మీరు పంచుకునే ముందు: AI గోప్యతకు హామీ ఒక్కటే సరిపోదు

పరిచయం: ఈ సంభాషణ మీ జీవితంలో భాగమవుతోంది

మీరు ఒక కఠినమైన ప్రత్యుత్తరం రాయడానికి AI సహాయకుడిని తెరుస్తారు. సందేశాన్ని పేస్ట్ చేస్తారు, సంబంధం గురించి వివరిస్తారు, ఇంకా ఎక్కడా పంచుకోని కొన్ని వివరాలను జోడిస్తారు. మరో రోజు, మీరు ఒక ఒప్పందాన్ని అప్‌లోడ్ చేస్తారు, ఇంకా పూర్తికాని ఒక ఆలోచనపై చర్చిస్తారు, లేదా మీ దృష్టి అవసరమైన విషయాలను సహాయకుడు అర్థం చేసుకునేందుకు మీ inbox ను కనెక్ట్ చేస్తారు.

ఈ చర్యల్లో ఏదీ ప్రచురణలా అనిపించదు. మీరు సహాయం కోరుతున్నారు.

అయినా, ఆ సమాచారం సంభాషణ విండో నుంచి పెద్దగా కనిపించని మౌలిక వసతులు, నిల్వ వ్యవస్థలు, సమీక్ష ప్రక్రియలు, మరియు చట్టపరమైన బాధ్యతల ద్వారా వెళ్లవచ్చు. ఒక సహాయకుడు వ్యక్తిగతంగా అనిపించడం, మీ డేటాను అది ఎలా నిర్వహిస్తుందో ఆ అంచనాకు సరిపోవడానికి చాలా ముందే జరగవచ్చు.

నా అభిప్రాయం సులభం: AI గోప్యత అనేది ఒక కంపెనీ మీ సమాచారాన్ని స్వీకరించిన తర్వాత ఏమి చేస్తామని హామీ ఇస్తుందనే దానిపైనే మాత్రమే ఆధారపడకూడదు. మొదటగా, దాని వ్యవస్థలు ఏ సమాచారాన్ని మోడల్‌ వరకు చేరకుండా అడ్డుకుంటాయన్న దానిపైనా ఆధారపడాలి. విధానాలు ముఖ్యం. కానీ వాటి వెనుక సాంకేతిక రక్షణలు కూడా ఉండాలి.

నేను ఈ వ్యాసాన్ని Dvina బృందం సహకారంతో సిద్ధం చేశాను. ఇందులో ChatGPT, Claude, Cursor, Perplexity, Manus, Meta’s Muse, మరియు Dvina అంతటా నమోదైన ఘటనలు మరియు ప్రస్తుత పద్ధతులను పరిశీలించాం. AI మన జీవితాల్లో మరింతగా భాగమవుతున్న కొద్దీ, గోప్యత ఎందుకు ఒక కేంద్రీయ ఇంజినీరింగ్ ప్రాధాన్యంగా మారాలి—మరియు ఆ బాధ్యతను Dvina ఎలా స్వీకరిస్తోంది—అనేది వివరించడం దీని ఉద్దేశ్యం.

ఈ ఘటనలు మనకు ఏమి చెబుతున్నాయి

ఈ ఆందోళన ఊహాత్మకం కాదు. కానీ వేర్వేరు రకాల ఆధారాలు వేర్వేరు సమస్యలను చూపిస్తాయి. ధృవీకరించబడిన డేటా బహిర్గతం, అనుమతించబడిన మానవ సమీక్ష, మరియు పరిశోధన దుర్వినియోగంపై వచ్చిన ఆరోపణ—ఇవన్నీ ఒకే సంఘటనలాగా చూపకూడదు.

ChatGPT యొక్క 2023 బహిర్గతం: వ్యవస్థలోనే జరిగిన వైఫల్యం.

20 March 2023 న, ఒక సాఫ్ట్‌వేర్ బగ్ కారణంగా కొంతమంది ChatGPT వినియోగదారులు మరో క్రియాశీల వినియోగదారుడి సంభాషణ చరిత్రలోని శీర్షికలను చూడగలిగారు. కొన్ని పరిస్థితుల్లో కొత్తగా సృష్టించిన సంభాషణలోని మొదటి సందేశం కూడా కనిపించి ఉండవచ్చని OpenAI తెలిపింది. ఒక నిర్దిష్ట తొమ్మిది గంటల వ్యవధిలో క్రియాశీలంగా ఉన్న Plus సభ్యుల్లో 1.2% మందికి చెల్లింపులకు సంబంధించిన సమాచారం బహిర్గతమై ఉండవచ్చని దాని దర్యాప్తు గుర్తించింది. పూర్తి కార్డ్ నంబర్లు బహిర్గతం కాలేదు. OpenAI బగ్‌ను సరిచేసి, ప్రభావిత వినియోగదారులకు సమాచారం ఇచ్చింది. 1

