OpenAI хоче бачити ризики у взаємодіях із ШІ, не отримуючи доступу до корпоративних даних

OpenAI тестує спосіб посилити контроль за зловживаннями найпотужнішими моделями, не відмовляючись від обіцянки Zero Data Retention (ZDR) — нульового зберігання даних для відповідних корпоративних розгортань. Анонсований 19 серпня 2026 року сервіс Private Safety Processing має шукати небезпечні патерни не в кожному запиті окремо, а в сукупності пов’язаних взаємодій. При цьому вміст клієнтських даних має залишатися недоступним для співробітників OpenAI. 31

Для корпоративних клієнтів це спроба розв’язати складну дилему: командам безпеки потрібен горизонт спостереження, достатній для виявлення багатокрокових атак, а компаніям із регульованих чи чутливих до безпеки галузей — гарантії, що постачальник ШІ не зберігатиме їхні промпти та відповіді.

Що змінюється порівняно зі звичайним ZDR

Системи безпеки, сумісні з традиційним ZDR, оцінюють взаємодії поодинці. Через це вони можуть пропустити розподілену атаку: окремий запит виглядає нешкідливим, але послідовність пов’язаних звернень поступово допомагає досягти небезпечної мети.

OpenAI заявляє, що Private Safety Processing поширює автоматичні запобіжники на пов’язані взаємодії. Це має допомогти виявляти ширші патерни, зокрема активність, пов’язану зі спробами злому з боку людей або дезорієнтованих чи неправильно налаштованих ШІ-агентів. 31

На практиці кілька запитів, які окремо здаються цілком легітимними, у сукупності можуть сформувати ризиковий сценарій — наприклад, потенційно пов’язаний із розробленням шкідливого програмного забезпечення або проникненням до систем. Водночас доступні джерела описують це як можливість шукати патерни в кількох взаємодіях, а не як доказ того, що попередня версія надійно виявлятиме кожну подібну кампанію.

Які дані бачить OpenAI

Ключова межа приватності полягає в тому, що система має автоматично аналізувати активність клієнта, не відкриваючи співробітникам OpenAI самі промпти та відповіді моделі. Якщо виникає потенційна проблема, OpenAI, за її словами, отримує вузько визначений сигнал безпеки, а не необроблений вміст розмови. 310

За повідомленнями про попередню версію, дані клієнта можуть залишатися на інфраструктурі під його контролем або зберігатися в зашифрованому вигляді з використанням ключів, якими володіє сам клієнт. 157 Така архітектура має зберегти переваги конфіденційності, яких компанії зазвичай очікують від ZDR, водночас передаючи OpenAI мінімум інформації, необхідний для реагування на підозрілий інцидент.

Це не означає, що виявлення ризику не матиме практичних наслідків. Сигнал може призвести до заходів безпеки на рівні облікового запису або до прохання клієнта провести перевірку. Клієнт також може добровільно надати релевантний контекст, якщо оскаржує позначку чи допомагає розслідуванню. Однак попередня версія не описується як механізм автоматичного доступу OpenAI до збереженої розмови. 23

Що досі залишається нез’ясованим

Private Safety Processing поки випробовують із вибраними ранніми клієнтами, а не пропонують як повністю готову й широко доступну послугу. 35 Тому сам анонс не дає відповідей на кілька важливих запитань:

• наскільки точними є сигнали ризику, що враховують кілька розмов;
• як часто звичайна корпоративна активність може спричиняти хибні спрацювання;
• які саме дії щодо облікового запису відповідають різним категоріям ризику;
• як клієнт зможе перевірити або оскаржити сигнал, якщо OpenAI не бачить його підґрунтя;
• яку технічну документацію компанії отримають до ширшого запуску.

Отже, обіцянка цієї технології вужча, ніж твердження, що «приватний моніторинг безпеки вирішує проблему зловживань». OpenAI перевіряє, чи може обмежений сигнал виявляти небезпечну активність без масштабної передачі даних постачальнику та без звичної моделі зберігання трафіку й перевірки його людьми.

Чим відрізняється політика Anthropic

Anthropic обрала для своїх покритих моделей більш орієнтований на зберігання підхід. Її політика вимагає зберігати промпти, надіслані до покритих моделей, і відповіді, які вони генерують, протягом 30 днів для роботи з безпекою. Це стосується моделей класу Mythos і майбутніх моделей із подібними можливостями.

