شیئر کرنے سے پہلے: AI رازداری کو صرف ایک وعدے سے زیادہ کی ضرورت ہے

تعارف: گفتگو آپ کی زندگی بنتی جا رہی ہے

آپ ایک مشکل جواب لکھنے کے لیے AI اسسٹنٹ کھولتے ہیں۔ آپ پیغام پیسٹ کرتے ہیں، تعلق کی نوعیت سمجھاتے ہیں، اور چند ایسی تفصیلات شامل کرتے ہیں جو آپ نے کہیں اور شیئر نہیں کیں۔ کسی اور دن، آپ ایک معاہدہ اپ لوڈ کرتے ہیں، کسی نامکمل خیال پر بات کرتے ہیں، یا اپنا ان باکس جوڑ دیتے ہیں تاکہ اسسٹنٹ سمجھ سکے کہ کس چیز کو آپ کی توجہ درکار ہے۔

ان میں سے کوئی بھی عمل اشاعت جیسا محسوس نہیں ہوتا۔ آپ مدد مانگ رہے ہوتے ہیں۔

لیکن یہ معلومات ایسے انفراسٹرکچر، اسٹوریج سسٹمز، جائزہ عمل، اور قانونی ذمہ داریوں سے گزر سکتی ہیں جو گفتگو کی ونڈو سے بڑی حد تک اوجھل رہتی ہیں۔ ایک اسسٹنٹ بہت پہلے ذاتی محسوس ہونے لگ سکتا ہے، اس سے پہلے کہ آپ کے ڈیٹا کے ساتھ اس کا برتاؤ واقعی اس توقع کے مطابق ہو۔

میرا مؤقف سادہ ہے: AI رازداری کا انحصار صرف اس بات پر نہیں ہونا چاہیے کہ آپ کی معلومات موصول ہونے کے بعد کوئی کمپنی کیا کرنے کا وعدہ کرتی ہے۔ اس کا انحصار اس بات پر بھی ہونا چاہیے کہ اس کے سسٹمز ابتدا ہی میں کس چیز کو ماڈل تک پہنچنے سے روکتے ہیں۔ پالیسیاں اہم ہیں۔ مگر ان کے پیچھے تکنیکی تحفظات بھی ہونے چاہییں۔

میں نے یہ مضمون Dvina ٹیم کی معاونت سے تیار کیا ہے۔ اس میں ChatGPT، Claude، Cursor، Perplexity، Manus، Meta کے Muse، اور Dvina میں دستاویزی واقعات اور موجودہ طریقۂ کار کا جائزہ لیا گیا ہے۔ مقصد یہ واضح کرنا ہے کہ جیسے جیسے AI ہماری زندگیوں میں زیادہ شامل ہوتا جا رہا ہے، رازداری کو انجینئرنگ کی ایک مرکزی ترجیح کیوں بننا چاہیے—اور Dvina اس ذمہ داری سے کیسے نمٹ رہا ہے۔

واقعات ہمیں کیا بتاتے ہیں

تشویش فرضی نہیں ہے۔ لیکن مختلف قسم کے شواہد مختلف مسائل کو ظاہر کرتے ہیں۔ کسی تصدیق شدہ ڈیٹا افشا، مجاز انسانی جائزے، اور تحقیقی غلط استعمال کے الزام کو اس طرح پیش نہیں کیا جانا چاہیے جیسے وہ ایک ہی واقعہ ہوں۔

ChatGPT کا 2023 کا افشا: خود سسٹم میں ناکامی۔

20 مارچ 2023 کو، ایک سافٹ ویئر بگ کی وجہ سے کچھ ChatGPT صارفین کسی دوسرے فعال صارف کی گفتگو کی ہسٹری کے عنوانات دیکھ سکے۔ OpenAI نے کہا کہ بعض حالات میں نئی بنائی گئی گفتگو کا پہلا پیغام بھی نظر آ سکتا تھا۔ اس کی تحقیقات میں معلوم ہوا کہ ایک مخصوص نو گھنٹے کے عرصے کے دوران فعال Plus سبسکرائبرز میں سے 1.2% کے لیے ادائیگی سے متعلق معلومات ممکنہ طور پر افشا ہوئیں۔ مکمل کارڈ نمبرز افشا نہیں ہوئے تھے۔ OpenAI نے بگ کو درست کیا اور متاثرہ صارفین کو مطلع کیا۔ 1

