Vad hände
Digital Journal rapporterade den 24 augusti 2026 att Cybernews AI Trustworthiness Ranking 2026 bedömde 500 AI-företag i 36 länder och fann omfattande luckor i avslöjanden om dataanvändning och -lagring. Enligt Digital Journal avslöjade 63 % av företagen inte tydligt huruvida användarinformation användes för att träna AI-modeller, och 65 % avslöjade inte tydligt hur länge användardata behölls. Den underliggande rankningen och företagssvaren angavs inte i källtexten, så dessa resultat bekräftas inte oberoende här.
Digital Journal rapporterade att Cybernews utvärderade 500 AI-företag verksamma i 36 länder för sin AI Trustworthiness Ranking 2026. I artikeln stod det att rankningen undersökte fyra breda områden: datasekretess, säkerhet, organisatorisk transparens och allmänhetens uppfattning. Företag utvärderades med hjälp av allmänt tillgänglig information, och dataintegritetsanalysen granskade integritetspolicyer för förklaringar av insamling, delning, användning och lagring. Källan beskrev bedömningen som en av de största recensionerna av AI-sekretesspraxis, men den gav inte den underliggande rankningen, den fullständiga företagslistan eller den detaljerade poängmetoden.
Digital Journal sa att det största rapporterade gapet rörde om företag använder användarinformation för att träna AI-modeller. Den tillskrev Cybernews upptäckten att 63 % av företagen inte tydligt avslöjade denna praxis. Inom den gruppen sa artikeln att 42 % inte hänvisade till utbildning om användardata i sin integritetspolicy, medan 21 % erbjöd förklaringar som var vaga eller ofullständiga. Artikeln varnade uttryckligen för att detta inte fastställer att dessa företag använder kunddata för utbildning; den fastställer, enligt rapporten, att användare inte enkelt kan avgöra om sådan användning förekommer.
En andra rapporterad lucka gällde retention. Digital Journal sa att Cybernews fann att 65 % av företagen inte tydligt angav hur länge användardata sparades. Artikeln delade in den gruppen i företag som inte alls nämnde lagrings- eller raderingspolicyer, rapporterade som 9 %, och bolag som använde ett brett språk utan specifika lagringsperioder, rapporterade som 56 %. Källan citerade fraser som "så länge som nödvändigt" och "för legitima affärsändamål" som exempel på språk som kanske inte talar om för användarna när information kommer att raderas.
Artikeln rapporterade också att större AI-företag generellt hade tydligare integritetspolicyer än mindre företag. Digital Journal presenterade möjliga förklaringar, inklusive större kontroll av regelverket, allmänhetens uppmärksamhet och närvaron av företagsupphandlingsteam. Det stod inte att mindre företag nödvändigtvis var mindre säkra. Separat sa artikeln att Cybernews bredare rankning identifierade säkerhet som den svagaste kategorin, med ett genomsnittligt betyg på 32 av 100. Källtexten förklarar inte hur poängen beräknades eller hur den relaterar till sekretessresultaten.
Källinformation: digitaljournal.com ↗
Varför det spelar roll
De rapporterade luckorna påverkar huruvida människor och organisationer kan fatta välgrundade beslut om att skicka in konversationer, dokument, hälsoinformation, ekonomiska register eller proprietär affärsdata till AI-tjänster. Tydliga upplysningar om utbildningsanvändning och retention är särskilt viktiga eftersom AI-verktyg integreras med e-post, kalendrar, kunddatabaser och finansiella arbetsflöden. Resultaten tyder också på att tydligheten i integritetspolicyn förblir ojämn inom AI-branschen, även om oklara avslöjande inte i sig bevisar att ett företag missbrukar kunddata.
Den praktiska frågan är inte bara om ett AI-företag har en integritetspolicy, utan om policyn låter en användare förstå livscykeln för information som skickas till tjänsten. Digital Journals redogörelse fokuserar på två beslut som är svåra att fatta utan specifika avslöjanden: om information kan bidra till modellutbildning och hur länge leverantören får behålla den. Dessa frågor är viktiga för vanliga användare, arbetsgivare, skolor, hälsoorganisationer och företag som hanterar konfidentiellt material. De rapporterade resultaten är särskilt relevanta eftersom artikeln beskriver AI-system som används för affärsrapporter, känsliga dokument, schemaläggning, kod och personliga diskussioner. Om användare inte kan avgöra om sådan information behålls eller används för modellförbättringar, kan de ha svårt att bedöma konfidentialitets- och efterlevnadsrisker innan de antas.