Anthropic заявляє, що ці дані не використовуються для навчання нових моделей Claude або для цілей, не пов’язаних із безпекою. Серед оприлюднених заходів захисту — обмеження доступу, журналювання кожного доступу людей і видалення даних після 30 днів майже в усіх випадках.

Модель зі зберіганням дає командам безпеки часовий «ретроспективний» проміжок для розслідування складних атак і перевірки хибних спрацювань. Водночас вона створює для клієнтів більші вимоги щодо управління даними та дотримання внутрішніх правил конфіденційності.

За повідомленнями про заплановані зміни, Anthropic збереже вимогу щодо 30-денного зберігання, але дозволить корпоративним клієнтам розміщувати дані у власній хмарній інфраструктурі. Це може зменшити побоювання щодо контролю над даними, однак не скасовує саму вимогу про їх зберігання.

Два різні компроміси для бізнесу

Підходи компаній можна стисло описати так:

• OpenAI: автоматично аналізувати взаємопов’язані взаємодії та передавати лише обмежений сигнал безпеки, мінімізуючи доступ постачальника до вмісту клієнта.
• Anthropic: зберігати трафік покритих моделей протягом 30 днів у контрольованому середовищі, залишаючи більше інформації для розслідувань і перевірки.

Підхід OpenAI може бути привабливішим для компаній, чиї закупівельні правила категорично не схвалюють зберігання вмісту постачальником. Його слабке місце — обмежений сигнал може не дати достатньо доказів для розслідування спірного або неоднозначного інциденту.

Рішення Anthropic, навпаки, потенційно забезпечує кращу криміналістичну видимість, але покладає на клієнта додатковий тягар зберігання даних і дотримання вимог, навіть якщо той хотів би повністю відмовитися від ретенції.

Жоден із підходів не усуває базову проблему безпеки. Багатокрокове зловживання складно відрізнити від легітимного дослідження, а захист приватності може обмежити обсяг доказів для людських розслідувачів. Реальна перевірка для попередньої версії OpenAI — чи будуть її автоматичні сигнали достатньо точними для застосування санкцій без доступу до вмісту, який вони узагальнюють.

Чому це важливо саме зараз

Різниця в політиках приватності проявляється на тлі дедалі гострішої боротьби OpenAI та Anthropic за корпоративних клієнтів і користувачів найпотужніших моделей. За повідомленнями, річний темп доходів Anthropic наприкінці липня перевищив 65 млрд доларів. Це прогнозний показник, розрахований на основі недавніх темпів продажів, а не фактично отриманий дохід за повний рік.

Інвестори також, за повідомленнями, обговорювали можливу оцінку Anthropic у 2 трлн доларів або більше в разі виходу компанії на біржу. Це очікування, про яке повідомляли зовнішні джерела, а не гарантована оцінка чи завершене IPO.

Ці фінансові дані дають контекст, але не доводять, що Private Safety Processing створили виключно як відповідь конкуренту. Обережніший висновок полягає в тому, що OpenAI намагається зняти конкретне заперечення корпоративних закупівельників: як користуватися надзвичайно потужними моделями з посиленим контролем зловживань і водночас обмежити доступ постачальника до конфіденційних бізнес-даних.

Доступні джерела не підтверджують остаточних строків або умов IPO OpenAI. Тому твердження про неминучий чи вже узгоджений вихід компанії на біржу потребувало б окремого актуального підтвердження.

Висновок

Private Safety Processing — це спроба OpenAI розширити ZDR від фільтрації окремих взаємодій до моніторингу безпеки між пов’язаними розмовами, не перетворюючи промпти та відповіді клієнтів на вміст, доступний співробітникам компанії. Передбачається, що система повертатиме вузько визначений сигнал безпеки, а подальша допомога клієнта буде добровільною.

Для бізнесу це може стати орієнтованою на приватність альтернативою 30-денній моделі зберігання Anthropic. Але поки що це лише попередня версія. Корпоративним покупцям варто сприймати заяви OpenAI як опис дизайну та етапу тестування — доки незалежні дані не покажуть точність виявлення, рівень хибних спрацювань, можливості аудиту й те, як система працює під час реальних інцидентів.