بيانات العميل والذكاء الاصطناعي: دليل سريع للخصوصية
لم تُصمَّم أدوات الذكاء الاصطناعي الاستهلاكية لحفظ معلومات حساسة عن العملاء. كتابة تفاصيل عميل ما فيها، أو السماح لمساعد ذكاء اصطناعي بفتح ملف عميل وقراءته، ليس كتابة ملاحظة خاصة. إنه فعل مشاركة بيانات، وبالنسبة لعميل مهاجر أو لاجئ يمكن أن تكون العواقب خطيرة وأحيانًا يتعذّر التراجع عنها. يقدّم هذا الدليل نظرة أعمق على وحدة الورشة الخاصة بما لا يجب إدخاله أبدًا في أداة ذكاء اصطناعي. اطبعوه، واحتفظوا به قريبًا من مكتبكم، واستخدموا قائمة التحقق قبل فتح أي روبوت محادثة.
العملاء المهاجرون واللاجئون يزنون بالفعل ما إذا كان التواصل آمنًا
هذا الحذر ليس جنون ارتياب، بل هو موثَّق. طابق فريدمان وفينكاتارماني (2021) بيانات مسح وطنية مع نشاط إدارة الهجرة والجمارك (ICE)، ووجدا أن البالغين من أصل إسباني كانوا أقل احتمالًا للإبلاغ عن وجود مقدّم رعاية معتاد أو إجراء فحص سنوي بعد ارتفاع نشاط ICE في ولايتهم، بينما لم يُظهر البالغون من غير أصل إسباني هذا التغيّر. ووجد يونغ وزملاؤه (2023) أنه بين المهاجرين اللاتينيين والآسيويين في كاليفورنيا، كل مواجهة مباشرة إضافية مع نظام إنفاذ الهجرة رفعت احتمالات تأجيل الرعاية (نسبة الأرجحية 1.30، بفاصل ثقة 95% من 1.10 إلى 1.50). وقدّر هيرينغ وبارنو (2025) أن برنامج "المجتمعات الآمنة" (Secure Communities) أعقبه انخفاض بنسبة 16.9% في زيارات مقدّمي الرعاية بين كبار السن من المهاجرين الإسبان المقيمين بصورة قانونية، وهي فئة ليست معرّضة شخصيًا لخطر الترحيل؛ ويشير هذا النمط إلى أن الخوف والأثر غير المباشر هما الدافع، لا الترحيل المباشر.
الدرس بالنسبة لاستخدام الذكاء الاصطناعي مباشر. الوضع المتعلق بالهجرة الخاص بالعميل، أو رقم A، أو تفاصيل القضية ليست معلومات اتصال عادية. فإذا تسرّبت، أو استُدعيت بموجب أمر قضائي (استدعاء)، أو ظهرت في اختراق بيانات، فقد تُعرّض العميل أو أسرته لإنفاذ قوانين الهجرة، أو رفض شكل من أشكال الإغاثة، أو ضرر في بلد المنشأ، وهذه النتائج لا يمكن دائمًا التراجع عنها. تعامل مع كل إدخال لمعلومات عميل في أداة خارجية على أنه يحمل هذا الوزن.
كتابته يعني إرساله
عندما تكتب نصًا في روبوت محادثة، أو تلصق مستندًا، أو تسمح لمساعد ذكاء اصطناعي بفتح ملف عميل وقراءته، فإن ذلك المحتوى يغادر حاسوبك وينتقل إلى مركز بيانات المزوّد، حيث تتم معالجته على خوادمه. وهذا صحيح سواء كتبته أنت بنفسك أو قرأ مساعد الملف نيابةً عنك: جعل الأداة تقرأ ملفًا هو في حد ذاته نقل لمحتوى ذلك الملف إلى الشركة. إنه ليس ملاحظة خاصة. إنه فعل مشاركة بيانات مع شركة لا تتحكم فيها.
يمكن أن يحدث بعد ذلك أمران مختلفان، ويستحقان الفصل بينهما. "مُخزَّن" تعني أن المزوّد يحتفظ بنسخة من مدخلاتك لفترة احتفاظ معيّنة، يمكن خلالها أن تقرأها أنظمة الشركة، وأن يراجعها الموظفون أو المقاولون بموجب شروط معيّنة، وأن تُكشَف في اختراق بيانات، أو أن تُقدَّم استجابةً لأمر استدعاء قضائي. أما "يُستخدم للتدريب" فتعني أن مدخلاتك تُستخدم لتحسين النموذج نفسه، بحيث تصبح جزءًا مما يتعلّمه النموذج. يمكن لأداة أن تَعِد بعدم التدريب على بياناتك وتظل مع ذلك تخزّنها، لذا عليك أن تعرف الإجابتين معًا، لا إجابة واحدة فقط.