ఇక్కడి పాఠం అదే బలహీనత ఇంకా అలాగే తెరిచి ఉందనేది కాదు. గోప్యతపై ఒక హామీ మాత్రమే, ఒక వ్యవస్థ తప్పు వ్యక్తికి సమాచారాన్ని తిరిగి ఇవ్వకుండా నిరోధించలేదనేదే అసలు విషయం. వేరుచేయడం, యాక్సెస్ తనిఖీలు, మరియు బహిర్గతం కావడానికి అందుబాటులో ఉన్న గుర్తించదగిన సమాచార పరిమాణం—ఇవన్నీ ముఖ్యం.

The New York Times వ్యాజ్యం: తొలగింపు ఒక చట్టపరమైన బాధ్యతను ఎదుర్కొంది.

2025లో, సాధారణంగా తొలగించబడే డేటాను భద్రపరచాలని కోరిన కోర్టు ఆదేశాన్ని OpenAI ఎదుర్కొంది. అక్టోబర్ అప్‌డేట్‌లో, కొత్త డేటాను నిరవధికంగా భద్రపరచాలనే విస్తృత బాధ్యత 26 September 2025న ముగిసిందని, అయితే పరిమిత చారిత్రక డేటా సమాహారం మాత్రం ఇంకా చట్టపరమైన హోల్డ్‌లో ఉందని తెలిపింది. అసలు భద్రపరిచే అవసరం కొన్ని ఉత్పత్తులు మరియు zero-data-retention ఏర్పాట్లను మినహాయించింది. 2

తర్వాతి పరిణామాన్ని వేరుగా చదవాలి: December 2025లో, కాపీరైట్ కేసులో OpenAI 20 million అనామకీకరించిన chat logs సమర్పించాలని ఒక న్యాయమూర్తి ఆదేశించారని Reuters నివేదించింది; OpenAI అభ్యంతరాలను తిరస్కరిస్తూ, de-identification మరియు రక్షణాత్మక భద్రతా చర్యలపై ఆధారపడ్డారు. ఇది discovery order, అందరి వ్యక్తిగత chats‌ను ఇంటర్నెట్‌లో ప్రచురించడం కాదు. 3

ఈ సంఘటనలను కలిపి చూస్తే, retained information గురించి ఉన్న ప్రతి ప్రశ్నకు deletion setting సమాధానం కాదని స్పష్టమవుతుంది. ఒకసారి కాపీ ఉనికిలోకి వస్తే, వినియోగదారుడి నియంత్రణకు బయట ఉన్న బాధ్యతలు దానికి ఏమవుతుందో ప్రభావితం చేయగలవు. అవసరం లేని నిల్వను తగ్గించడం, వివాదం మొదలయ్యే ముందే ఆ exposure‌ను మార్చుతుంది.

మానవ సమీక్ష: ఉల్లంఘన లేకుండానే యాక్సెస్‌కు అనుమతి ఉండవచ్చు.

OpenAI యొక్క consumer documentation, భద్రతా దర్యాప్తులు, support, చట్టపరమైన విషయాలు, మరియు అర్హత కలిగిన model improvement వంటి నిర్దిష్ట ప్రయోజనాల కోసం, అధీకృత సిబ్బంది మరియు service providers‌కు పరిమిత యాక్సెస్‌ను స్పష్టంగా అనుమతిస్తుంది. Anthropic యొక్క consumer guidance, usage-policy అమలుకోసం నియమిత సిబ్బంది conversations‌ను సమీక్షించవచ్చని అనుమతిస్తుంది; అలాగే consented feedback‌కు సంబంధించిన వేరు యాక్సెస్ కూడా ఉంది. 4, 8

ఇవి పత్రబద్ధమైన యాక్సెస్ మార్గాలు, వదంతులు కావు. ఉద్యోగులు ప్రతి conversation‌ను చదువుతారని ఇవి నిర్ధారించవు. కానీ, బయటకు privateలా కనిపించే chat interface అనేది provider access‌కు వ్యతిరేకంగా తప్పనిసరిగా ఒక సాంకేతిక అడ్డంకి కాదని మాత్రం ఇవి చూపిస్తాయి.

