С развитием крупных языковых моделей (LLM) и генеративного ИИ в 2023–2025 годах всё больше внимания привлекает вопрос: на чём обучаются эти алгоритмы? Исследования, утечки и журналистские расследования выявили тревожный тренд — корпорации массово используют личные данные пользователей, включая переписки, изображения и голосовые команды, зачастую без прямого согласия.
Как работают обучающие базы ИИ
Для того чтобы крупная модель вроде GPT, Claude, Gemini или Midjourney научилась генерировать убедительный текст, изображение или звук, она должна пройти обучение на огромных массивах данных — от Википедии до комментариев в Reddit, от подкастов до книг и форумов. Чем больше данных, тем «умнее» ИИ.
Однако основной вопрос — какие именно данные используются и было ли получено разрешение их использовать.
Расследования и утечки: кто и как собирает данные
The New York Times против OpenAI (декабрь 2023 — 2024)
NYT подал в суд на OpenAI и Microsoft, утверждая, что их статьи массово использовались для тренировки GPT без согласия. В иске указывалось, что чат-боты дословно воспроизводят защищённые авторским правом материалы, что стало серьёзным юридическим вызовом для всей индустрии.
Утечка внутренних документов Google (февраль 2024)
Документы, попавшие в руки The Intercept, подтверждали, что данные с YouTube, Google Docs и даже приватных Gmail-переписок использовались в качестве «внутренних датасетов» для тестирования моделей Gemini. Google отрицал массовое использование частной информации, но не смог предоставить полные гарантии неприкосновенности пользовательских данных.
Meta и Instagram (лето 2024)
Расследование Wired показало, что Meta начала обучать свои модели на личных фото и видео из Instagram и Facebook. Несмотря на формальные уведомления в пользовательском соглашении, реального механизма отказа от использования своих данных не существовало до конца 2024 года.
Amazon Alexa и голосовые команды
С 2020 по 2023 годы Amazon подвергся критике за использование голосовых запросов пользователей Alexa для обучения алгоритмов без прямого согласия. Как выяснил Bloomberg, некоторые из записей даже расшифровывались вручную сотрудниками и подрядчиками Amazon.
Как это работает технически
Корпорации используют так называемые "web scrapers" и API-доступ для массового сбора информации с сайтов, форумов, новостных платформ. Даже если контент защищён авторским правом, он может попадать в обучающие выборки как "публично доступный".
Многие компании полагаются на «спорную зону» авторского права, оправдываясь принципом fair use (добросовестного использования) — особенно в США. Но в Европе этот подход вызывает юридическое отторжение.
Что говорят сами компании
- OpenAI: утверждает, что старается исключать «чувствительные» данные из тренировок, но не может гарантировать, что всё — «чистое».
- Meta: изменила политику в июне 2024 года и теперь требует дополнительного согласия в ЕС.
- Google: в июле 2025 признал использование данных с YouTube и Поиска, но только в агрегированной форме.
- Amazon: заявляет, что все голосовые команды используются «анонимно» и в «улучшении пользовательского опыта».
Юридические и этические последствия
- В 2024–2025 годах в США, ЕС и Японии начались многочисленные разбирательства по фактам нелегального использования данных.
- ЕС готовит Закон об ИИ, который требует прозрачности источников обучения.
- В США обсуждается введение метки "AI-trained" на продуктах, где ИИ обучен на пользовательских данных.
Что это значит для пользователей?
- Ваши фотографии, комментарии, записи разговоров, письма и статьи могут быть частью обучающего датасета без вашего ведома.
- Отказаться от использования своих данных практически невозможно.
- Это приводит к рискам утечек, нарушений приватности и даже созданию фейков на основе ваших личных данных.
Заключение
Пока индустрия гонится за сверхинтеллектом, приватность человека становится расходным материалом. Массовое обучение ИИ на пользовательских данных без явного разрешения — это не просто этический вызов, но и потенциальная юридическая бомба замедленного действия.
Важно, чтобы законодательство, журналистика и гражданское общество продолжали оказывать давление на корпорации, добиваясь прозрачности, справедливости и права на контроль над личной цифровой жизнью.