Boisz się o dane w AI? Sprawdź najpierw, czego naprawdę się boisz

📅 6 lipca 2026 ⏱️ 7 min czytania

Michał Winciorek

Performance Marketing Strategist · LinkedIn ↗

„Ale co z danymi?" – to jedno zdanie zamyka w polskich firmach więcej rozmów o AI niż jakikolwiek argument merytoryczny. Brzmi odpowiedzialnie i dojrzale, więc rzadko ktoś je kwestionuje. A w większości przypadków chroni głównie święty spokój. Rozłóżmy je na części.

W wielu firmach „ochrona danych" i „strach przed AI" to dwie różne sprawy, które nauczyliśmy się mylić. Piszę to jako ktoś, kto wdraża AI w firmach i prowadzi z jej pomocą kampanie na co dzień, więc to zdanie o danych słyszę niemal na każdym spotkaniu.

Kiedy obawa o dane jest uzasadniona

Zacznę od uczciwości, żeby nie było, że robię ze wszystkich hipokrytów. Są dane, przy których ostrożność to obowiązek: dokumentacja medyczna, dane osobowe klientów w rozumieniu RODO, tajemnice handlowe, rzeczy objęte NDA, kod źródłowy, wyniki finansowe przed publikacją. Jeśli pracujesz na takich zbiorach, pytanie „gdzie to trafia, kto ma dostęp i czy jest trenowane" jest po prostu robotą do odrobienia przed pierwszym promptem.

To jakieś 20% sytuacji. Ten tekst zajmuje się resztą.

Kiedy „dane" to zasłona

W pozostałych rozmowach „bezpieczeństwo danych" pełni inną funkcję: daje społecznie akceptowalny powód, żeby nie ruszać tematu. „Martwię się o dane" brzmi jak troska o firmę. „Nie wiem, jak się za to zabrać" brzmi jak przyznanie do słabości. Wybór jest oczywisty.

Zróbmy więc prosty test. Zapytaj konkretnie: co ta straszna korporacja miałaby zrobić z Twoimi danymi?

Prowadzisz firmę, która wydaje kilkanaście tysięcy złotych miesięcznie na reklamy. Naprawdę wyobrażasz sobie, że w OpenAI albo Google ktoś pochyla się nad Twoim budżetem mediowym i notuje, ile przepaliłeś na kampanii w zeszłym kwartale? Po co? Te modele uczą się na skali całego internetu, nie na Twoim jednym koncie reklamowym. To, ile paczek dziennie wysyła Twój magazyn albo co ustaliliście na poniedziałkowej naradzie, to jeden rekord wśród miliardów. Nikt tego nie czyta ręcznie, nikt tego nie sprzedaje osobno, nikt na tym pojedynczym rekordzie nie zarabia. Skala, na której działają ci dostawcy, sprawia, że Twój przypadek jest dla nich statystycznym szumem. Wniosek jest prosty: oddzielaj realne ryzyko od wyobrażonego scenariusza, w którym globalny gigant interesuje się akurat Tobą.

Trzy poziomy dostępu, które ludzie mylą

Większość paniki bierze się z wrzucania trzech różnych rzeczy do jednego worka o nazwie „AI". Rozdzielmy je, bo warunki przetwarzania danych są na każdym poziomie inne.

1. Darmowy czat na koncie prywatnym. Tu bywa różnie. Część dostawców domyślnie wykorzystuje rozmowy do doskonalenia modeli (zwykle z opcją wyłączenia w ustawieniach). To poziom, na którym wrzucanie firmowych danych faktycznie wymaga chwili namysłu.

2. Plan firmowy (Teams / Enterprise). Osobne warunki, brak trenowania na Twoich treściach, kontrola nad retencją, zarządzanie kontami całego zespołu, logowanie dostępu. Od tego poziomu zaczyna się poważna rozmowa o wdrożeniu.