Anthropic యొక్క ప్రస్తుత documentation, వ్యాపార వైపు నుంచి ఒక ముఖ్యమైన ఉదాహరణను జోడిస్తుంది. దాని నియమిత Covered Models కోసం, గతంలో zero data retention ఉపయోగించిన కొన్ని deployments‌లో 30-day retention అవసరం, నియంత్రిత మానవ సమీక్ష మరియు మినహాయింపులతో అమల్లో ఉంటుంది. ఈ నియమానికి model, platform, మరియు eligibility పరిమితులు ఉన్నాయి; ఇది ప్రతి Claude product‌కు వర్తించే blanket change కాదు. consumer plans‌పై ప్రభావం లేదని వివరించారు, ఎందుకంటే ఆ surfaces ఇప్పటికే inputs మరియు outputs‌ను నిల్వ చేస్తాయి. 9

Safety monitoring‌కు సముచితమైన ఉద్దేశ్యం ఉంది. ఆ ఉద్దేశ్యాన్ని నెరవేర్చుతూ, monitoring systems మరియు reviewers‌కు అందుబాటులో ఉండే సున్నితమైన సమాచారాన్ని సాధ్యమైనంత తగ్గించడం ఇంజినీరింగ్ సవాలు. భద్రత అనే న్యాయబద్ధతతో privacy ప్రశ్న మాయమవదు.

గణిత వివాదం: ఇంకా తేలని ఆరోపణ, కానీ నిజమైన నమ్మక సమస్య

OpenAI యొక్క Navier–Stokes ప్రకటన చుట్టూ September 2026లో వచ్చిన వివాదం మరో ఆందోళనను లేవనెత్తింది: వ్యక్తిగత పరిశోధనకు సహాయపడుతున్న assistant, తన సొంత పరిశోధన కూడా చేస్తున్న ఒక కంపెనీకి చెందినదైతే ఏమవుతుంది?

ఈ వివాదం ప్రచురించని గణిత పని మరియు కీర్తి గురించి. రిపోర్టుల ప్రకారం, గణిత శాస్త్రవేత్తలు Tristan Buckmaster మరియు Levent Alpöge తమ పనిలో AI tools‌ను ఉపయోగించారు, మరియు తమ వ్యక్తిగత పదార్థం OpenAI ఫలితానికి తోడ్పడిందా అని Buckmaster ప్రశ్నించారు. 10

OpenAI ఆ వర్ణనను ఖండిస్తోంది. దాని ప్రచురిత ప్రతిస్పందన ప్రకారం, ప్రచురణకు ముందు దాని పరిశోధకులు గానీ, దాని agents గానీ ఆ ఇద్దరి పనిని చూడలేదు. 10 September తేదీతో ఉన్న ఒక అప్‌డేట్‌లో, అంతకుముందు రెండు నెలల కాలంలో Buckmaster యొక్క Codex prompts నుంచి ఎలాంటి ప్రభావమూ లేదని, training ద్వారా కూడా లేదని, ఒక దర్యాప్తు తేల్చిందని మరింతగా తెలిపింది. కాలపరిమితి ఉన్న ఈ ప్రకటన, కొన్ని రిపోర్టింగ్‌లోని ముందరి వర్ణన కంటే మరింత నిర్దిష్టంగా ఉంది. 11

ప్రజలకు అందుబాటులో ఉన్న వర్ణనలు ఇంకా వివాదాస్పదంగానే ఉన్నాయి. ఇక్కడ సమీక్షించిన మూలాలు, OpenAI ఆ వ్యక్తిగత conversations‌ను ఉపయోగించి తన ఫలితాన్ని రూపొందించిందని స్వతంత్రంగా నిర్ధారించవు.

అయినా, ఈ వివాదం స్పష్టంగా సమాధానం ఇవ్వాల్సిన ఒక ప్రశ్నను బయటపెడుతుంది: ప్రజలు పూర్తి కాలేని పనిని AIకి తీసుకువచ్చినప్పుడు, ఆ పనిలోని సమాచార విలువను ఏమి రక్షిస్తుంది? ఒక proof నుంచి రచయిత పేరు తీసేయడం వల్ల ఆ proof తొలగిపోదు. ఒక commercial strategy‌ను de-identify చేయడం వల్ల అది ప్రజల సొత్తుగా మారదు.

అందుకే బలమైన privacyకి identityతో పాటు content‌కూ రక్షణలు అవసరం. తమ పదార్థం training, research, evaluation, లేదా review workflows‌లోకి వెళ్లగలదా లేదా—మరియు ఆ సరిహద్దులను అమలు చేసే సాంకేతిక నియంత్రణలు ఏమిటో—వినియోగదారులు అర్థం చేసుకోగలగాలి.

