O czym jest ten film
- Autor pokazuje, jak wykorzystać model AI do pracy nad wrażliwym plikiem, którego nigdy by nie wgrał do chmury.
- Kluczowa zasada: zaczynasz od zadania, nie od pliku — pytasz, jaki minimalny kontekst jest naprawdę potrzebny do odpowiedzi.
- Prezentuje własne narzędzie „Airlock”, które usuwa dane osobowe i poufne, ale zachowuje fakty istotne dla zadania.
- Popularna rada „nie wklejaj wrażliwych danych do AI” jest niewystarczająca — przerzuca cały problem z powrotem na użytkownika.
- AI stukrotnie zwiększyło ilość danych, które chcemy przekazywać modelom, więc czyszczenie ręczne przestało być realne.
- Pliki Word to „dziwne pojemniki” — komentarze, śledzone zmiany i metadane mogą zostać, mimo że strona wygląda czysto.
- Bezpieczniejsze od zamazywania jest zbudowanie nowego, czystego pliku i pozostawienie oryginału na dysku.
- Redakcja treści jest łatwa, jeśli nie zależy ci, czy model dalej pomoże — trudna, jeśli chcesz zachować użyteczność.
- Dane firmowe pokazują skalę zjawiska: gwałtowny wzrost korzystania z AI na urządzeniach firmowych i dominacja „shadow IT”.
- Bezpieczeństwo musi żyć w tej samej ścieżce co wygoda — inaczej użytkownik zawsze wybierze łatwiejszą, nieautoryzowaną drogę.
Redakcyjne tłumaczenie
Praca na pliku, którego nigdy bym nie wgrał
W tym tygodniu użyłem AI do pracy nad plikiem, którego nigdy w życiu bym nie wgrał do chmury — był po prostu zbyt wrażliwy. Model nigdy nie zobaczył oryginału. A mimo to wskazał trzy założenia, które z największym prawdopodobieństwem rozłożyłyby mój launch. Zrobił to już po tym, jak usunąłem wszystkie dane wrażliwe: nazwisko klienta, adres domowy, prywatną notatkę medyczną, która się tam znalazła, klucz API oraz nieogłoszoną jeszcze cenę.
Model potrzebował planu operacyjnego. Na pewno nie potrzebował żadnych z tych danych osobowych. Oryginał został na moim komputerze, a pożyteczna praca i tak została wykonana przez model z górnej półki. To jest świat, w którym chcę żyć — a ponieważ nie mogłem w nim żyć, po prostu sam go sobie zbudowałem.
Większość porad o prywatności urywa się za wcześnie. Mówi: „nie wklejaj wrażliwych informacji do AI”. Ręka w górę, kto widział takie slajdy. Świetnie, zgadzam się. No dobrze — i co teraz? Umowa nadal wymaga oceny ryzyka. Ocena okresowa pracownika nadal musi zostać napisana. Owszem, możesz mówić do dyktafonu i wyrzucić z siebie masę myśli, ale ktoś musi je jeszcze uporządkować. Wrażliwa praca nie przestaje być pracą.
Jeśli „bezpieczna droga” oznacza wykonanie całego czyszczenia ręcznie albo rezygnację z AI jako użytecznego narzędzia, to ostrzeżenie niczego nie rozwiązało. Po prostu oddało nam problem z powrotem. Dlatego zbudowałem Airlock.
Co zostawić, co usunąć i dlaczego
(Informacja dodatkowa: pokazywany plan cenowy jest fikcyjny — autor stworzył go na potrzeby nagrania. Problem jednak jest jak najbardziej realny.)
Wybieram plik z planem cenowym. Zanim zrobię cokolwiek innego, Airlock prosi mnie o zdefiniowanie „terminów chronionych”. To tutaj mogę wpisać nazwisko klienta, nazwę projektu, wewnętrzny kryptonim produktu albo dowolną zwyczajnie wyglądającą frazę, która wewnątrz mojej firmy znaczy coś konkretnego i poufnego.
Dlaczego muszę to robić? Bo ciąg znaków w rodzaju „Project Lantern” nie wygląda dla maszyny na poufny, a może być frazą wyjątkowo wrażliwą, bo wiąże się z całą masą tajnej pracy. Kontekst odgrywa ogromną rolę w rozumieniu, co jest daną osobową, a co informacją poufną. Część tego kontekstu istnieje wyłącznie w naszych głowach, gdy pracujemy. Musimy więc przekazać ten kontekst Airlockowi — a wtedy narzędzie sprawdza dokument, łącząc rozpoznane przez siebie wzorce z terminami, które kazałem chronić, na jednym ekranie.
