Что случилось
24 августа 2026 года Digital Journal сообщил, что в рейтинге надежности ИИ Cybernews за 2026 год были оценены 500 компаний, занимающихся искусственным интеллектом, в 36 странах и обнаружены широко распространенные пробелы в раскрытии информации об использовании и хранении данных. По данным Digital Journal, 63% компаний не раскрыли четко, использовалась ли пользовательская информация для обучения моделей ИИ, а 65% не раскрыли четко, как долго хранятся пользовательские данные. Базовый рейтинг и ответы компаний не были представлены в исходном тексте, поэтому эти выводы здесь не подтверждены независимо.
Digital Journal сообщил, что Cybernews оценил 500 ИИ-компаний, работающих в 36 странах, для составления рейтинга надежности ИИ 2026 года. В статье говорится, что в рейтинге рассматривались четыре широкие области: конфиденциальность данных, безопасность, организационная прозрачность и общественное восприятие. Компании оценивались с использованием общедоступной информации, а в ходе анализа конфиденциальности данных рассматривалась политика конфиденциальности с объяснением сбора, распространения, использования и хранения. Источник описал оценку как один из крупнейших обзоров практики конфиденциальности ИИ, но не предоставил базового рейтинга, полного списка компаний или подробной методологии оценки.
Digital Journal сообщил, что самый большой пробел, о котором сообщалось, касается того, используют ли компании информацию о пользователях для обучения моделей ИИ. Он приписал Cybernews вывод о том, что 63% компаний не раскрыли явную информацию об этой практике. В этой группе, как говорится в статье, 42% не упомянули обучение работе с пользовательскими данными в своей политике конфиденциальности, а 21% предложили объяснения, которые были расплывчатыми или неполными. В статье прямо предупреждается, что это не означает, что эти компании используют данные клиентов для обучения; согласно отчету, установлено, что пользователи не могут легко определить, имеет ли место такое использование.
Второй пробел, о котором сообщалось, касался удержания сотрудников. Digital Journal сообщил, что Cybernews обнаружил, что 65% компаний не указали четко, как долго хранятся пользовательские данные. В статье эта группа разделена на компании, которые вообще не упоминали политику хранения или удаления (9%), и компании, которые использовали общие формулировки без конкретных периодов хранения (56%). Источник привел такие фразы, как «до тех пор, пока это необходимо» и «для законных деловых целей», как примеры формулировок, которые могут не сообщать пользователям, когда информация будет удалена.
В статье также сообщается, что более крупные компании, занимающиеся искусственным интеллектом, обычно имеют более четкую политику конфиденциальности, чем более мелкие компании. Digital Journal представил возможные объяснения, включая усиление контроля со стороны регулирующих органов, внимание общественности и присутствие корпоративных групп по закупкам. В нем не говорится, что более мелкие компании обязательно менее защищены. Отдельно в статье говорится, что более широкий рейтинг Cybernews определил безопасность как самую слабую категорию со средним баллом 32 из 100. В исходном тексте не объясняется, как рассчитывалась эта оценка или как она связана с выводами о конфиденциальности.
Подробности об источнике: digitaljournal.com ↗
Почему это важно
Отмеченные пробелы влияют на то, могут ли люди и организации принимать обоснованные решения о передаче разговоров, документов, медицинской информации, финансовых отчетов или частных бизнес-данных в службы искусственного интеллекта. Четкое раскрытие информации об использовании обучения и удержании сотрудников особенно важно, поскольку инструменты искусственного интеллекта интегрируются с электронной почтой, календарями, базами данных клиентов и финансовыми рабочими процессами. Результаты также показывают, что ясность политики конфиденциальности остается неравномерной во всей отрасли искусственного интеллекта, хотя неясное раскрытие информации само по себе не доказывает, что компания злоупотребляет данными клиентов.
Практический вопрос заключается не только в том, есть ли у компании, занимающейся искусственным интеллектом, политика конфиденциальности, но и в том, позволяет ли эта политика пользователю понять жизненный цикл информации, передаваемой в службу. В отчете Digital Journal основное внимание уделяется двум решениям, которые трудно принять без конкретного раскрытия информации: может ли информация способствовать обучению модели и как долго поставщик может ее хранить. Эти вопросы важны для обычных пользователей, работодателей, школ, организаций здравоохранения и предприятий, работающих с конфиденциальными материалами. Сообщенные результаты особенно актуальны, поскольку в статье описываются системы искусственного интеллекта, используемые для бизнес-отчетов, конфиденциальных документов, планирования, кода и личных обсуждений. Если пользователи не могут определить, сохраняется ли такая информация или используется для улучшения модели, им может быть сложно оценить риски конфиденциальности и соответствия требованиям перед принятием.