سبق یہ نہیں کہ وہی کمزوری اب بھی کھلی ہوئی ہے۔ سبق یہ ہے کہ صرف رازداری کا عہد، بذاتِ خود، کسی سسٹم کو غلط شخص کو معلومات واپس دینے سے نہیں روک سکتا۔ علیحدگی، رسائی کی جانچ، اور افشا ہونے کے لیے دستیاب قابلِ شناخت معلومات کی مقدار—سب اہم ہیں۔

The New York Times کی قانونی چارہ جوئی: حذف کرنے کا عمل ایک قانونی ذمہ داری سے ٹکرایا۔

2025 میں، OpenAI کو ایک عدالتی حکم کا سامنا کرنا پڑا جس کے تحت ایسے ڈیٹا کو محفوظ رکھنا لازم تھا جو بصورتِ دیگر حذف کر دیا جاتا۔ اکتوبر کی اس کی تازہ کاری میں کہا گیا کہ نئے ڈیٹا کو غیر معینہ مدت تک محفوظ رکھنے کی وسیع ذمہ داری 26 September 2025 کو ختم ہو گئی تھی، جبکہ ایک محدود تاریخی مجموعہ قانونی روک کے تحت برقرار رہا۔ اصل تحفظ کی شرط میں بعض مصنوعات اور zero-data-retention انتظامات شامل نہیں تھے۔ 2

بعد کی ایک پیش رفت کو الگ سے پڑھنا چاہیے: December 2025 میں، Reuters نے رپورٹ کیا کہ ایک جج نے copyright مقدمے میں OpenAI کو 20 million anonymized chat logs پیش کرنے کا حکم دیا، اس کے اعتراضات مسترد کرتے ہوئے اور de-identification اور حفاظتی safeguards پر انحصار کرتے ہوئے۔ یہ discovery order تھا، نہ کہ انٹرنیٹ پر سب کی نجی chats شائع کرنا۔ 3

مجموعی طور پر، یہ واقعات دکھاتے ہیں کہ deletion setting ہر سوال کا جواب نہیں دیتی کہ محفوظ رکھی گئی معلومات کے ساتھ کیا ہوتا ہے۔ ایک بار جب کوئی نقل موجود ہو، تو صارف کے اختیار سے باہر کی ذمہ داریاں اس کے انجام پر اثر انداز ہو سکتی ہیں۔ غیر ضروری retention کم کرنا، تنازع شروع ہونے سے پہلے ہی اس exposure کو بدل دیتا ہے۔

انسانی جائزہ: breach کے بغیر بھی رسائی دی جا سکتی ہے۔

OpenAI کی consumer documentation واضح طور پر مجاز اہلکاروں اور service providers کو مخصوص مقاصد کے لیے محدود رسائی کی اجازت دیتی ہے، جن میں security investigations، support، قانونی معاملات، اور اہل model improvement شامل ہیں۔ Anthropic کی consumer guidance نامزد عملے کو usage-policy enforcement کے لیے conversations کا جائزہ لینے کی اجازت دیتی ہے، جبکہ consented feedback سے متعلق رسائی الگ بیان کی گئی ہے۔ 4, 8

یہ دستاویزی رسائی کے راستے ہیں، افواہیں نہیں۔ یہ اس بات کو ثابت نہیں کرتے کہ ملازمین ہر conversation پڑھتے ہیں۔ لیکن یہ ضرور واضح کرتے ہیں کہ بظاہر نجی chat interface لازماً provider کی رسائی کے خلاف کوئی تکنیکی رکاوٹ نہیں ہوتا۔