يمكن للنماذج أن تحفظ بيانات تدريبها وتُعيد إنتاجها
هذا ليس افتراضيًا. أظهر كارليني وزملاؤه (2021) أنه يمكن جعل نموذج لغوي يُخرج مقاطع حرفية من بيانات تدريبه، وكان من بين ما استخرجوه من GPT-2 تفاصيل شخصية حقيقية تحدد الهوية، بما في ذلك أسماء وأرقام هواتف وعناوين بريد إلكتروني. ثم أظهر كارليني وزملاؤه (2023) أن هذا الحفظ يزداد مع حجم النموذج، ومع عدد مرات تكرار مقطع نصي معيّن في التدريب، ومع مقدار السياق المحيط الذي يوفّره المهاجم.
الخلاصة بالنسبة للممارسين هي أن المعلومات التي تُدخَل في أداة تتدرّب على المدخلات لا يراها المزوّد الآن فحسب؛ بل يمكن أن تظهر لاحقًا لشخص آخر. هذا هو خطر الاستخراج، وهو أحد الأسباب التي تجعل من المفيد الإصرار على بند مكتوب بعدم التدريب قبل استخدام أداة لأي شيء حساس.
التشفير يحميك من الأطراف الخارجية، لا من المزوّد
تُشفِّر الأدوات الموثوقة البيانات أثناء النقل، بحيث لا يمكن قراءتها أثناء عبورها الشبكة، وفي حالة التخزين، بحيث لا يمكن قراءة الملفات المخزَّنة إذا سُرق أحد الأقراص. التشفير (encryption) يحمي من الأطراف الخارجية. إنه لا يحميك من المزوّد، لأن المزوّد يفكّ تشفير المحتوى لكي يعالجه. التشفير ليس سرّية تجاه الشركة التي تحتفظ بالبيانات.
معظم أدوات الذكاء الاصطناعي التي تصل إليها عبر متصفح أو تطبيق هي أدوات سحابية (cloud): تغادر البيانات نطاق تحكمك وتذهب إلى طرف ثالث. أما النموذج المحلي أو الذي يعمل على الجهاز (on-device) فيعمل على جهازك الخاص ولا يرسل المحتوى إلى الخارج، وهو مستوى مخاطر مختلف جوهريًا وأكثر أمانًا بوجه عام. كما يعتمد الإعداد الافتراضي على فئة المنتج. الأدوات الاستهلاكية المجانية هي الأكثر خطورة افتراضيًا؛ وتذكر OpenAI أن محادثات ChatGPT الاستهلاكية تُستخدم افتراضيًا لتدريب نماذجها ما لم يُوقِف المستخدم التدريب، في حين أن منتجاتها Business وEnterprise وTeam وEdu وواجهة الـ API لا تُستخدم افتراضيًا لتدريب النماذج (OpenAI، تمّ الاطلاع عليها في 2026). الشروط تتغيّر، وكل مزوّد يختلف عن الآخر، لذا لا تفترض أبدًا، وتذكّر أن النسخة المجانية التي تصل إليها افتراضيًا هي عادةً النسخة ذات الحماية الأضعف.
إلى أين تذهب بياناتك
المسار نفسه سواء كتبت الرسالة بنفسك أو طلبت من مساعد ذكاء اصطناعي قراءة ملف.
- أنت تكتب أو تُحمِّلتكتب رسالة، أو تلصق مستندًا، أو توجّه مساعد ذكاء اصطناعي إلى ملف عميل لتلخيصه أو قراءته.
- يغادر جهازكينتقل المحتوى عبر الإنترنت إلى المزوّد، سواء كتبته أنت أو قرأ مساعد الملف نيابةً عنك.
- يصل إلى مركز بيانات المزوّدخوادم المزوّد تعالجه. قد يتمكّن الموظفون أو المقاولون من الوصول إليه بموجب شروط معيّنة.
- يُخزَّن، وربما يُستخدم للتدريبقد يحتفظ المزوّد بنسخة لفترة احتفاظ معيّنة، وقد يستخدمها بشكل منفصل لتحسين النماذج المستقبلية ما لم يكن التدريب متوقّفًا.
يحمي التشفير (encryption) هذه الرحلة من الأطراف الخارجية. لكنه لا يمنع المزوّد في الطرف الآخر من قراءة ما أرسلته.
قائمة "ما لا يُدخَل أبدًا"
لا تُدخل أيًا مما يلي في أداة ذكاء اصطناعي استهلاكية أو غير معتمدة، سواء بكتابته أو بأن تطلب من الأداة قراءة ملف يحتوي عليه.
أي واحد من هذه العناصر يمكن أن يشير إلى شخص بعينه، وعند دمجه مع أي شيء آخر في الرسالة يزداد تضييق الهوية.