ఎప్పుడూ ఒక్కటిగా కలపకూడని నాలుగు ప్రశ్నలు

గందరగోళంలో పెద్ద భాగం “private”ను ఒకే లక్షణంగా చూడటం వల్ల వస్తుంది. కానీ వాస్తవంలో, ఒక conversation‌కు ఏమవుతుందో నాలుగు వేర్వేరు ప్రశ్నలు నిర్ణయిస్తాయి.

Training: ఈ content ఒక model‌ను అభివృద్ధి చేయడానికి లేదా మెరుగుపరచడానికి ఉపయోగపడుతుందా? opt-out అనేది సమాచారానికి అనుమతించబడిన ఒక వినియోగాన్ని మార్చుతుంది. కానీ ఆ సమాచారం పంపబడిందా లేదా నిల్వ చేయబడిందా అన్నది అది తప్పనిసరిగా మార్చదు.

Access: దాన్ని ఏ systems మరియు ఏ వ్యక్తులు పరిశీలించగలరు? transmission మరియు storage సమయంలో encryption ముఖ్యమే, కానీ processing లేదా review కోసం ఒక అధీకృత service content‌ను decrypt చేయకుండా అది స్వయంచాలకంగా అడ్డుకోదు.

Retention: ఏమి మిగులుతుంది, ఎక్కడ, ఎంతకాలం? interface నుంచి ఒక chat‌ను తొలగించడం, production records‌ను delete చేయడం, backups గడువు ముగియడం, మరియు భవిష్యత్ training నుంచి data‌ను మినహాయించడం—ఇవి వేర్వేరు operations.

చర్యలు: కనెక్ట్ అయిన అసిస్టెంట్ ఏమి చదవగలదు, మార్చగలదు, లేదా పంపగలదు? అది మీ ఖాతాల ద్వారా పని చేయగలిగిన తర్వాత, గోప్యత అనేది అనుమతులు మరియు బయటకు వెళ్లే డేటాపై నియంత్రణలపై కూడా ఆధారపడుతుంది.

ఉపయోగకరమైన గోప్యతా పోలిక ఈ ప్రశ్నలను వేర్వేరుగా ఉంచుతుంది. చెల్లింపు సభ్యత్వం, training switch, లేదా private-task label ఈ నాలుగింటికీ సమాధానం ఇవ్వలేవు.

సేవలను ఎలా పోల్చాలి

క్రింద ఉన్న పట్టికలో వేరే పరిధి పేర్కొననంతవరకు వ్యక్తిగత వినియోగంపైనే దృష్టి పెట్టబడింది. ఇది సమీక్షించిన డాక్యుమెంటేషన్‌ను సంక్షిప్తంగా చూపిస్తుంది, స్వతంత్ర భద్రతా ఆడిట్ ఫలితాలను కాదు.

క్రింద ఉన్న వివరాలు, రోజువారీ వినియోగంలో ఈ తేడాలు ఎక్కడ ముఖ్యమవుతాయో వివరిస్తాయి.

ChatGPT మరియు Claude: మీరు చేసే చర్యే నియమాన్ని మార్చుతుంది.

OpenAI వినియోగదారులకు సాధారణ chat history‌ను తొలగించకుండా training‌ను నిలిపివేయడానికి అనుమతిస్తుంది. Temporary Chat ఒక సంభాషణ నిర్వహణను ఇంకా మార్చుతుంది, కానీ దాని documentation ఇప్పటికీ abuse review‌కు అనుమతిస్తుంది మరియు 30-రోజుల deletion period‌ను వివరిస్తుంది. Codex వినియోగదారులు కూడా account-wide content setting‌ను, దాని వేరు full-environment setting‌తో భేదించాలి. 4, 5

Claude విషయంలో, feedback‌కు ప్రత్యేక శ్రద్ధ అవసరం. Anthropic ప్రకారం, thumbs-up, thumbs-down, లేదా bug report వల్ల సంబంధిత సంభాషణను ఐదు సంవత్సరాల వరకు నిల్వ చేయడం జరగవచ్చు, అలాగే model training సహా పలు ప్రయోజనాల కోసం దాన్ని ఉపయోగించవచ్చు. సాధారణ model improvement‌ను ప్రారంభించడం వల్ల, అర్హత కలిగిన de-identified material training pipelines‌లో ఐదు సంవత్సరాల వరకు ఉండటానికి కూడా అనుమతిస్తుంది. ఇవి సాధారణ chat deletion నియమాలే కావు. 6, 7

అందువల్ల, ఒక వ్యక్తి ఒకే ఉత్పత్తిలో అనేక గోప్యతా నిర్ణయాలు తీసుకుంటూ, అవి వేర్వేరు నిర్ణయాలని గ్రహించకపోవచ్చు. ఉత్పత్తి రూపకల్పన వినియోగ సమయంలోనే ఆ తేడాలను స్పష్టంగా చూపించాలి.