Anthropic کی موجودہ documentation کاروباری پہلو سے ایک اہم مثال بھی شامل کرتی ہے۔ اس کے نامزد Covered Models بعض deployments میں 30-day retention کا تقاضا کرتے ہیں، حالانکہ پہلے وہاں zero data retention استعمال ہوتی تھی، ساتھ میں controlled human review اور exceptions بھی ہیں۔ اس اصول کی model، platform، اور eligibility کی حدود ہیں؛ یہ ہر Claude product میں یکساں تبدیلی نہیں ہے۔ Consumer plans کو غیر متاثرہ بتایا گیا ہے کیونکہ ان surfaces پر inputs اور outputs پہلے ہی محفوظ رکھے جاتے ہیں۔ 9

Safety monitoring کا ایک جائز مقصد ہے۔ انجینئرنگ کا چیلنج یہ ہے کہ اس مقصد کو پورا کرتے ہوئے monitoring systems اور reviewers کے لیے دستیاب حساس معلومات کو کم سے کم رکھا جائے۔ safety کی توجیہ privacy کے سوال کو غائب نہیں کر دیتی۔

ریاضیاتی تنازع: ایک غیر حل شدہ الزام، اعتماد کا ایک حقیقی مسئلہ

September 2026 میں OpenAI کے Navier–Stokes اعلان کے گرد پیدا ہونے والے تنازع نے ایک مختلف تشویش کو سامنے لایا: جب نجی تحقیق میں مدد دینے والا assistant ایسی کمپنی کا ہو جو خود بھی تحقیق کر رہی ہو، تو پھر کیا ہوتا ہے؟

یہ تنازع غیر شائع شدہ ریاضیاتی کام اور credit سے متعلق تھا۔ رپورٹنگ میں بتایا گیا کہ ریاضی دان Tristan Buckmaster اور Levent Alpöge اپنے کام میں AI tools استعمال کر رہے تھے، اور Buckmaster نے یہ سوال اٹھایا کہ آیا ان کا نجی مواد OpenAI کے نتیجے میں شامل ہوا تھا۔ 10

OpenAI اس بیان سے اختلاف کرتا ہے۔ اس کے شائع شدہ جواب میں کہا گیا ہے کہ publication سے پہلے نہ اس کے researchers نے اور نہ ہی اس کے agents نے اس جوڑی کا کام دیکھا۔ 10 September کی تاریخ والی ایک update میں اس نے مزید کہا کہ ایک investigation نے پچھلے دو ماہ کے دوران Buckmaster کے Codex prompts سے کسی بھی اثر کو خارج کر دیا تھا، training کے ذریعے بھی نہیں۔ وقت کی حد کے ساتھ دیا گیا یہ بیان بعض رپورٹنگ میں موجود پہلے کے بیان سے زیادہ مخصوص ہے۔ 11

عوامی بیانات اب بھی متنازع ہیں۔ یہاں جائزہ لیے گئے ذرائع آزادانہ طور پر یہ ثابت نہیں کرتے کہ OpenAI نے اپنا نتیجہ پیدا کرنے کے لیے ان نجی conversations کو استعمال کیا تھا۔

اس کے باوجود، یہ تنازع ایک ایسے سوال کو بے نقاب کرتا ہے جس کا واضح جواب ہونا چاہیے: جب لوگ نامکمل کام AI کے سامنے رکھتے ہیں، تو اس کام کی معلوماتی قدر کو کیا تحفظ دیتا ہے؟ کسی proof سے مصنف کا نام ہٹا دینے سے proof ختم نہیں ہو جاتا۔ کسی تجارتی حکمتِ عملی کو de-identify کر دینے سے وہ حکمتِ عملی عوامی ملکیت نہیں بن جاتی۔

اسی لیے مضبوط privacy کے لیے شناخت اور مواد، دونوں کے تحفظات ضروری ہیں۔ صارفین کو یہ سمجھنے کے قابل ہونا چاہیے کہ آیا ان کا مواد training، research، evaluation، یا review workflows میں جا سکتا ہے—اور کون سے technical controls ان حدود کو نافذ کرتے ہیں۔

چار سوالات جنہیں کبھی ایک میں ضم نہیں کرنا چاہیے

زیادہ تر الجھن اس وجہ سے پیدا ہوتی ہے کہ “private” کو ایک ہی خصوصیت سمجھ لیا جاتا ہے۔ عملی طور پر، چار الگ سوالات طے کرتے ہیں کہ کسی conversation کے ساتھ کیا ہوتا ہے۔