Источник не дает количественной оценки каких-либо возникших в результате нарушений, неправильного использования, финансовых потерь или нарушений нормативных требований, поэтому значение здесь имеет проблема прозрачности и управления, а не свидетельство конкретного вредного инцидента. Информация о хранении может повлиять на средства контроля, которые организация устанавливает в отношении службы ИИ. Точный период удаления, четкое объяснение резервных копий и различие между журналами обслуживания и данными обучения могут существенно изменить оценку рисков. Напротив, общие положения о хранении данных до тех пор, пока это необходимо, могут лишить пользователей возможности определить, когда информация исчезнет или будут ли запросы на удаление охватывать каждую копию. Digital Journal связал эту обеспокоенность с принципами минимизации данных, связанными с GDPR Европейского Союза, но в статье не анализировалось соблюдение законодательства какой-либо конкретной компанией.
Сообщаемая разница между более крупными и более мелкими компаниями также имеет практическое значение для закупок. Более четкая политика может облегчить оценку поставщика, но ясность — это не то же самое, что безопасная реализация или ответственное обращение с данными. И наоборот, нечеткая политика не доказывает, что более мелкий поставщик небезопасен. Источник не предоставляет независимого аудита, технических испытаний, принудительных действий или сравнения компаний между собой, которые позволили бы читателям сделать более убедительные выводы о фактической безопасности или конфиденциальности.
Интерактивный механизм: как он на самом деле работает
Изучите технологию, лежащую в основе этой разработки, в интерактивном режиме.
crm_get_transaction(id='4092').Why can ethical evaluation not be reduced to one model score?
Что посмотреть дальше
Следующий ключевой шаг — проверка методологии рейтинга Cybernews, выборки компаний, правил оценки, дат проверки и основных доказательств. Пользователям и корпоративным покупателям следует искать конкретные ответы о том, используются ли запросы и загрузки для обучения, как долго хранится информация, что означает удаление, кто получает данные и различаются ли настройки в зависимости от продукта или типа учетной записи. Дальнейшая отчетность должна также установить, пересматривают ли компании свою политику, реагируют ли регулирующие органы и улучшают ли более мелкие поставщики раскрытие информации.
Первым приоритетом проверки является сам отчет Cybernews. Читатели должны иметь возможность ознакомиться с выборкой из 500 компаний, представленными странами и типами продуктов, датами пересмотра политики, критериями, используемыми для классификации раскрытой информации как ясной или неясной, а также весами четырех рейтинговых категорий. Без этих подробностей процентные показатели служат полезным предупреждающим сигналом, но ограниченным свидетельством об отрасли искусственного интеллекта в целом.
От компаний следует требовать конкретных ответов, касающихся конкретного продукта. Важные вопросы включают в себя, используются ли для обучения подсказки, загруженные файлы, разговоры и сгенерированные выходные данные; могут ли пользователи отказаться; как долго хранятся операционные журналы и резервные копии; что включает в себя удаление; могут ли рецензенты или подрядчики иметь доступ к данным; и различаются ли корпоративные и потребительские условия. Источник не сообщает ответы оцениваемых компаний, поэтому любое утверждение о том, что конкретный поставщик использует или не использует данные клиентов для обучения, потребует отдельного подтверждения.
В будущем следует изучить вопрос о том, меняют ли поставщики свою политику после рейтинга, расследуют ли регулирующие органы или органы конфиденциальности выявленные пробелы, а также начинают ли стандарты закупок требовать определенных сроков хранения и явного раскрытия информации в целях обучения. В статье указывается на растущую интеграцию ИИ с календарями, электронной почтой, базами данных клиентов и финансовыми рабочими процессами, но не документируется какое-либо новое внедрение или нормативные действия. Поэтому эти события следует рассматривать как вопросы, требующие мониторинга, а не как установленные последствия рейтинга.
Базовые результаты также должны быть проверены на соответствие техническим и юридическим доказательствам. Язык политики может не полностью описывать потоки данных, в то время как четкая политика все же может допускать действия, которые пользователи могут найти неожиданными. Независимые аудиты, условия контрактов, тесты на удаление, оценки безопасности и документированные изменения с течением времени помогут отличить плохую связь от вредоносного обращения. Если исходить только из источника, значимые неизвестные включают в себя, остаются ли указанные проценты актуальными, представляет ли выборка более широкий рынок и сколько компаний фактически используют данные о клиентах для обучения, несмотря на неясную информацию.