Cursor మరియు Perplexity: ఉత్పత్తి label అనేది processing boundary కాదు.

Cursor యొక్క Privacy Mode training మరియు provider retention‌పై అర్థవంతమైన పరిమితులను అందిస్తుంది. అయితే అది editor‌ను local-onlyగా మార్చదు: వినియోగదారు ఇచ్చిన API key ఉన్నప్పటికీ, requests ఇంకా తన backend ద్వారా ప్రయాణిస్తాయని Cursor చెబుతుంది. దాని documentation తాత్కాలిక encrypted file caching‌ను, అలాగే abuse investigations లేదా designated models‌తో సంబంధం ఉన్న మినహాయింపులను కూడా వివరిస్తుంది. 12

Perplexity వేరొక తేడాను చూపిస్తుంది. దాని Free, Pro, మరియు Max accounts consumer training controls కిందకు వస్తాయి, అందులో collection డిఫాల్ట్‌గా ప్రారంభించబడి ఉంటుంది. ప్రచురించిన opt-out తరువాత సేకరించబడే డేటాకు వర్తిస్తుంది, గతంలో training‌కు ఉపయోగించిన డేటాను వెనక్కి తీసివేయడానికి కాదు. వ్యక్తిగత subscription కొనడం వల్ల అది Enterprise account‌గా మారదు. 13

ఈ రెండు సందర్భాల్లోనూ, సంబంధిత ప్రశ్న ఎంపిక చేసిన mode మరియు account ఏమి మారుస్తాయన్నదే—ఉత్పత్తి పేరు ఏమి సూచిస్తున్నట్టుగా కనిపిస్తుందన్నది కాదు.

Manus మరియు Muse: private workspaces‌కూ స్పష్టమైన సరిహద్దులు అవసరం.

Manus ప్రకారం, పంచుకోనంతవరకు individual tasks privateగా ఉంటాయి. దాని Team documentation‌లో owners team session content‌ను యాక్సెస్ చేయగలరని కూడా వివరించబడింది. ఇవి ఉపయోగకరమైన visibility rules, కానీ ఇవి individual training policy‌ను స్థాపించవు. ఈ సమీక్ష కోసం పూర్తి Manus privacy page‌ను పొందలేకపోయారు, కాబట్టి ఆ ప్రశ్నను మరో plan నుంచి పూరించకుండా, ధృవీకరించబడలేదనే స్థితిలోనే ఉంచారు. 14, 15

Muse launch documentation, operational restrictions మరియు technical prevention మధ్య తేడాను అసాధారణంగా స్పష్టంగా వివరిస్తుంది. launch-time Secure VM సిబ్బంది యాక్సెస్‌ను policies ద్వారా పరిమితం చేస్తుందని, కానీ సేవను నిర్వహించడానికి, support ఇవ్వడానికి, లేదా secure చేయడానికి అవసరమైనప్పుడు యాక్సెస్‌ను నిరోధించదని Meta చెబుతుంది. operator access‌ను cryptographically నిరోధించడానికి ఉద్దేశించిన Confidential VM త్వరలో వస్తుందని, పరిమిత testing‌లో ఉందని వివరించబడింది. ప్రణాళికలో ఉన్న రక్షణను, ఇప్పటికే అందరికీ అందుబాటులో ఉన్నదిగా లెక్కించకూడదు. 16

Muse తన ప్రధాన agent నుంచి నిజమైన connector credentials‌ను దూరంగా ఉంచుతుంది మరియు action approvals‌ను వేరు permission authority కింద ఉంచుతుంది. ఇది ఒక విలువైన సూత్రాన్ని చూపిస్తుంది: కేవలం సౌకర్యంగా ఉండొచ్చనే కారణంతో agent‌కు ఒక రహస్యం లేదా అనుమతి ఇవ్వకూడదు. 16

బహిర్గతం కావడానికి ముందే రక్షణను తీసుకెళ్లండి

training exclusion అనేది డేటా వినియోగాన్ని నియంత్రిస్తుంది. masking processing‌కు అందుబాటులో ఉన్న డేటాను మార్చుతుంది. restricted retention మిగిలి ఉండే ప్రతులను తగ్గిస్తుంది. permission controls ఒక agent ఏమి చేయగలదో పరిమితం చేస్తాయి. ఈ రక్షణలు పరస్పరం పూరకమైనవి, మరియు ప్రతి ఒక్కటి పనిచేసే దశ ముఖ్యమైనది.

