무슨 일이 일어났나요?
Digital Journal은 2026년 8월 24일에 Cybernews AI Trustworthiness Ranking 2026에서 36개국의 500개 AI 기업을 평가한 결과 데이터 사용 및 보존에 대한 공개에 광범위한 격차가 있음을 발견했다고 보고했습니다. Digital Journal에 따르면 기업의 63%는 사용자 정보가 AI 모델 훈련에 사용되었는지 여부를 명확하게 공개하지 않았으며, 65%는 사용자 데이터가 얼마나 오랫동안 유지되는지 명확하게 공개하지 않았습니다. 원문에는 근본적인 순위와 기업의 답변이 제공되지 않았으므로 이러한 결과는 여기에서 독립적으로 확인되지 않습니다.
Digital Journal은 Cybernews가 2026년 AI 신뢰도 순위를 위해 36개국에서 운영되는 500개 AI 회사를 평가했다고 보도했습니다. 이 기사에서는 순위가 데이터 개인 정보 보호, 보안, 조직 투명성 및 대중 인식이라는 네 가지 광범위한 영역을 조사했다고 밝혔습니다. 공개적으로 이용 가능한 정보를 사용하여 기업을 평가했으며, 데이터 개인 정보 보호 분석을 통해 수집, 공유, 사용 및 보유에 대한 설명을 위해 개인 정보 보호 정책을 검토했습니다. 소식통은 이 평가가 AI 개인 정보 보호 관행에 대한 가장 큰 검토 중 하나라고 설명했지만 기본 순위, 전체 회사 목록 또는 자세한 점수 방법은 제공하지 않았습니다.
Digital Journal은 보고된 가장 큰 격차는 기업이 AI 모델을 교육하기 위해 사용자 정보를 사용하는지 여부에 관한 것이라고 밝혔습니다. Cybernews는 63%의 기업이 이러한 관행을 명확하게 공개하지 않았다는 사실을 발견했습니다. 해당 그룹 내에서 42%는 개인 정보 보호 정책에서 사용자 데이터 교육을 언급하지 않았으며 21%는 모호하거나 불완전한 설명을 제공했습니다. 기사에서는 이것이 해당 회사가 교육을 위해 고객 데이터를 사용한다는 사실을 입증하지 못한다는 점을 명시적으로 경고했습니다. 보고서에 따르면 사용자는 그러한 사용이 발생하는지 여부를 쉽게 확인할 수 없습니다.
두 번째로 보고된 격차는 유지와 관련이 있습니다. Digital Journal은 Cybernews에 따르면 기업의 65%가 사용자 데이터의 보관 기간을 명확하게 명시하지 않은 것으로 나타났습니다. 기사에서는 해당 그룹을 보존 또는 삭제 정책에 대해 전혀 언급하지 않은 회사(9%)와 특정 보존 기간 없이 폭넓은 언어를 사용하는 회사(56%)로 나누어 보고했습니다. 소식통은 정보가 언제 삭제될지 사용자에게 알리지 못하는 표현의 예로 '필요한 한', '합법적인 사업 목적을 위해' 등의 문구를 인용했습니다.
이 기사는 또한 대규모 AI 회사가 일반적으로 소규모 회사보다 더 명확한 개인 정보 보호 정책을 갖고 있다고 보도했습니다. Digital Journal은 규제 조사 강화, 대중의 관심, 기업 조달 팀의 존재 등 가능한 설명을 제시했습니다. 중소기업이 반드시 덜 안전하다고 말하지는 않았습니다. 이와 별도로 기사에서는 Cybernews의 광범위한 순위에서 보안이 가장 약한 범주로 확인되었으며 평균 점수는 100점 만점에 32점이라고 밝혔습니다. 원본 텍스트에서는 해당 점수가 어떻게 계산되었는지 또는 개인 정보 보호 조사 결과와 어떻게 관련되는지 설명하지 않습니다.
왜 중요한가요?
보고된 격차는 사람과 조직이 대화, 문서, 건강 정보, 금융 기록 또는 독점 비즈니스 데이터를 AI 서비스에 제출하는 것에 대해 정보에 입각한 결정을 내릴 수 있는지 여부에 영향을 미칩니다. AI 도구가 이메일, 달력, 고객 데이터베이스 및 재무 워크플로우와 통합됨에 따라 명확한 교육 사용 및 보유 공개가 특히 중요합니다. 조사 결과는 또한 개인 정보 보호 정책의 명확성이 AI 업계 전반에 걸쳐 고르지 않음을 시사합니다. 그러나 불분명한 공개 자체가 회사가 고객 데이터를 오용하고 있음을 입증하는 것은 아닙니다.
실질적인 문제는 AI 기업이 개인정보 보호정책을 갖고 있는지 여부뿐만 아니라 해당 정책을 통해 사용자가 서비스에 제출된 정보의 수명주기를 이해할 수 있는지 여부입니다. Digital Journal의 계정은 구체적인 공개 없이는 내리기 어려운 두 가지 결정, 즉 정보가 모델 교육에 기여할 수 있는지 여부와 공급자가 정보를 유지할 수 있는 기간에 중점을 둡니다. 이러한 질문은 일반 사용자, 고용주, 학교, 의료 기관 및 기밀 자료를 취급하는 기업에 중요합니다. 보고된 결과는 기사에서 AI 시스템이 비즈니스 보고서, 민감한 문서, 일정 관리, 코드 및 개인 토론에 사용되는 것으로 설명하기 때문에 특히 관련이 있습니다. 사용자가 그러한 정보가 모델 개선을 위해 유지되는지 또는 사용되는지 확인할 수 없는 경우 채택하기 전에 기밀성 및 규정 준수 위험을 평가하는 데 어려움을 겪을 수 있습니다.