Training: کیا یہ مواد کسی model کی development یا improvement میں مدد دے سکتا ہے؟ opt-out معلومات کے ایک مجاز استعمال کو بدلتا ہے۔ یہ لازماً یہ نہیں بدلتا کہ معلومات منتقل ہوئی یا محفوظ کی گئی۔

Access: کون سے systems اور لوگ اسے دیکھ سکتے ہیں؟ transmission اور storage کے دوران encryption اہم ہے، لیکن یہ خود بخود اس بات کو نہیں روکتی کہ کوئی مجاز service processing یا review کے لیے content کو decrypt نہ کر سکے۔

Retention: کیا باقی رہتا ہے، کہاں، اور کتنی مدت تک؟ interface سے chat ہٹانا، production records حذف کرنا، backups کا expire ہونا، اور future training سے data کو خارج کرنا، یہ سب مختلف operations ہیں۔

اقدامات: ایک منسلک اسسٹنٹ کیا پڑھ سکتا ہے، کیا بدل سکتا ہے، یا کیا بھیج سکتا ہے؟ جب وہ آپ کے اکاؤنٹس کے ذریعے کام کر سکتا ہو، تو رازداری کا انحصار اجازتوں اور باہر جانے والے ڈیٹا پر کنٹرولز پر بھی ہوتا ہے۔

رازداری کا ایک مفید تقابلی جائزہ ان سوالات کو الگ الگ رکھتا ہے۔ ایک ادا شدہ سبسکرپشن، ٹریننگ سوئچ، یا نجی-کام کا لیبل ان چاروں کا جواب نہیں دے سکتا۔

سروسز کا تقابل

نیچے دی گئی جدول انفرادی استعمال پر مرکوز ہے، جب تک کہ کوئی مختلف دائرۂ کار بیان نہ کیا گیا ہو۔ یہ جائزہ لیے گئے دستاویزات کا خلاصہ ہے، کسی آزاد سیکیورٹی آڈٹ کے نتائج نہیں۔

Service	Training position	سمجھنے کے لیے الگ حد
ChatGPT	انفرادی مواد بہتری کے لیے استعمال ہو سکتا ہے؛ کنٹرولز نئی گفتگوؤں اور Codex ٹاسکس کو خارج کرتے ہیں۔ Temporary Chat خارج ہے۔ 4, 5	مجاز رسائی اور برقرار رکھنا الگ معاملات رہتے ہیں۔ Codex میں پورے ماحول کی ٹریننگ کے لیے بھی ایک الگ سیٹنگ ہے۔
Claude	صارفین کے لیے ماڈل میں بہتری صارف کے انتخاب پر منحصر ہے؛ فیڈبیک اور حفاظت سے متعلق استعمال کے الگ قواعد ہیں۔ Incognito عمومی بہتری سے خارج ہے۔ 6	جائزے اور برقرار رکھنے کی استثنائیں پھر بھی لاگو ہوتی ہیں۔ بعض تجارتی Covered Models کے لیے برقرار رکھنے کی اضافی شرائط ہیں۔ 7–9
Cursor	Privacy Mode، Cursor ٹریننگ سے کسٹمر ڈیٹا کو خارج کرتا ہے اور بیان کردہ استثناؤں کے تابع، فراہم کنندگان کے no-retention انتظامات کی وضاحت کرتا ہے۔ 12	درخواستیں پھر بھی Cursor کے backend سے گزرتی ہیں۔ غلط استعمال کی تحقیقات، caching، اور ماڈل-مخصوص نوٹس اہم ہیں۔
Perplexity	صارفین کے لیے AI ٹریننگ کلیکشن بطور ڈیفالٹ فعال ہے، Pro اور Max سمیت؛ صارفین آئندہ کے لیے opt out کر سکتے ہیں۔ 13	opt out کرنے سے سروس آپریشنز یا قانونی تعمیل کے لیے processing نہیں رکتی۔ Enterprise کی شرائط مختلف ہیں۔
Manus	Team دستاویزات میں ٹریننگ opt-out درج ہے؛ یہ جائزہ انفرادی پلان کے حتمی ٹریننگ اصول کی تصدیق نہیں کر سکا۔ 15	انفرادی ٹاسکس کا بطور ڈیفالٹ نجی ہونا، provider کے استعمال پر مکمل پابندی نہیں بلکہ شیئرنگ کی visibility کو بیان کرتا ہے۔ 14
Meta’s Muse	لانچ دستاویزات کے مطابق sanitized interaction data پر بطور ڈیفالٹ ٹریننگ ہوتی ہے، اور opt-out موجود ہے۔ 16	ٹریننگ سے پہلے sanitizing، inference سے پہلے masking کے برابر نہیں ہے۔ لانچ کے وقت کی operator پابندیاں، منصوبہ بند Confidential VM سے مختلف ہیں۔
Dvina	گفتگوئیں، فائلیں، prompts، اور workspace data AI ماڈلز کی ٹریننگ کے لیے استعمال نہیں ہوتے۔ 17, 18	خودکار masking ایک پہلے کی حد کو حل کرتی ہے: شناخت شدہ ذاتی شناخت کنندگان کو ماڈل processing سے پہلے بدل دیا جاتا ہے۔

