாளர் அணுகலைக் கட்டுப்படுத்துகிறது; ஆனால் சேவையை இயக்க, ஆதரிக்க, அல்லது பாதுகாக்க தேவையானபோது அணுகலைத் தடுக்காது என்று Meta கூறுகிறது. operator அணுகலை குறியாக்க ரீதியாகத் தடுக்க நோக்கமுடைய Confidential VM வரவிருப்பதாகவும், வரையறுக்கப்பட்ட சோதனையில் இருப்பதாகவும் விவரிக்கப்பட்டது. திட்டமிடப்பட்ட பாதுகாப்பை, ஏற்கனவே அனைவருக்கும் கிடைக்கிறது என்று எண்ணக்கூடாது. 16

Muse, உண்மையான connector credentials-ஐ அதன் முக்கிய agent-இலிருந்து விலக்கி வைத்திருக்கிறது; மேலும் action approvals-ஐ தனி permission authority-ன் கீழ் வைக்கிறது. இது ஒரு மதிப்புள்ள கொள்கையை விளக்குகிறது: வசதியாக இருக்கலாம் என்பதற்காக மட்டும் ஒரு agent-க்கு ரகசியமோ அனுமதியோ வழங்கப்படக்கூடாது. 16

வெளிப்பாட்டுக்கு முன் இருக்கும் கட்டத்திற்கே பாதுகாப்பை நகர்த்துங்கள்

பயிற்சியிலிருந்து விலக்கு என்பது தரவின் ஒரு பயன்பாட்டை நிர்வகிக்கிறது. Masking, செயலாக்கத்திற்குக் கிடைக்கும் தரவையே மாற்றுகிறது. கட்டுப்படுத்தப்பட்ட தரவு வைத்திருப்பு, மீதமிருக்கும் நகல்களின் எண்ணிக்கையை குறைக்கிறது. அனுமதி கட்டுப்பாடுகள், ஒரு agent என்ன செய்ய முடியும் என்பதை வரையறுக்கின்றன. இந்த பாதுகாப்புகள் ஒன்றுக்கொன்று துணைபுரிவவை; மேலும் ஒவ்வொன்றும் செயல்படும் கட்டம் முக்கியமானது.

விளக்கத்திற்காக ஒரு கோரிக்கையை எடுத்துக்கொள்ளுங்கள்: குறிப்பிட்ட ஒரு மின்னஞ்சல் முகவரியில் உள்ள வாடிக்கையாளருக்கு ஒரு தொடர்ச்சி மின்னஞ்சல் எழுத வேண்டும். அதற்காக மாதிரிக்கு நோக்கம், தொனி, மற்றும் தொடர்புடைய உறுதிப்பாடுகள் தேவைப்படலாம். ஆனால் செய்தியை வரையறுக்க, வாடிக்கையாளரின் உண்மையான பெயர் அல்லது முகவரி அவசியமாக இருக்க வேண்டியதில்லை. ஆகவே, inference-க்கு முன் கண்டறியப்பட்ட அந்த அடையாளங்களை placeholders-ஆக மாற்றிவிட்டால், பணியின் பயனுள்ள அமைப்பை காக்கும்போதே மாதிரிக்கு செல்லும் தகவல் அளவு குறையும்.

இது, அசல் உரையை அப்படியே அனுப்பிவிட்டு, பின்னர் ஏதோ ஒரு கட்டத்தில் அடையாளங்களை நீக்கிவிடுவோம் என்று கூறுவதிலிருந்து வேறுபட்டது.

இதே கொள்கை தனிப்பட்ட அடையாளங்களைத் தாண்டியும் பொருந்துகிறது. ரகசிய ஆராய்ச்சிக்கு, ஆராய்ச்சி உள்ளடக்கத்திற்கே கட்டுப்பாடுகள் தேவை; இணைக்கப்பட்ட கணக்குகளுக்கு, மிகவும் குறுகிய வரம்புள்ள அனுமதிகள் தேவை; சேமித்து வைக்கப்படும் பதிவுகளுக்கு, தெளிவாக வரையறுக்கப்பட்ட காலவரம்புகளும் அமல்படுத்தக்கூடிய அணுகல் கட்டுப்பாடுகளும் தேவை. அடையாள மறைப்பு அந்த வடிவமைப்பின் ஒரு கூறு மட்டுமே; அது ஒரு கண்டுபிடிப்பு அல்லது ஆவணத்தின் உட்கருத்தைப் பாதுகாப்பதற்கான மாற்றாகாது.