Jeśli pojawia się jakakolwiek niepewność, domyślnym wyborem jest ukrycie danego elementu. To nasze ustawienie startowe. Mogę go zachować, ale muszę zdecydować o tym świadomie.
I tu pojawia się pytanie znacznie ważniejsze niż zbudowanie ładnego detektora: co jest naprawdę potrzebne, żeby wykonać to zadanie? Cały sens polega przecież na tym, żeby użyć AI do pożytecznej pracy. Model musi wiedzieć, że wszystkie trzy magazyny przenoszą się w tym samym tygodniu — więc ten szczegół zostawiamy. Musi rozumieć, że plan zakłada gotowość integracji z systemem ERP przed pierwszym cyklem rozliczeniowym — to też zostawiamy. Musi wiedzieć, że szkolenie ma się odbyć w trakcie normalnych zmian — zostawiamy.
Ale czy model musi wiedzieć, że ta zmyślona osoba, Alice Meridian, ma adres domowy? Nie. Czy potrzebuje jej e-maila? Oczywiście, że nie. Czy potrzebuje prywatnej notatki medycznej dyrektora operacyjnego? Zdecydowanie nie. Wszystkie te rzeczy, które są osobiste — jak klucz API — nie mają żadnego uzasadnienia w tym zadaniu. Nie ma powodu, by ten poświadczający sekret w ogóle znalazł się w pliku. Po prostu został tam wrzucony razem z resztą — a właśnie tak mnóstwo poufnych informacji wycieka do chmury i do modeli. Są po prostu „doklejone”.
Z ceną jest ciekawiej. Gdybym prosił model o ocenę samej strategii cenowej, liczba mogłaby być częścią zadania. Ale przy tym konkretnym pytaniu — jakie założenia mogą wywrócić plan operacyjny — cena nie jest istotna. W tym przypadku mogę ją więc również zostawić poza kadrem.
Muszę zaczynać od zadania, nie od pliku. Ta sama cena bywa kluczowa dla jednego pytania i zupełnie nieistotna dla innego.
Nowy plik zamiast zamazanego oryginału
Kiedy dokonam tych wyborów, Airlock buduje mi nowy dokument Word. Nie rysuje czarnych prostokątów na starym — i to ma znaczenie. Pliki Word to dziwne małe pojemniki. Komentarze, śledzone zmiany, nazwiska autorów, stare edycje i zewnętrzne powiązania potrafią przypadkiem zostać w środku, nawet jeśli oglądana strona wygląda na czystą.
(Informacja dodatkowa: chodzi o metadane i historię zmian zapisane wewnątrz pliku .docx, niewidoczne w treści dokumentu, ale możliwe do odczytania.)
Bezpieczniejsze podejście polega więc na zbudowaniu zatwierdzonego materiału od nowa, w osobnym pliku, i pozostawieniu oryginału w spokoju. Teraz mam dwa dokumenty. Oryginał, nietknięty, zostaje na moim komputerze. Mniejsza kopia zawiera plan magazynowy i zależności, których model potrzebuje — bez tożsamości klienta, bez adresu domowego, bez tego wszystkiego, o czym mówiłem. Bez danych osobowych i poufnych, które, szczerze mówiąc, przyjechały tu na gapę.
Otwieram czystą kopię i ją czytam. To jedyna wersja, którą muszę teraz sprawdzić. A potem przekazuję tę kopię dowolnemu modelowi z górnej półki i pytam: „Pomożesz mi to przemyśleć? Pomożesz wskazać założenia, które z największym prawdopodobieństwem wywrócą ten plan przed launchem? Wyjaśnij mi je jasno i zaproponuj sposób ograniczenia ryzyka”. To właśnie ten rodzaj pracy, którą lubimy zlecać najlepszym modelom, bo wymaga namysłu.
I spójrzcie, co wraca. Model wyłapuje, że migracja wszystkich magazynów naraz, założenie o gotowości ERP oraz założenie, że szkolenie obniży przepustowość — to wszystko są duże, nośne założenia, na których wspiera się cały plan. Rekomenduje etapowe wdrożenie, potwierdzenie działania integracji przed pierwszym cyklem rozliczeniowym i wbudowanie czasu na szkolenie w plan operacyjny. Brzmi całkiem sensownie.