نیچے کی تفصیل واضح کرتی ہے کہ روزمرہ استعمال میں یہ امتیازات کہاں اہم ہو جاتے ہیں۔

ChatGPT اور Claude: آپ جو عمل کرتے ہیں، وہی اصول بدل دیتا ہے۔

OpenAI صارفین کو عام چیٹ ہسٹری ہٹائے بغیر ٹریننگ بند کرنے کی اجازت دیتا ہے۔ Temporary Chat گفتگو کے برتاؤ کو مزید بدل دیتا ہے، لیکن اس کی دستاویزات پھر بھی غلط استعمال کے جائزے کی اجازت دیتی ہیں اور 30 دن کی deletion مدت بیان کرتی ہیں۔ Codex صارفین کو بھی اکاؤنٹ-سطح کی content setting اور اس کی الگ full-environment setting میں فرق کرنا چاہیے۔ 4, 5

Claude کے ساتھ، فیڈبیک خاص توجہ کا مستحق ہے۔ Anthropic کہتا ہے کہ thumbs-up، thumbs-down، یا bug report میں متعلقہ گفتگو کو پانچ سال تک محفوظ رکھنا شامل ہو سکتا ہے اور اسے ماڈل ٹریننگ سمیت مختلف مقاصد کے لیے استعمال کیا جا سکتا ہے۔ عمومی ماڈل بہتری فعال کرنے سے اہل de-identified مواد کو بھی پانچ سال تک training pipelines میں برقرار رہنے کی اجازت ملتی ہے۔ یہ عام چیٹ deletion جیسے اصول نہیں ہیں۔ 6, 7

اس لیے ایک شخص ایک ہی پروڈکٹ کے اندر رازداری سے متعلق کئی فیصلے کر سکتا ہے، بغیر یہ سمجھے کہ وہ الگ الگ فیصلے ہیں۔ پروڈکٹ ڈیزائن کو استعمال کے مقام پر ان فرقوں کو واضح کرنا چاہیے۔

Cursor اور Perplexity: پروڈکٹ کا لیبل processing کی حد نہیں ہوتا۔

Cursor کا Privacy Mode ٹریننگ اور provider retention پر بامعنی پابندیاں فراہم کرتا ہے۔ یہ ایڈیٹر کو local-only نہیں بناتا: Cursor کہتا ہے کہ درخواستیں پھر بھی اس کے backend سے گزرتی ہیں، حتیٰ کہ user-supplied API key کے ساتھ بھی۔ اس کی دستاویزات عارضی encrypted file caching اور غلط استعمال کی تحقیقات یا designated models سے وابستہ استثناؤں کی بھی وضاحت کرتی ہیں۔ 12