துறையெங்கும் இதற்கான தொடர்புடைய பணிகள் உள்ளன. OpenAI, April 2026-இல் உள்ளூரில் இயக்கக்கூடிய Privacy Filter-ஐ வெளியிட்டது; மேலும் Meta-வின் Muse ஆவணங்கள் தொழில்நுட்ப தனிமைப்படுத்தலையும், உருவாக்கத்தில் உள்ள இன்னும் வலுவான confidential-computing வடிவமைப்பையும் விவரிக்கின்றன. இந்த முயற்சிகள், privacy-ஐ அமைப்பின் உட்பகுதியாகவே பொறியியல் செய்ய வேண்டும் என்ற வாதத்தை வலுப்படுத்துகின்றன. ஆனால் ஒரு tool release அல்லது roadmap மட்டும், ஒவ்வொரு consumer conversation-க்கும் ஏற்கனவே அதற்கான பாதுகாப்பு கிடைக்கிறது என்பதற்கான சான்றாகாது. 16, 19

ஒரு நபர் இன்று பயன்படுத்தும் தயாரிப்பிலேயே அவருக்கு கிடைக்கும் பாதுகாப்புதான் அளவுகோலாக இருக்க வேண்டும்.

Dvina: privacy-ஐ இயல்பான தொடர்பின் ஒரு பகுதியாக மாற்றுவது

Dvina-வின் அணுகுமுறை இந்த ஆரம்பகட்ட பாதுகாப்பை assistant அனுபவத்துக்குள் கொண்டு வருகிறது. அதன் ஆவணப்படுத்தப்பட்ட வடிவமைப்பின்படி, மக்கள் தட்டச்சு செய்யும் போதும் அல்லது உள்ளடக்கத்தை பதிவேற்றும் போதும், அது உணர்வுபூர்வமான தனிப்பட்ட தகவலை உள்ளூரிலேயே கண்டறிகிறது; கண்டறியப்பட்ட தனிப்பட்ட தரவை குறியாக்கம் செய்கிறது; மேலும் model processing-க்கு முன் placeholders-ஐ மாற்றிடுகிறது. மாதிரி, அசல் கண்டறியப்பட்ட அடையாளங்களுக்குப் பதிலாக அந்த placeholders-ஐப் பயன்படுத்தியே செயல்படுகிறது. 17, 18

இதன் வித்தியாசம் நடைமுறையில் தெளிவாகத் தெரியும். ஒவ்வொரு பணியையும் செய்யும் முன், பெயர்கள் மற்றும் தொடர்பு விவரங்களை கையால் நீக்குவதற்காக பயனர் இடைநிறுத்தம் செய்ய வேண்டியதில்லை; அல்லது மாதிரி அவற்றைப் பெற்ற பிறகு என்ன நடக்கும் என்ற வாக்குறுதியை மட்டும் நம்பியும் இருக்க வேண்டியதில்லை. பாதுகாப்பு, தொடர்புடன் சேர்ந்து வர வேண்டும்.

Dvina, model training-இலிருந்து பயனர் உரையாடல்கள், கோப்புகள், prompts, மற்றும் workspace data-ஐயும் விலக்குகிறது. இந்த சேர்க்கை முக்கியமானது: no-training உறுதி, மறுபயன்பாட்டை கட்டுப்படுத்துகிறது; அதே நேரத்தில் pre-processing பாதுகாப்பு, முதலில் மாதிரிக்கு வெளிப்படும் தனிப்பட்ட தகவல் அளவையே குறைக்கிறது. 17, 18

மற்ற அடுக்குகளும் இந்த அணுகுமுறையை ஆதரிக்கின்றன. Dvina, குறியாக்கம் செய்யப்பட்ட உரையாடல் சேமிப்பு, சேமிக்கப்பட்ட செய்திகளுக்கும் பயனர் அடையாளத்திற்கும் இடையிலான பிரிப்பு, மற்றும் GDPR-நிலையான பாதுகாப்புகளுடன் EU-வில் ஹோஸ்ட் செய்யப்படும் தரவு ஆகியவற்றை விவரிக்கிறது. இவற்றில் ஒவ்வொன்றும், முழுச் சுமையையும் ஒரே training preference மீது ஏற்றாமல், கையாளும் செயல்முறையின் வேறு வேறு பகுதிகளைச் சமாளிக்கின்றன. 17, 18

தொழில்நுட்ப வேறுபாடு மிகவும் துல்லியமானது: சுற்றியுள்ள பணி செயலாக்கத்திற்குக் கிடைக்கும்படியே இருக்கும் போது, கண்டறியப்பட்ட தனிப்பட்ட அடையாளங்கள் model input-இல் மாற்றப்படுகின்றன. இதனால் privacy என்பது, பயனர்கள் நினைவில் வைத்து நிர்வகிக்க வேண்டிய ஒரு preference மட்டுமல்லாமல், data flow-இன் ஒரு பகுதியாக மாறுகிறது.

எனக்குப் பார்த்தால், AI-க்கான இன்னும் பயனுள்ள திசை இதுதான்: மக்கள் தங்கள் பணிக்குத் தேவையான அர்த்தமுள்ள சூழலை கொண்டு வர அனுமதிக்க வேண்டும்; அதே நேரத்தில், அந்தப் பணிக்கு தேவையான அளவை விட அவர்களின் அடையாளம் குறைவாகவே வெளிப்படுமாறு அமைப்பை வடிவமைக்க வேண்டும்.