رقم ضمان اجتماعي واحد متسرّب يتيح سرقة الهوية والاحتيال الذي قد يلاحق العميل لسنوات.
هذه العناصر تربط الرسالة مباشرةً بملف قضية هجرة أو قضية قانونية وبأنظمة الإنفاذ.
الوضع وتاريخه هما بالضبط التفاصيل التي يتوقف عليها إجراء الإنفاذ؛ ويجب ألا يبقيا أبدًا على خادم أحد المزوّدين.
هذه معلومات سريرية محمية، ويمكن لاختراق بيانات أو أمر استدعاء قضائي أن يكشف أكثر تفاصيل العميل خصوصية.
يمكن أن تظهر تفاصيل القضية في دعوى قضائية أو تُستخدم ضد العميل بطرق لم يوافق عليها أبدًا.
حذف الاسم لا يجعل السجل مجهول الهوية
إزالة تحديد الهوية تعني تجريد المعلومات إلى الحد الذي لا يمكن معه تتبّعها إلى شخص بعينه: إزالة ليس فقط المعرّفات المباشرة مثل الأسماء والأرقام والعناوين، بل أيضًا المعرّفات شبه المباشرة (quasi-identifiers) التي تتضافر للإشارة إلى شخص ما. استبدال "ماريا، تاريخ الميلاد 3/12/1990، رقم A 087..." بـ"عميل" هو بداية، لا نهاية.
الحدود هي الجزء المهم. قدّر روشيه وهندريكس ودو مونجوي (2019)، باستخدام طريقة تصمد حتى عندما تكون مجموعة البيانات غير مكتملة، أنه يمكن إعادة تحديد هوية 99.98% من الأمريكيين بشكل صحيح من أي مجموعة بيانات باستخدام 15 سمة ديموغرافية فقط. مجموعات صغيرة من السمات العادية كافية لتمييز شخص بعينه، لذا لا تُضمَن إزالة تحديد الهوية أبدًا، وهي تفشل بأسرع ما يكون بالضبط في الأماكن التي يعيش فيها عملاؤكم: اللغات النادرة، وبلدان المنشأ المحدَّدة، والبلدات الصغيرة، وملفات القضايا غير الشائعة.
السرديات النصية الحرة تُسرّب المعلومات بشكل خاص لأنها تحمل تفاصيل عرَضية لن تفكّر أي قائمة تحقّق في إزالتها أبدًا. الممارسة الآمنة ليست إزالة تحديد هوية سجلّ حقيقي ثم لصقه. بل اعملوا بعبارات عامة أو افتراضية أو مجمَّعة بدلًا من ذلك، تمامًا كما تطرحون سؤالًا في تدريب، من دون ربطه بشخص حقيقي بعينه. إذا كنتم لن تقرأوا الجملة بصوت عالٍ في مكان عام مزدحم بحضور العميل، فلا تُدخلوها.
هل يمكن إدخال هذا في هذه الأداة؟
اجتازوا هذه البوابات بالترتيب. التوقف عند أي بوابة يعني التوقف.
- هل الأداة مدرجة في القائمة المعتمدة لدى جهتكم، مع اتفاقية بيانات موقّعة؟إذا كانت الإجابة لا، فتوقّفوا. استخدموا أداة معتمدة أو لا تستخدموا أي أداة.
- هل يحتوي المحتوى على أي شيء من قائمة "ما لا يُدخَل أبدًا"، بما في ذلك داخل ملف مرفق؟إذا كانت الإجابة نعم، فتوقّفوا، أو أزيلوه وعمّموه أولًا قبل المتابعة.
- هل يمكن للتفاصيل المتبقية، مجتمعةً، أن تحدد هوية عميل بعينه، أو أسرة، أو مجتمع صغير؟إذا كانت الإجابة نعم أو لستم متأكدين، فتوقّفوا. افترضوا أن تفاصيل المجموعات السكانية الصغيرة تحدد الهوية.
- هل تعلمون أن هذه الأداة لا تتدرّب على مدخلاتكم ولديها حد احتفاظ معلَن؟إذا كانت الإجابة لا، فتوقّفوا حتى تتمكّنوا من التأكد من ذلك.
- لو أصبح هذا النص بالضبط علنيًا غدًا، هل يمكن أن يضرّ بالعميل أو بأسرته؟إذا كانت الإجابة نعم أو لستم متأكدين، فتوقّفوا.
لا تتابعوا إلا إذا اجتزتم كل بوابة، وحتى عندئذ، أدخلوا الحد الأدنى الضروري فقط.
ما ينبغي طلبه قبل أن تعتمد جهتكم أداة ما
اعتماد أداة ذكاء اصطناعي للعمل بالقرب من معلومات العملاء قرار تنظيمي، لا قرار فردي.