Po to właśnie to zbudowałem. Nie chcę, żeby prywatność stała się drugim projektem, który zjada cały czas, jaki AI miało zaoszczędzić. Chcę pomocy w oddzieleniu informacji, których wymaga zadanie, od informacji, które plik akurat zawiera — a potem chcę po prostu wrócić do pracy.
Dlaczego to nagle stało się pilne
Wrażliwe dokumenty i oprogramowanie w chmurze istnieją od bardzo dawna. Skąd więc ta nowa pilność?
Po pierwsze, AI zmieniło ilość informacji, którą chcemy przenosić. Jeszcze kilka lat temu typowa interakcja z AI to było ogólne pytanie w pustym oknie czatu: napisz e-mail, wyjaśnij pojęcie, podaj dziesięć pomysłów. W 2024 roku było to zupełnie normalne. Dziś dużo pożytecznej pracy zaczyna się od twojego własnego materiału — realnej, szczegółowej propozycji, którą naprawdę wysyłasz; umowy, którą naprawdę negocjujesz; notatek ze spotkania, których nikt jeszcze nie uporządkował; albo kodu, który twój zespół faktycznie próbuje zrozumieć.
To znacznie większy kawał pracy. Stukrotnie albo tysiąckrotnie zwiększyliśmy ilość danych, które rozsądnie moglibyśmy przekazać modelowi. A przy takiej pracy istotny kontekst to dokładnie to, co czyni model użytecznym. Dlatego te pliki są tak kuszące do wgrania. Rozumiem to. Żeby model wykonał użyteczną pracę, musisz dać mu dużo kontekstu — więc niejako musisz wrzucić dokumenty. Ale ponieważ masz tych dokumentów dziesięć czy sto razy więcej, wyczyszczenie ich wszystkich jest naprawdę trudne.
Po drodze z 2024 do 2026 roku uczyniliśmy inteligencję niemal bezfrykcyjną, a jednocześnie zrzuciliśmy na każdego z nas zadanie decydowania: co może opuścić firmę, dokąd może trafić i co musi zostać, żeby odpowiedź była użyteczna. To tak, jakbyśmy wszyscy — obok naszej właściwej pracy — byli jeszcze filtrami prywatności. A nikt, łącznie ze mną, nie wyrósł z instynktem do takich decyzji.
Word potrafi ukryć stare komentarze w miejscach, w które wielu z nas nie zagląda. Mamy retencję danych, mamy pamięć modeli, mamy firmowe logowanie zdarzeń — to wszystko różne rzeczy. A mimo to prosimy ludzi, żeby sami to ogarnęli, w sytuacji, gdy przycisk „wgraj” oszczędza godzinę pracy, i jednocześnie naciskamy na nich, by dostarczali szybciej. Nic dziwnego, że ten przycisk jest tak kuszący.
Co ludzie robią naprawdę
Zapytałem w tym tygodniu osoby z mojej społeczności, co faktycznie robią wokół prywatności — nie co mówi polityka firmy, tylko jak jest naprawdę. Jedna odpowiedź nie daje mi spokoju: „Polegam na zaufaniu bardziej, niż jest mi wygodnie się do tego przyznać”.
To bardzo szczera odpowiedź. I nie chodziło o kogoś niefrasobliwego. To osoba, która ma firmowy plan zespołowy z wyłączonym uczeniem modelu, zawężonymi łącznikami do danych i agentami ograniczonymi tylko do danych deweloperskich. Zachowuje się odpowiedzialnie, robi to, co powinien robić zaawansowany użytkownik. A mimo to zasada „po prostu nie wklejaj niczego wrażliwego” przestała być realistycznym modelem pracy. Na tym etapie proszenie kogoś, żeby tego nie robił, to niemal błąd w sztuce — bo modele potrzebują tak wielu danych, a nasze wrażliwe informacje są z nimi tak przemieszane.