ఒక ఉదాహరణాత్మక అభ్యర్థనను పరిగణించండి: ఒక నిర్దిష్ట ఇమెయిల్ చిరునామాలో ఉన్న క్లయింట్‌కు ఫాలో-అప్ రాయండి. సందేశాన్ని ముసాయిదా చేయడానికి మోడల్‌కు ఉద్దేశ్యం, టోన్, మరియు సంబంధిత కమిట్‌మెంట్‌లు అవసరం కావచ్చు. కానీ ఆ సందేశాన్ని తయారు చేయడానికి క్లయింట్ యొక్క అసలు పేరు లేదా చిరునామా అవసరం లేకపోవచ్చు. ఇన్‌ఫరెన్స్‌కు ముందు గుర్తించిన ఆ గుర్తింపులను ప్లేస్‌హోల్డర్‌లతో భర్తీ చేయడం వల్ల, పనికి ఉపయోగకరమైన నిర్మాణం అలాగే ఉండగా, మోడల్‌కు చేరే సమాచారం తగ్గుతుంది.

అది అసలు పాఠ్యాన్ని పంపించి, తర్వాత ఎప్పుడో ఉపయోగించే ముందు గుర్తింపులను తొలగిస్తామని హామీ ఇవ్వడం కంటే భిన్నం.

అదే సూత్రం వ్యక్తిగత గుర్తింపులను దాటి మరింత విస్తరిస్తుంది. గోప్యమైన పరిశోధనకు పరిశోధన విషయంపైనే నియంత్రణలు అవసరం; అనుసంధానమైన ఖాతాలకు పరిమిత పరిధి గల అనుమతులు అవసరం; నిల్వ చేసిన రికార్డులకు నిర్వచిత కాలపరిమితులు మరియు అమలు చేయగల యాక్సెస్ పరిమితులు అవసరం. గుర్తింపు మాస్కింగ్ ఆ రూపకల్పనలో ఒక భాగం మాత్రమే; అది ఆవిష్కరణ లేదా పత్రం యొక్క అసలు విషయాన్ని రక్షించడానికి ప్రత్యామ్నాయం కాదు.

పరిశ్రమ అంతటా దీనికి సంబంధించిన పని జరుగుతోంది. OpenAI ఏప్రిల్ 2026లో స్థానికంగా నడపగల Privacy Filter‌ను విడుదల చేసింది, మరియు Meta యొక్క Muse డాక్యుమెంటేషన్ సాంకేతిక ఐసోలేషన్‌తో పాటు అభివృద్ధిలో ఉన్న మరింత బలమైన confidential-computing రూపకల్పనను వివరిస్తుంది. ఈ ప్రయత్నాలు గోప్యతను వ్యవస్థలోనే ఇంజినీరింగ్ చేయాలనే వాదనకు బలం ఇస్తాయి. అయితే, ఒక టూల్ విడుదల లేదా రోడ్‌మ్యాప్ మాత్రమే, ప్రతి వినియోగదారుడి సంభాషణకు ఇప్పటికే తగిన రక్షణ లభిస్తోందని నిరూపించదు. 16, 19

ఈరోజు తాము ఉపయోగిస్తున్న ఉత్పత్తిలో ఒక వ్యక్తికి లభించే రక్షణే ప్రమాణంగా ఉండాలి.

Dvina: సాధారణ పరస్పర చర్యలో గోప్యతను భాగం చేయడం

Dvina యొక్క విధానం ఈ ముందస్తు రక్షణను అసిస్టెంట్ అనుభవంలోకి తీసుకువస్తుంది. దాని డాక్యుమెంటెడ్ డిజైన్ ప్రకారం, ప్రజలు టైప్ చేస్తున్నప్పుడు లేదా కంటెంట్ అప్‌లోడ్ చేస్తున్నప్పుడు సున్నితమైన వ్యక్తిగత సమాచారాన్ని స్థానికంగానే గుర్తించి, గుర్తించిన వ్యక్తిగత డేటాను ఎన్‌క్రిప్ట్ చేసి, మోడల్ ప్రాసెసింగ్‌కు ముందు ప్లేస్‌హోల్డర్‌లతో భర్తీ చేస్తుంది. మోడల్ అసలు గుర్తించిన గుర్తింపుల బదులుగా ఆ ప్లేస్‌హోల్డర్‌లతోనే పని చేస్తుంది. 17, 18

ఈ తేడా ఆచరణాత్మకం. ప్రతి పనిని మధ్యలో ఆపి పేర్లు, సంప్రదింపు వివరాలను చేతితో తొలగించాల్సిన అవసరం వినియోగదారుడికి ఉండకూడదు; లేదా మోడల్ వాటిని స్వీకరించిన తర్వాత ఏమి జరుగుతుందన్న హామీపైనే ఆధారపడకూడదు. రక్షణ పరస్పర చర్యతో పాటు ఉండాలి.