முடிவு: மக்கள் AI-ஐ தங்கள் வாழ்க்கைக்குள் எவ்வளவு தூரம் அனுமதிப்பார்கள் என்பதை privacy தீர்மானிக்கும்

AI assistants, நமது சூழ்நிலைகளை அதிகமாகப் புரிந்துகொள்ளும் போது மேலும் பயனுள்ளதாகின்றன. ஆனால் அந்தப் புரிதலுக்குப் பின்னுள்ள தகவலைப் பாதுகாக்கும் பொறுப்பும் அதனால் உருவாகிறது. மக்களிடமிருந்து அதிக அணுகலைக் கோரிக்கொண்டே, பதிலாக இன்னொரு settings page-ஐ மட்டும் வழங்குவது போதுமான பதிலல்ல.

ஆதாரங்கள் பல தனித்துவமான அபாயங்களைச் சுட்டிக்காட்டுகின்றன. மென்பொருள், கணக்குகள் இடையே தரவை வெளிப்படுத்தக்கூடும். சேமிக்கப்பட்ட உரையாடல்கள் சட்டரீதியான கோரிக்கைகளுக்குப் பொருளாக மாறக்கூடும். பாதுகாப்பு மீறல் இல்லாமலேயே அங்கீகரிக்கப்பட்ட மதிப்பாய்வு இருக்கக்கூடும். தனிப்பட்ட ஆராய்ச்சியைச் சுற்றியுள்ள சர்ச்சைகள், குற்றச்சாட்டு சுயாதீனமாக நிரூபிக்கப்படாதிருந்தாலும் கூட, நம்பிக்கையை பாதிக்கக்கூடும்.

இந்த அபாயங்களுக்கு, வெறும் சிறந்த சொற்களல்ல, பொறியியல் வேலைதேவை. உணர்வுபூர்வமான தரவு கண்டறிதல், pre-processing பாதுகாப்பு, அடையாளப் பிரிப்பு, வரையறுக்கப்பட்ட சேமிப்பு காலம், மற்றும் அமல்படுத்தக்கூடிய அனுமதிகள் ஆகியவை, AI பாதுகாப்பின் அடிப்படை திறன்களாக தொடர்ந்து கவனம் பெற வேண்டும். ஒரு assistant-இன் பயனும், அதன் பயனருக்கான பாதுகாப்பும் ஒன்றாகவே முன்னேற வேண்டும்.

Dvina-வுடன், model processing-க்கு முன் பாதுகாப்பை தயாரிப்பின் அடித்தளத்தின் ஒரு பகுதியாக மாற்றுவதன் மூலம், அந்த மாற்றத்துக்கு நாங்கள் முன்னணி வகிக்க உதவி செய்கிறோம். நோக்கம், இன்னும் வலுவான கூற்றுகள் மூலம் அதிக நம்பிக்கையை கேட்பது அல்ல. மாறாக, ஒரு வாக்குறுதியை மட்டும் நம்பி இருக்க வேண்டிய அளவை குறைப்பதே அது.

மக்கள் உதவி கேட்கவும், ஒரு யோசனையை வளர்த்தெடுக்கவும், முன்னேறத் தேவையான சூழலைப் பகிரவும் முடியும்; அதற்காக ஒவ்வொரு உரையாடலையும் தங்கள் privacy-ஐ ஒப்படைக்கும் சாத்தியமான தருணமாகக் கருத வேண்டியதில்லை. அந்த நம்பிக்கையை உருவாக்குவது, AI-க்கு முன் நிற்கும் மிக முக்கியமான பணிகளில் ஒன்றாகும்.

ஆதாரங்கள் மற்றும் வரம்பு

ஆதாரங்கள் 22 September 2026 அன்று பரிசீலிக்கப்பட்டன. இந்தக் கட்டுரை provider documentation மற்றும் attribution செய்யப்பட்ட reporting-ஐ அடிப்படையாகக் கொண்டது; இது ஒரு சுயாதீன security audit அல்ல. ஒப்பீட்டின் முக்கிய வரம்பு individual plans ஆகும். Commercial, API, மற்றும் model-specific exceptions தனியாகக் குறிப்பிடப்பட்டுள்ளன. mathematics பகுதி, தெரிவிக்கப்பட்ட கவலைகளையும் OpenAI-யின் புதுப்பிக்கப்பட்ட பதிலையும் வேறுபடுத்திக் காட்டுகிறது; இவற்றில் எதுவும் சுயாதீன கண்டறிதலாக முன்வைக்கப்படவில்லை. Manus-ன் individual-plan training rule, அதன் முழு privacy policy-ஐ பெற முடியாததால், இன்னும் சரிபார்க்கப்படாததாகவே உள்ளது.