تشترط وزارة الصحة والخدمات الإنسانية الأمريكية (HHS) اتفاقية شريك تجاري (Business Associate Agreement) مع أي مزوّد يُنشئ أو يستلم أو يحتفظ أو ينقل معلومات صحية محمية نيابةً عنكم؛ وتُحتسَب أي خدمة سحابية تخزّنها أو تعالجها ضمن ذلك. أما بالنسبة للبيانات الحساسة الأخرى، فاشترطوا اتفاقية معالجة بيانات (data processing agreement) معادِلة.
ينبغي أن تنص شروط المزوّد كتابةً على أن مدخلاتكم لا تُستخدم لتدريب نماذجه، وينبغي أن يتأكّد أحدهم من أن هذا الإعداد مُفعَّل فعليًا بهذا الشكل، لا أنه متاح فحسب.
اعرفوا كم من الوقت تُحفَظ المدخلات، وهل يمكنكم طلب حذفها، وهل يوجد خيار احتفاظ صفري أو بلا سجلّات (no-log). فضّلوا أقصر مدة احتفاظ يمكنكم الحصول عليها.
لا ينبغي أن يقرر الموظفون فرادى أداةً أداة. ينبغي أن توجد قائمة محدَّثة بما هو مسموح به لكل نوع من المحتوى، وشخص محدَّد يمكن سؤاله.
التشفير أثناء النقل وفي حالة التخزين، وضوابط الوصول، والالتزامات بالإخطار عند وقوع اختراق، كلها ضرورية، لكنها تحمي من الأطراف الخارجية ولا تحل محل شروط التدريب والاحتفاظ المذكورة أعلاه.
قائمة تحقق سريعة
- الأداة مدرجة في قائمة جهتنا المعتمدة لهذا النوع من المحتوى.
- توجد اتفاقية بيانات موقّعة (BAA أو ما يعادلها) تغطّيه.
- تنص شروط المزوّد على أن المدخلات لا تُستخدم للتدريب، وقد جرى تأكيد هذا الإعداد.
- حدود الاحتفاظ معروفة وقصيرة قدر الإمكان.
- لا يوجد أي عنصر من قائمة "ما لا يُدخَل أبدًا" في نصّي أو في أي ملف أطلب من الأداة قراءته.
- لا يمكن لأي تركيبة من التفاصيل الصغيرة أن تحدد هوية عميل واحد أو أسرة واحدة.
- أستخدم صياغة عامة أو افتراضية، لا سجلّ عميل حقيقي.
- لو أصبح هذا النص علنيًا غدًا، فلن يتضرر أي عميل.
- عندما لا أكون متأكدًا، أتوقف وأسأل الشخص الذي يدير أدواتنا.
المصادر
- Friedman, A. S., & Venkataramani, A. S. (2021). Chilling Effects: US Immigration Enforcement and Health Care Seeking Among Hispanic Adults. Health Affairs, 40(7), 1056–1065. doi:10.1377/hlthaff.2020.02356
- Young, M.-E. D. T., Tafolla, S., Saadi, A., Sudhinaraset, M., Chen, L., & Pourat, N. (2023). Beyond “Chilling Effects”: Latinx and Asian Immigrants’ Experiences With Enforcement and Barriers to Health Care. Medical Care, 61(5), 306–313. doi:10.1097/MLR.0000000000001839
- Herring, J., & Barnow, B. (2025). Indirect effects of immigration enforcement on health care utilization among lawfully present older Hispanics. Social Science & Medicine, 384, 118540. doi:10.1016/j.socscimed.2025.118540
- Carlini, N., Tramèr, F., Wallace, E., Jagielski, M., Herbert-Voss, A., Lee, K., Roberts, A., Brown, T., Song, D., Erlingsson, Ú., Oprea, A., & Raffel, C. (2021). Extracting Training Data from Large Language Models. 30th USENIX Security Symposium (USENIX Security 21). link
- Carlini, N., Ippolito, D., Jagielski, M., Lee, K., Tramèr, F., & Zhang, C. (2023). Quantifying Memorization Across Neural Language Models. The Eleventh International Conference on Learning Representations (ICLR 2023). link
- Rocher, L., Hendrickx, J. M., & de Montjoye, Y.-A. (2019). Estimating the success of re-identifications in incomplete datasets using generative models. Nature Communications, 10, 3069. doi:10.1038/s41467-019-10933-3
- OpenAI (2026). How your data is used to improve model performance; Enterprise privacy. OpenAI help center and enterprise privacy page (accessed 2026). link
- U.S. Department of Health and Human Services (2026). Business Associate Contracts; Guidance on HIPAA & Cloud Computing. HHS.gov (accessed 2026). link
يصف هذا الدليل ممارسة مستندة إلى الدراسات المذكورة أعلاه. عدّلوه بما يتوافق مع سياسات جهتكم واللغات والمجتمعات التي تخدمونها.