Dvina వినియోగదారుల సంభాషణలు, ఫైళ్లు, ప్రాంప్ట్‌లు, మరియు వర్క్‌స్పేస్ డేటాను మోడల్ శిక్షణ నుంచి కూడా మినహాయిస్తుంది. ఈ కలయిక ముఖ్యమైనది: no-training కమిట్‌మెంట్ పునర్వినియోగాన్ని పరిమితం చేస్తుంది, కాగా pre-processing రక్షణ మొదటినుంచే మోడల్‌కు బహిర్గతమయ్యే వ్యక్తిగత సమాచారాన్ని తగ్గిస్తుంది. 17, 18

ఇతర పొరలు కూడా ఈ విధానానికి మద్దతు ఇస్తాయి. Dvina ఎన్‌క్రిప్ట్ చేసిన సంభాషణ నిల్వ, నిల్వ చేసిన సందేశాలు మరియు వినియోగదారుడి గుర్తింపుకు మధ్య విభజన, అలాగే GDPR-స్థాయి రక్షణలతో EU-hosted డేటా గురించి వివరిస్తుంది. వీటిలో ప్రతి ఒక్కటి మొత్తం భారాన్ని ఒక్క training preference మీద వేయకుండా, నిర్వహణ ప్రక్రియలోని వేర్వేరు భాగాలను పరిష్కరిస్తుంది. 17, 18

సాంకేతిక తేడా స్పష్టమైనది: చుట్టూ ఉన్న పని ప్రాసెసింగ్‌కు అందుబాటులో ఉండగానే, గుర్తించిన వ్యక్తిగత గుర్తింపులు మోడల్ ఇన్‌పుట్‌లో భర్తీ చేయబడతాయి. అలా గోప్యత, వినియోగదారులు గుర్తుంచుకుని నిర్వహించాల్సిన ఒక preference‌గా మాత్రమే కాకుండా, డేటా ప్రవాహంలో భాగమవుతుంది.

నా దృష్టిలో, AI కోసం ఇది మరింత ఉపయోగకరమైన దిశ: ప్రజలు తమ పనికి అర్థవంతమైన సందర్భాన్ని తీసుకురాగలిగేలా చేయడం, అదే సమయంలో ఆ పనికి అవసరమైన దానికంటే తక్కువగా వారి గుర్తింపును బహిర్గతం చేసేలా వ్యవస్థను రూపకల్పన చేయడం.

ముగింపు: ప్రజలు AIని తమ జీవితాల్లో ఎంతవరకు అనుమతిస్తారో గోప్యతే నిర్ణయిస్తుంది

AI అసిస్టెంట్లు మన పరిస్థితులను మరింతగా అర్థం చేసుకున్న కొద్దీ మరింత ఉపయోగకరంగా మారతాయి. దాంతో, ఆ అర్థం వెనుక ఉన్న సమాచారాన్ని రక్షించే బాధ్యత కూడా ఏర్పడుతుంది. ప్రజల నుంచి మరింత ప్రాప్యత కోరుతూ, ప్రతిగా ఇంకో settings page మాత్రమే ఇవ్వడం సరిపడే సమాధానం కాదు.

సాక్ష్యాలు అనేక వేర్వేరు ప్రమాదాలను సూచిస్తున్నాయి. సాఫ్ట్‌వేర్ ఖాతాల మధ్య డేటాను బహిర్గతం చేయగలదు. నిల్వ చేసిన సంభాషణలు చట్టపరమైన డిమాండ్లకు లోబడవచ్చు. భద్రతా ఉల్లంఘన లేకుండానే అధీకృత సమీక్ష ఉండవచ్చు. ప్రైవేట్ పరిశోధనపై వివాదాలు, ఆరోపణ స్వతంత్రంగా స్థాపించబడకపోయినా, నమ్మకాన్ని దెబ్బతీయవచ్చు.

ఆ ప్రమాదాలకు కేవలం మెరుగైన పదజాలం కాదు, ఇంజినీరింగ్ పని అవసరం. సున్నితమైన డేటా గుర్తింపు, pre-processing రక్షణ, గుర్తింపు విభజన, పరిమిత నిల్వ, మరియు అమలు చేయగల అనుమతులు — ఇవన్నీ ప్రాథమిక AI భద్రతా సామర్థ్యాలుగా నిరంతర శ్రద్ధ పొందాలి. అసిస్టెంట్ ఉపయోగకరత మరియు దాని వినియోగదారుడి రక్షణ రెండూ కలిసి ముందుకు సాగాలి.