Perplexity ایک مختلف امتیاز دکھاتا ہے۔ اس کے Free، Pro، اور Max اکاؤنٹس صارفین کے ٹریننگ کنٹرولز کے تحت آتے ہیں، جہاں کلیکشن بطور ڈیفالٹ فعال ہے۔ شائع شدہ opt-out بعد میں جمع کیے جانے والے ڈیٹا پر لاگو ہوتا ہے، پہلے سے موجود ٹریننگ ڈیٹا کے سابقہ اخراج پر نہیں۔ ذاتی سبسکرپشن خریدنے سے وہ Enterprise اکاؤنٹ نہیں بن جاتا۔ 13

دونوں صورتوں میں، اصل سوال یہ ہے کہ منتخب کردہ mode اور account کیا بدلتے ہیں—نہ یہ کہ پروڈکٹ کا نام بظاہر کیا تاثر دیتا ہے۔

Manus اور Muse: نجی workspaces کو بھی واضح حدود درکار ہوتی ہیں۔

Manus کہتا ہے کہ انفرادی ٹاسکس، شیئر کیے جانے تک نجی ہوتے ہیں۔ اس کی Team دستاویزات یہ بھی واضح کرتی ہیں کہ مالکان ٹیم سیشن کے مواد تک رسائی حاصل کر سکتے ہیں۔ یہ visibility کے مفید اصول ہیں، لیکن یہ انفرادی ٹریننگ پالیسی قائم نہیں کرتے۔ اس جائزے کے لیے Manus کا مکمل privacy صفحہ حاصل نہیں کیا جا سکا، اس لیے یہ سوال غیر مصدقہ ہی رہتا ہے، اسے کسی دوسرے پلان سے پُر نہیں کیا گیا۔ 14, 15

Muse کی لانچ دستاویزات operational پابندیوں اور technical prevention کے فرق کو غیر معمولی طور پر واضح کرتی ہیں۔ Meta کہتا ہے کہ لانچ کے وقت کا Secure VM پالیسیوں کے ذریعے عملے کی رسائی محدود کرتا ہے، لیکن جب سروس کو چلانے، سپورٹ کرنے، یا محفوظ بنانے کے لیے ضرورت ہو تو رسائی کو نہیں روکتا۔ ایک Confidential VM، جس کا مقصد cryptographically operator access کو روکنا ہے، آئندہ کے لیے بیان کیا گیا تھا اور محدود testing میں تھا۔ کسی منصوبہ بند تحفظ کو ایسا نہیں گننا چاہیے جیسے وہ پہلے ہی سب کے لیے دستیاب ہو۔ 16

Muse حقیقی connector credentials کو اپنے مرکزی agent سے بھی دور رکھتا ہے اور action approvals کو ایک الگ permission authority کے تحت رکھتا ہے۔ یہ ایک اہم اصول کی مثال ہے: کسی agent کو محض سہولت کی خاطر کوئی secret یا permission نہیں ملنی چاہیے۔ 16

تحفظ کو انکشاف سے پہلے کے مرحلے تک لے جائیں

ٹریننگ سے اخراج، ڈیٹا کے ایک استعمال کو منظم کرتا ہے۔ Masking، processing کے لیے دستیاب ڈیٹا کو بدل دیتی ہے۔ محدود retention باقی رہ جانے والی نقول کو کم کرتی ہے۔ Permission controls اس بات کو محدود کرتے ہیں کہ کوئی agent کیا کر سکتا ہے۔ یہ تحفظات ایک دوسرے کی تکمیل کرتے ہیں، اور یہ اہم ہے کہ ہر ایک کس مرحلے پر کام کرتا ہے۔

ایک وضاحتی درخواست پر غور کریں: کسی مخصوص ای میل پتے پر ایک کلائنٹ کو فالو اَپ لکھیں۔ ماڈل کو مقصد، لہجہ، اور متعلقہ وعدوں کی ضرورت ہو سکتی ہے۔ پیغام کا مسودہ تیار کرنے کے لیے اسے کلائنٹ کا اصل نام یا پتہ درکار نہ بھی ہو۔ ان شناختی معلومات کو، جو شناخت ہو جائیں، inference سے پہلے placeholders سے بدل دینے سے ماڈل تک پہنچنے والی معلومات کم ہو جاتی ہیں، جبکہ کام کی مفید ساخت برقرار رہتی ہے۔