소스는 결과적인 위반, 오용, 재정적 손실 또는 규제 위반을 정량화하지 않으므로 여기서 중요한 것은 특정 유해 사건의 증거보다는 투명성 및 거버넌스 문제입니다. 보존 정보는 조직이 AI 서비스에 배치하는 제어에 영향을 미칠 수 있습니다. 정확한 삭제 기간, 백업에 대한 명확한 설명, 서비스 로그와 교육 데이터의 구분은 위험 평가를 실질적으로 변경할 수 있습니다. 대조적으로, 필요한 기간 동안 데이터를 보관하는 것에 대한 일반적인 설명으로 인해 사용자는 정보가 언제 사라지는지 또는 삭제 요청이 모든 복사본에 적용되는지 여부를 판단할 수 없게 될 수 있습니다. Digital Journal은 이러한 우려를 유럽 연합의 GDPR과 관련된 데이터 최소화 원칙과 연결했지만 해당 기사에서는 특정 회사의 법률 준수를 분석하지 않았습니다.
대기업과 중소기업 간의 보고된 차이는 조달에도 실질적인 영향을 미칩니다. 정책이 명확하면 공급자를 더 쉽게 평가할 수 있지만 명확성은 안전한 구현이나 책임 있는 데이터 처리와는 다릅니다. 반대로, 불분명한 정책은 소규모 공급자가 안전하지 않다는 것을 증명하지 못합니다. 소스는 독자가 실제 보안 또는 개인 정보 보호 성능에 대해 더 강력한 결론을 도출할 수 있도록 하는 독립적인 감사, 기술 테스트, 시행 조치 또는 회사별 비교를 제공하지 않습니다.
대화형 메커니즘: 실제로 작동하는 방식
이 개발의 이면에 있는 기본 기술을 대화식으로 살펴보세요.
crm_get_transaction(id='4092').Why can ethical evaluation not be reduced to one model score?
다음에 무엇을 볼 것인가
중요한 다음 단계는 Cybernews 순위 방법론, 회사 샘플, 채점 규칙, 검토 날짜 및 기본 증거를 검증하는 것입니다. 사용자와 기업 구매자는 프롬프트와 업로드가 교육에 사용되는지 여부, 정보가 저장되는 기간, 삭제의 의미, 데이터 수신자, 제품 또는 계정 유형에 따라 설정이 다른지 여부에 대한 구체적인 답변을 찾아야 합니다. 추가 보고를 통해 기업이 정책을 개정하는지, 규제 기관이 대응하는지, 소규모 공급업체가 공개를 개선하는지 여부도 확인해야 합니다.
첫 번째 검증 우선순위는 사이버뉴스 보도 자체입니다. 독자는 500개 회사 샘플, 대표 국가 및 제품 유형, 정책 검토 날짜, 공개 내용의 명확성 또는 불명확성을 분류하는 데 사용된 기준, 4가지 순위 범주의 가중치를 검사할 수 있어야 합니다. 이러한 세부 정보가 없으면 백분율은 유용한 경고 신호를 제공하지만 AI 산업 전체에 대한 증거는 제한적입니다.
기업은 구체적인 제품별 답변을 요구해야 합니다. 중요한 질문에는 프롬프트, 업로드된 파일, 대화 및 생성된 출력이 교육에 사용되는지 여부가 포함됩니다. 사용자가 옵트아웃할 수 있는지 여부 운영 로그 및 백업이 보존되는 기간 삭제 대상은 무엇입니까? 인간 검토자나 계약자가 데이터에 접근할 수 있는지 여부 기업과 소비자의 조건이 다른지 여부. 출처는 평가된 회사의 답변을 보고하지 않으므로 특정 제공업체가 교육을 위해 고객 데이터를 사용하거나 사용하지 않는다는 주장은 별도의 확인이 필요합니다.
향후 보도에서는 공급업체가 순위를 매긴 후 정책을 변경하는지, 규제 기관이나 개인 정보 보호 당국이 보고된 격차를 조사하는지, 조달 표준에서 정의된 보존 기간과 명시적인 교육 사용 공개를 요구하는지 여부를 조사해야 합니다. 이 기사에서는 AI와 달력, 이메일, 고객 데이터베이스, 금융 워크플로의 통합이 점점 늘어나고 있음을 지적하지만 새로운 배포나 규제 조치에 대해서는 문서화하지 않습니다. 따라서 이러한 발전은 순위에 따라 확립된 결과라기보다는 모니터링해야 할 문제로 다뤄져야 합니다.
또한 기본 결과를 기술 및 법적 증거와 비교하여 테스트해야 합니다. 정책 언어는 데이터 흐름을 완전히 설명하지 못할 수 있지만, 명확한 정책은 사용자가 예상치 못한 관행을 허용할 수도 있습니다. 독립적인 감사, 계약 조건, 삭제 테스트, 보안 평가 및 시간 경과에 따른 문서화된 변경 사항을 통해 부적절한 의사소통과 유해한 처리를 구별하는 데 도움이 됩니다. 소스에만 기초하여 의미 있는 알 수 없는 사항에는 보고된 비율이 최신 상태로 유지되는지 여부, 샘플이 더 넓은 시장을 나타내는지 여부, 불명확한 공개에도 불구하고 교육을 위해 실제로 고객 데이터를 사용하는 회사의 수 등이 포함됩니다.