Dvinaతో, మోడల్ ప్రాసెసింగ్‌కు ముందు రక్షణను ఉత్పత్తి పునాదిలో భాగం చేయడం ద్వారా ఆ మార్పుకు మేము నాయకత్వం వహించడంలో సహాయపడుతున్నాము. లక్ష్యం మరింత బలమైన వాదనల ద్వారా మరింత నమ్మకం కోరడం కాదు. కేవలం ఒక హామీపైనే ఆధారపడాల్సిన నమ్మక పరిమాణాన్ని తగ్గించడం.

ప్రజలు సహాయం కోరగలగాలి, ఒక ఆలోచనను అభివృద్ధి చేసుకోగలగాలి, ముందుకు సాగడానికి అవసరమైన సందర్భాన్ని పంచుకోగలగాలి — ప్రతి సంభాషణను తమ గోప్యతను వదులుకోవాల్సిన సంభావ్య పరిస్థితిగా చూడకుండా. ఆ నమ్మకాన్ని నిర్మించడం AI ముందున్న అత్యంత ముఖ్యమైన పనుల్లో ఒకటి.

మూలాలు మరియు పరిధి

22 September 2026న సమీక్షించిన మూలాలు. ఈ వ్యాసం ప్రొవైడర్ డాక్యుమెంటేషన్ మరియు ఆపాదించబడిన రిపోర్టింగ్‌పై ఆధారపడింది; ఇది స్వతంత్ర భద్రతా ఆడిట్ కాదు. వ్యక్తిగత ప్లాన్‌లు ప్రధాన పోలిక పరిధి. వాణిజ్య, API, మరియు మోడల్-నిర్దిష్ట మినహాయింపులు వేరుగా గుర్తించబడ్డాయి. గణిత విభాగం నివేదించబడిన ఆందోళనలను OpenAI యొక్క నవీకరించిన ప్రతిస్పందనతో వేరు చేస్తుంది; వీటిలో ఏదీ స్వతంత్ర నిర్ధారణగా చూపబడలేదు. Manus యొక్క individual-plan training rule ధృవీకరించబడలేదు, ఎందుకంటే దాని పూర్తి privacy policy‌ను పొందలేకపోయారు.

1. OpenAI: మార్చి 2023 ChatGPT ఘటనపై వెల్లడింపు
2. OpenAI: 2025 సంరక్షణ ఆదేశం మరియు అక్టోబర్ నవీకరణ
3. Reuters: 20 మిలియన్ అనామకీకరించిన లాగ్‌లకు సంబంధించిన డిసెంబర్ 2025 ఆదేశం
4. OpenAI: వినియోగదారుల శిక్షణ, అనుమతించబడిన ప్రాప్యత, మరియు తొలగింపు
5. OpenAI: ChatGPT, Codex, మరియు Temporary Chat నియంత్రణలు
6. Anthropic: వినియోగదారుల శిక్షణ, అభిప్రాయం, మరియు Incognito
7. Anthropic: వినియోగదారుల నిల్వ మరియు తొలగింపు
8. Anthropic: ఉద్యోగుల ప్రాప్యత పరిమితులు మరియు మినహాయింపులు
9. Anthropic: Covered Models నిల్వ అవసరాలు మరియు అమలు పరిధి
10. Andrew Cullen / The Conversation, Singularity Hub ద్వారా మళ్లీ ప్రచురితం: గణిత వివాదం
11. OpenAI: Navier–Stokes ప్రకటన మరియు 10 సెప్టెంబర్ ప్రతిస్పందన నవీకరణ
12. Cursor: డేటా-వినియోగ మోడ్‌లు, బ్యాక్‌ఎండ్ ప్రాసెసింగ్, మరియు మినహాయింపులు
13. Perplexity: వినియోగదారుల డేటా సేకరణ మరియు Enterprise తేడాలు
14. Manus: వ్యక్తిగత మరియు Team టాస్క్ దృశ్యమానత
15. Manus: Team training opt-out సహా ప్లాన్ ఫీచర్లు
16. Meta: Muse ప్రారంభ ఆర్కిటెక్చర్, శిక్షణ పద్ధతులు, మరియు Confidential VM ప్రణాళికలు
17. Dvina: గోప్యతా విధానం
18. Dvina: గోప్యతా రూపకల్పన మరియు ప్రీ-ప్రాసెసింగ్ రక్షణలు
19. OpenAI: Privacy Filter విడుదల మరియు ఉద్దేశించిన వినియోగాలు