یہ اس بات سے مختلف ہے کہ اصل متن بھیج دیا جائے اور وعدہ کیا جائے کہ کسی بعد کے استعمال سے پہلے شناختی معلومات ہٹا دی جائیں گی۔

یہی اصول ذاتی شناختی معلومات سے آگے بھی لاگو ہوتا ہے۔ خفیہ تحقیق کے لیے خود تحقیقی مواد پر کنٹرول درکار ہوتے ہیں؛ منسلک اکاؤنٹس کے لیے محدود دائرۂ کار والی permissions درکار ہوتی ہیں؛ محفوظ رکھے گئے ریکارڈز کے لیے متعین مدتِ بقا اور قابلِ نفاذ رسائی پابندیاں ضروری ہوتی ہیں۔ شناخت چھپانا اس ڈیزائن کا ایک جز ہے، ایجاد یا دستاویز کے اصل مواد کے تحفظ کا متبادل نہیں۔

اس حوالے سے پوری صنعت میں متعلقہ کام ہو رہا ہے۔ OpenAI نے April 2026 میں مقامی طور پر چلنے والا Privacy Filter جاری کیا، اور Meta کی Muse documentation تکنیکی isolation اور زیرِ ترقی ایک زیادہ مضبوط confidential-computing design بیان کرتی ہے۔ یہ کوششیں اس مؤقف کو تقویت دیتی ہیں کہ privacy کو system میں engineering کے ذریعے شامل کیا جانا چاہیے۔ تاہم، کسی tool release یا roadmap کو محض اسی بنیاد پر اس بات کا ثبوت نہیں سمجھا جا سکتا کہ ہر consumer conversation کو پہلے ہی اسی نوعیت کا تحفظ حاصل ہے۔ 16, 19

معیار وہ تحفظ ہونا چاہیے جو کسی شخص کو آج اس پروڈکٹ میں مل رہا ہو جسے وہ استعمال کر رہا ہے۔

Dvina: privacy کو معمول کے interaction کا حصہ بنائیں

Dvina کا طریقۂ کار اس ابتدائی تحفظ کو assistant experience میں لے آتا ہے۔ اس کے documented design کے مطابق، جب لوگ ٹائپ کرتے ہیں یا content upload کرتے ہیں تو یہ مقامی طور پر حساس ذاتی معلومات کی شناخت کرتا ہے، شناخت شدہ ذاتی ڈیٹا کو encrypt کرتا ہے، اور model processing سے پہلے placeholders رکھ دیتا ہے۔ ماڈل اصل شناخت شدہ identifiers کے بجائے انہی placeholders کے ساتھ کام کرتا ہے۔ 17, 18

فرق عملی ہے۔ صارف کو ہر کام کے دوران نام اور رابطے کی تفصیلات ہاتھ سے ہٹانے کے لیے بار بار مداخلت نہیں کرنی چاہیے، نہ ہی صرف اس وعدے پر انحصار کرنا چاہیے کہ ماڈل کے انہیں وصول کرنے کے بعد کیا ہوگا۔ تحفظ interaction کے ساتھ ہونا چاہیے۔

Dvina صارف کی conversations، files، prompts، اور workspace data کو model training سے بھی خارج رکھتا ہے۔ یہ امتزاج اہم ہے: no-training commitment دوبارہ استعمال کو محدود کرتی ہے، جبکہ pre-processing protection اس ذاتی معلومات کو ابتدا ہی میں محدود کرتی ہے جو ماڈل کے سامنے آتی ہے۔ 17, 18

دیگر تہیں بھی اس طریقۂ کار کی حمایت کرتی ہیں۔ Dvina encrypted conversation storage، محفوظ شدہ messages اور user identity کے درمیان separation، اور GDPR-level protections کے ساتھ EU-hosted data کی وضاحت کرتا ہے۔ ان میں سے ہر ایک handling process کے مختلف حصے کو address کرتا ہے، بجائے اس کے کہ پورا بوجھ کسی ایک training preference پر ڈال دیا جائے۔ 17, 18