Ktoś, kto pracuje w ochronie zdrowia, dał mi odpowiedź dokładnie odwrotną. Koszt jednego publicznego incydentu z danymi pacjentów wydaje mu się tak wysoki, że jego organizacja po prostu trzyma wszystkie cenne dane z dala od AI. Używają AI tylko na obrzeżach, tam gdzie informacje wyglądają jak w każdej innej branży. Dane, które mogłyby wesprzeć najpotężniejszą pracę, pozostają całkowicie poza zasięgiem, bo to zbyt ryzykowne.
Pomyślcie o tych dwóch odpowiedziach. Jedna ostrożna osoba idzie naprzód i częściowo polega na zaufaniu. Druga, równie ostrożna, w ogóle się wstrzymuje. Dlatego nie sądzę, żeby kolejny doroczny kurs szkoleniowy rozwiązał ten problem. Korzyść przychodzi natychmiast, a ewentualny koszt jest odroczony, niepewny i często niewidoczny.
Skala zjawiska i „zmęczenie bezpieczeństwem”
Verizon zobaczył to w swojej firmowej telemetrii w tym roku. Odsetek pracowników korzystających z platformy AI przynajmniej raz na 15 dni na urządzeniu firmowym wzrósł z 15% do 45%. A wśród tych użytkowników dwie trzecie sięgało po AI przez konta spoza firmy. To problem „shadow IT”.
(Informacja dodatkowa: „shadow IT” to korzystanie z narzędzi i usług cyfrowych poza oficjalną kontrolą działu IT firmy.)
W zdarzeniach naruszenia polityki danych, które Verizon zaobserwował przy systemach zewnętrznych, najczęściej przesyłanym materiałem był kod źródłowy — znów przez tę presję, by pracować i dostarczać więcej wartości. Można to odczytać jako opowieść o nieodpowiedzialnych pracownikach. Uważam, że to pomija ważniejsze pytanie: dlaczego droga niezatwierdzona jest o tyle łatwiejsza do znalezienia i użycia niż droga oficjalna?
NIST ma na to, co dzieje się dalej, bardzo prostą nazwę: „zmęczenie bezpieczeństwem”. Kiedy te same decyzje dotyczące bezpieczeństwa się piętrzą, zaczyna wygrywać najłatwiejsza opcja.
(Informacja dodatkowa: NIST to amerykański Narodowy Instytut Standaryzacji i Technologii, publikujący uznane wytyczne z zakresu cyberbezpieczeństwa.)
A przecież wiemy, jak to obchodzić. Telefon pyta o dostęp do aparatu wtedy, gdy aplikacja go potrzebuje — nie losowo. Przeglądarka obsługuje weryfikację certyfikatu, nie wymagając od ciebie, byś najpierw został kryptografem. Wiemy, że w wielu obszarach oprogramowania nie można oczekiwać, że użytkownik udźwignie ten ciężar. Ale w AI zrobiliśmy to na odwrót. Postawiliśmy zdumiewającą inteligencję za pustym okienkiem, a cały system prywatności umieściliśmy w stronach polityk, panelach administracyjnych, menu dokumentów i umowach z dostawcami — i oczekujemy, że użytkownik utrzyma to wszystko w głowie i jakoś podejmie właściwą decyzję. Czy zawsze podejmujesz właściwą? Ja? Skąd mamy to wiedzieć, skoro wszystko żyje w naszej pamięci?
Dlaczego redakcja treści jest trudna
Oczywistą odpowiedzią jest anonimizacja — po prostu usuń wrażliwe informacje. Ale im dłużej budowałem Airlock, tym wyraźniej widziałem, że redakcja treści jest łatwa, jeśli nie zależy ci, czy model dalej może ci pomóc. Robi się trudna dopiero, gdy zależy ci, żeby nadal mógł.
Jeśli powiesz: usuń każde nazwisko, każdą liczbę, każdą datę, każdą rolę, każdą zależność, każdą cenę i każdą lokalizację — możesz to wszystko usunąć i uzyskać cudownie pusty dokument. Będzie też bezużyteczny. Bo najtrudniejsza część to praca nad znaczeniem: które fakty czynią zadanie rozwiązywalnym, a które doczepiły się tylko na gapę i można się ich pozbyć.
Weźmy umowę. Jeśli chcesz, żeby AI znalazło daty odnowienia, nietypowe klauzule odszkodowawcze albo obowiązki związane z wypowiedzeniem — model może potrzebować treści klauzul i dat. Prawdopodobnie nie potrzebuje adresów domowych sygnatariuszy. Wynegocjowane ceny? Tu model będzie potrzebował liczb, nie ma innej drogi. Ale jeśli chcesz przepisać jedynie e-mail przewodni, może tych liczb nie potrzebujesz wcale. Wszystko zależy od twojego zamiaru — i od zrozumienia, co właściwie chcemy z modelem zrobić.