Källan kvantifierar inte några resulterande överträdelser, missbruk, ekonomisk förlust eller regelöverträdelse, så betydelsen här är ett transparens- och styrningsproblem snarare än bevis på en specifik skadlig incident. Lagringsinformation kan påverka kontrollerna en organisation placerar runt en AI-tjänst. En exakt raderingsperiod, en tydlig förklaring av säkerhetskopior och en distinktion mellan serviceloggar och utbildningsdata kan väsentligt förändra riskbedömningen. Däremot kan allmänna uttalanden om att behålla data så länge som nödvändigt göra att användarna inte kan avgöra när information kommer att försvinna eller om raderingsförfrågningar omfattar varje kopia. Digital Journal kopplade denna oro till dataminimeringsprinciper förknippade med EU:s GDPR, men artikeln analyserade inte något specifikt företags lagliga efterlevnad.
Den redovisade skillnaden mellan större och mindre företag har också praktiska konsekvenser för upphandlingen. En tydligare policy kan göra en leverantör lättare att utvärdera, men tydlighet är inte detsamma som säker implementering eller ansvarsfull datahantering. Omvänt bevisar inte en oklar policy att en mindre leverantör är osäker. Källan tillhandahåller ingen oberoende granskning, tekniskt test, tillsynsåtgärder eller jämförelser mellan företag som skulle göra det möjligt för läsarna att dra starkare slutsatser om faktisk säkerhet eller integritetsprestanda.
Interaktiv mekanism: hur det faktiskt fungerar
Utforska den underliggande tekniken bakom denna utveckling interaktivt.
crm_get_transaction(id='4092').Why can ethical evaluation not be reduced to one model score?
Vad du ska titta på härnäst
Det viktigaste nästa steget är verifiering av Cybernews-rankningens metodik, företagsprov, poängregler, granskningsdatum och underliggande bevis. Användare och företagsköpare bör leta efter specifika svar om huruvida uppmaningar och uppladdningar används för utbildning, hur länge information lagras, vad radering innebär, vem som tar emot data och om inställningarna skiljer sig åt beroende på produkt eller kontotyp. Ytterligare rapportering bör också fastställa om företag reviderar sina policyer, om tillsynsmyndigheter svarar och om mindre leverantörer förbättrar informationen.
Den första verifieringsprioriteten är själva Cybernews-rapporten. Läsare bör kunna inspektera urvalet av 500 företag, de länder och produkttyper som representeras, datumen när policyerna granskades, kriterierna som används för att klassificera avslöjanden som tydliga eller otydliga och viktningen av de fyra rankningskategorierna. Utan dessa detaljer ger procentsatserna en användbar varningssignal men begränsade bevis om AI-branschen som helhet.
Företag bör pressas för konkreta, produktspecifika svar. Viktiga frågor inkluderar huruvida uppmaningar, uppladdade filer, konversationer och genererade utdata används för utbildning; om användare kan välja bort; hur länge driftloggar och säkerhetskopior sparas; vad radering omfattar; om mänskliga granskare eller entreprenörer kan komma åt data; och om företags- och konsumentvillkoren skiljer sig åt. Källan rapporterar inte svar från de bedömda företagen, så varje påstående om att en viss leverantör använder eller inte använder kunddata för utbildning skulle kräva separat bekräftelse.
Framtida täckning bör undersöka om leverantörer ändrar sina policyer efter rangordningen, om tillsynsmyndigheter eller integritetsmyndigheter undersöker de rapporterade luckorna och om upphandlingsstandarder börjar kräva definierade lagringsperioder och explicit information om utbildning och användning. Artikeln pekar på växande integration av AI med kalendrar, e-post, kunddatabaser och finansiella arbetsflöden, men den dokumenterar inte någon ny implementering eller regulatoriska åtgärder. Denna utveckling bör därför behandlas som frågor att övervaka snarare än etablerade konsekvenser av rangordningen.
De underliggande resultaten bör också testas mot tekniska och juridiska bevis. Policyspråk kanske inte helt beskriver dataflöden, medan en tydlig policy fortfarande kan tillåta praxis som användare upptäcker oväntade. Oberoende granskningar, avtalsvillkor, raderingstester, säkerhetsbedömningar och dokumenterade förändringar över tid skulle hjälpa till att skilja dålig kommunikation från skadlig hantering. Enbart baserat på källan inkluderar de meningsfulla okända uppgifterna om de rapporterade procenttalen förblir aktuella, om urvalet representerar den bredare marknaden och hur många företag som faktiskt använder kunddata för utbildning trots oklara avslöjanden.