تکنیکی فرق بالکل واضح ہے: شناخت شدہ ذاتی identifiers کو model input میں بدل دیا جاتا ہے، جبکہ اردگرد کا task processing کے لیے دستیاب رہتا ہے۔ اس طرح privacy data flow کا حصہ بن جاتی ہے، نہ کہ صرف ایک ایسی preference جسے manage کرنا صارفین کو یاد رکھنا پڑے۔

میرے نزدیک AI کے لیے یہی زیادہ مفید سمت ہے: لوگوں کو اپنے کام میں بامعنی context لانے دیا جائے، جبکہ system کو اس طرح ڈیزائن کیا جائے کہ وہ task کی ضرورت سے کم ان کی شناخت ظاہر کرے۔

نتیجہ: privacy طے کرے گی کہ لوگ AI کو اپنی زندگی میں کتنی دور تک آنے دیتے ہیں

AI assistants جتنا زیادہ ہمارے حالات کو سمجھتے ہیں، اتنے ہی زیادہ مفید ہوتے جاتے ہیں۔ اس سے اس سمجھ کے پیچھے موجود معلومات کے تحفظ کی ذمہ داری پیدا ہوتی ہے۔ لوگوں سے زیادہ رسائی مانگنا مگر جواب میں صرف ایک اور settings page دینا کافی نہیں ہے۔

شواہد کئی الگ الگ خطرات کی طرف اشارہ کرتے ہیں۔ سافٹ ویئر اکاؤنٹس کے درمیان ڈیٹا ظاہر کر سکتا ہے۔ محفوظ شدہ conversations قانونی مطالبات کے دائرے میں آ سکتی ہیں۔ مجاز review کسی security breach کے بغیر بھی موجود ہو سکتا ہے۔ نجی تحقیق پر تنازعات اعتماد کو کمزور کر سکتے ہیں، چاہے الزام آزادانہ طور پر ثابت نہ بھی ہوا ہو۔

ان خطرات سے نمٹنے کے لیے engineering کا کام درکار ہے، صرف بہتر الفاظ نہیں۔ حساس ڈیٹا کی شناخت، pre-processing protection، identity کی separation، محدود retention، اور قابلِ نفاذ permissions کو AI safety کی بنیادی صلاحیتوں کے طور پر مسلسل توجہ ملنی چاہیے۔ assistant کی افادیت اور اس کے صارف کا تحفظ ساتھ ساتھ آگے بڑھنے چاہییں۔

Dvina کے ساتھ، ہم model processing سے پہلے تحفظ کو product کی بنیاد کا حصہ بنا کر اس تبدیلی کی قیادت میں مدد دے رہے ہیں۔ مقصد یہ نہیں کہ زیادہ مضبوط دعووں کے ذریعے مزید trust مانگا جائے۔ مقصد یہ ہے کہ trust کا اتنا حصہ کم کیا جائے جو محض ایک وعدے پر قائم ہو۔

لوگوں کو یہ سہولت ہونی چاہیے کہ وہ مدد حاصل کر سکیں، کسی خیال کو آگے بڑھا سکیں، اور پیش رفت کے لیے درکار context شیئر کر سکیں، بغیر اس کے کہ ہر گفتگو کو اپنی privacy سے ممکنہ دستبرداری سمجھیں۔ اس اعتماد کی تعمیر AI کے لیے آنے والے وقت کے اہم ترین کاموں میں سے ایک ہے۔

ماخذ اور دائرۂ کار

Sources کا جائزہ 22 September 2026 کو لیا گیا۔ یہ مضمون provider documentation اور منسوب reporting پر مبنی ہے؛ یہ کوئی آزاد security audit نہیں ہے۔ موازنہ بنیادی طور پر individual plans تک محدود ہے۔ commercial، API، اور model-specific exceptions کی الگ نشاندہی کی گئی ہے۔ mathematics section میں رپورٹ شدہ خدشات اور OpenAI کے updated response کے درمیان فرق رکھا گیا ہے؛ ان میں سے کسی کو بھی آزادانہ نتیجہ بنا کر پیش نہیں کیا گیا۔ Manus کے individual-plan training rule کی تصدیق نہیں ہو سکی کیونکہ اس کی مکمل privacy policy حاصل نہیں کی جا سکی۔