Weźmy dokumentację medyczną. Czasem to właśnie pełna historia jest powodem, dla którego analiza ma wartość. Usunięcie wrażliwych informacji usunęłoby samo zadanie. W takim przypadku Airlock jest, szczerze mówiąc, niewłaściwą drogą. Ta praca należy do zarządzanego środowiska zbudowanego dla pełnego rekordu — albo nie powinna w ogóle dotykać AI.
Dlatego wciąż wracam do zadania. O co prosisz model? Jaki jest minimalny kontekst, który czyni odpowiedź użyteczną? Kiedy już to wiesz, możesz zacząć podejmować rozsądne decyzje co do pliku.
Zacznij od zadania
Następnym razem, gdy otworzysz dokument i pomyślisz „AI mogłoby tu pomóc, ale nie mogę wgrać tego pliku” — zacznij od zadania. Co model faktycznie musi zobaczyć i dokąd wolno trafić tej mniejszej kopii? Nie powinieneś musieć zostać inżynierem prywatności przed obiadem, żeby wykonać swoją pracę.
AI uczyniło inteligencję bezfrykcyjną. Inteligencja potrzebuje informacji, a bezpieczeństwo musi żyć na tej samej ścieżce co wygoda, żeby to wszystko zadziałało. Właśnie dlatego to zbudowałem. Jeśli chcecie sprawdzić, link jest poniżej. Napiszcie, co o tym myślicie i jak radzicie sobie z prywatnością — chętnie poczytam wasze „horrory” o prywatności w komentarzach. Zbudujmy razem coś wielkiego.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zaczynaj od zadania, nie od pliku
Na czym polega: Zanim zdecydujesz, co usunąć z dokumentu, zdefiniuj, o co dokładnie zamierzasz zapytać model. Ta sama informacja (np. cena) bywa niezbędna dla jednego pytania i całkowicie zbędna dla innego.
Jak stosować: Sformułuj konkretne zadanie („znajdź założenia, które wywrócą plan”), a potem zadaj pytanie: jaki jest minimalny kontekst, żeby odpowiedź była użyteczna? Zostaw tylko to.
Na co uważać: Nie oceniaj wrażliwości danych w oderwaniu od celu. Automatyczne „usuń wszystkie liczby” zniszczy zadania, w których liczby są sednem analizy.
2.Kontekst decyduje o tym, co jest poufne
Na czym polega: Wiele fraz nie wygląda na wrażliwe dla maszyny (np. kryptonim projektu), a wewnątrz firmy są ściśle poufne. Ten kontekst często istnieje wyłącznie w głowie pracownika.
Jak stosować: Zanim wyczyścisz dokument, sam wypisz „terminy chronione” — nazwy klientów, kryptonimy, kody produktów — których żaden automat nie rozpozna jako wrażliwych.
Na co uważać: Nie zakładaj, że detektor danych osobowych wyłapie wszystko. Największe wycieki dotyczą fraz zrozumiałych tylko w kontekście organizacji.
3.Buduj czystą kopię, nie zamazuj oryginału
Na czym polega: Pliki Word przechowują komentarze, śledzone zmiany, nazwiska autorów i stare edycje, które mogą zostać nawet po „zamazaniu” widocznej treści.
Jak stosować: Zamiast rysować czarne prostokąty, przenieś zatwierdzoną treść do nowego, osobnego pliku i pozostaw oryginał nietknięty na swoim dysku.
Na co uważać: „Czysto wyglądająca strona” to nie to samo co czysty plik. Metadane i historia zmian mogą zostać wysłane razem z dokumentem, jeśli tylko go zredagujesz zamiast odtworzyć.
4.Oryginał zostaje lokalnie, praca dzieje się na kopii
Na czym polega: Wrażliwy oryginał nigdy nie opuszcza komputera. Model dostaje wyłącznie okrojoną kopię, a mimo to wykonuje pełnowartościową, wymagającą namysłu pracę.
Jak stosować: Traktuj czystą kopię jako jedyną wersję do przeglądu i to ją przekazuj dowolnemu modelowi. Oryginał trzymaj offline.
Na co uważać: Upewnij się, że kopia rzeczywiście zawiera wszystkie zależności potrzebne do zadania — zbyt agresywne czyszczenie osłabi jakość odpowiedzi.
5.„Nie wklejaj wrażliwych danych” to za mało
Na czym polega: Popularna rada urywa się w momencie, w którym zaczyna się prawdziwy problem. Praca nad wrażliwymi dokumentami wciąż musi zostać wykonana.
Jak stosować: Zamiast zakazu, wprowadź proces: określ zadanie → wypisz dane niezbędne → usuń resztę → pracuj na kopii. Zakaz zastąp powtarzalną procedurą.
Na co uważać: Sam zakaz przerzuca cały ciężar decyzji na pracownika, który pod presją terminów i tak sięgnie po najłatwiejszą, nieautoryzowaną drogę.
6.Anonimizacja z zachowaniem użyteczności to praca nad znaczeniem
Na czym polega: Usunięcie wszystkiego jest łatwe, ale daje bezużyteczny, pusty dokument. Trudność polega na odróżnieniu faktów niosących zadanie od tych „doczepionych na gapę”.
Jak stosować: Przy każdym elemencie pytaj: czy ten fakt jest potrzebny do rozwiązania zadania, czy tylko przyjechał razem z plikiem? Zostaw pierwsze, usuń drugie.
Na co uważać: Klucze API, notatki medyczne, adresy prywatne prawie nigdy nie są potrzebne — a trafiają do chmury właśnie dlatego, że są „wrzucone” razem z resztą.
7.Domyślnie ukrywaj przy jakiejkolwiek wątpliwości
Na czym polega: Bezpieczne ustawienie startowe to ukrycie elementu; jego zachowanie musi być świadomą, celową decyzją.
Jak stosować: Przy niepewności co do danej informacji domyślnie ją usuwaj. Przywracaj tylko wtedy, gdy potrafisz uzasadnić, że jest niezbędna do zadania.
Na co uważać: Odwrotna logika („zostaw, chyba że na pewno zbędne”) prowadzi do wycieków, bo w pośpiechu łatwiej przeoczyć wrażliwy element niż go celowo zachować.
8.Presja pracy pokonuje politykę — projektuj z myślą o „zmęczeniu bezpieczeństwem”
Na czym polega: Gdy decyzje o bezpieczeństwie się piętrzą, wygrywa najłatwiejsza opcja (NIST nazywa to „security fatigue”). Dane Verizona pokazują masowe korzystanie z AI przez konta spoza firmy.
Jak stosować: Ułatw drogę bezpieczną tak, by była najwygodniejsza — wzorem uprawnień do aparatu w telefonie: pytanie w odpowiednim momencie, a nie sterty polityk do zapamiętania.
Na co uważać: Nie zrzucaj winy na „nieodpowiedzialnych pracowników”. Jeśli droga oficjalna jest trudniejsza od nieoficjalnej, problemem jest projekt procesu, nie ludzie.
9.Rozpoznaj zadania, których w ogóle nie należy oddawać AI
Na czym polega: Czasem pełna, wrażliwa historia (np. dokumentacja medyczna) jest samym powodem wartości analizy — usunięcie danych usuwa zadanie.
Jak stosować: Jeśli po usunięciu danych zadanie traci sens, nie kombinuj z redakcją. Przenieś pracę do zarządzanego, dedykowanego środowiska albo w ogóle nie angażuj AI.
Na co uważać: Nie zmuszaj narzędzia do anonimizacji tam, gdzie sedno leży właśnie we wrażliwych danych — to prosta droga do bezużytecznej analizy lub incydentu.
10.Bezpieczeństwo musi żyć na tej samej ścieżce co wygoda
Na czym polega: Postawiliśmy potężną inteligencję za pustym okienkiem, a system prywatności rozproszyliśmy po politykach, panelach i umowach — i kazaliśmy użytkownikowi trzymać to wszystko w głowie.
Jak stosować: Wybieraj i buduj narzędzia, w których ochrona danych jest wbudowana w tę samą ścieżkę co realizacja zadania, a nie stanowi osobnego, dodatkowego projektu.
Na co uważać: Jeśli prywatność staje się „drugim projektem”, zjada cały czas, który AI miało zaoszczędzić — i właśnie dlatego bywa pomijana.