3. Dostęp przez API. Dane lecą tylko na czas obsłużenia zapytania, standardowo bez trenowania, z pełną kontrolą po Twojej stronie: decydujesz, co wysyłasz, co logujesz i gdzie trzymasz wynik. To poziom, na którym buduje się automatyzacje i własne narzędzia.

Panika najczęściej rodzi się tak: ktoś raz wkleił coś do darmowego czata, poczuł się niepewnie i rozciągnął to uczucie na całą kategorię. Poziom pierwszy i trzeci dzieli przepaść, a mimo to traktuje się je jak jedno.

Co dostawcy realnie robią z danymi

Zanim uznasz, że każde narzędzie AI to dziura w bezpieczeństwie, warto wiedzieć, jak to wygląda po stronie umowy. Wersje enterprise i dostęp przez API (Claude, ChatGPT, Gemini) standardowo dają:

• zero-retention albo krótką, konfigurowalną retencję zapytań,
• brak wykorzystania Twoich danych do trenowania modeli,
• umowę powierzenia przetwarzania (DPA) pod RODO,
• kontrolę nad tym, kto w organizacji ma dostęp do historii.

Jest jeden niuans, o którym warto wiedzieć, bo bywa mylony z „czytaniem Twoich danych": dostawcy zwykle zastrzegają sobie prawo do ograniczonego przeglądu treści pod kątem nadużyć (np. próby generowania nielegalnych materiałów). To wąski, regulaminowy mechanizm bezpieczeństwa. Nikt przy tej okazji nie czyta Twoich raportów sprzedaży. Warunki opisują to wprost, więc da się to sprawdzić, zamiast się domyślać.

Różnica między „AI wykrada moje dane" a „mam to pod kontrolą" sprowadza się zwykle do tego, czy korzystasz z darmowego czata na prywatnym koncie, czy z planu firmowego z podpisaną umową. W głowie traktuje się jedno i drugie tak samo, choć dzieli je wszystko, co istotne.

Pięć rzeczy do sprawdzenia, zanim wpuścisz dane

Cała analiza ryzyka, której naprawdę potrzebujesz, mieści się w pięciu pytaniach. Odpowiedzi znajdziesz w warunkach usługi albo dostaniesz je od dostawcy na maila.

1. Trenowanie. Czy moje dane są używane do uczenia modeli? Na planach firmowych i API odpowiedź brzmi zwykle „nie", ale potwierdź to na piśmie.
2. Retencja. Jak długo trzymane są moje zapytania i czy mogę ustawić zero-retention albo krótkie okno.
3. DPA. Czy jest umowa powierzenia przetwarzania pod RODO. Bez niej powierzanie danych osobowych stoi na słabym gruncie prawnym.
4. Lokalizacja i transfer. Gdzie fizycznie przetwarzane są dane i czy transfer poza EOG jest zabezpieczony standardowymi klauzulami umownymi (SCC).
5. Dostęp ludzi. Kto po stronie dostawcy i w jakich sytuacjach może zajrzeć w treści, i jak to jest logowane.

Pięć pytań, kilkanaście minut. Tyle wystarczy, żeby „ale dane" zamieniło się z lęku w checklistę.

Pseudonimizacja, czyli tania polisa

Jest jeszcze prostsza warstwa ochrony, o której się zapomina. Model nie potrzebuje wiedzieć, że chodzi o Kowalskiego, żeby napisać do niego ofertę. Zanim wyślesz cokolwiek, usuń nazwiska, numery, adresy i identyfikatory, a zostaw samą strukturę problemu. Dla wielu zastosowań (analiza, teksty, warianty kreacji) dane osobowe są zbędnym balastem. Wycinasz je i połowa dyskusji o ryzyku znika, bo nie ma już czego chronić.

Prawdziwe lęki pod spodem

Skoro realne ryzyko da się kupić za odpowiedni plan i domknąć checklistą, a większość danych nikogo nie obchodzi, to o co tak naprawdę chodzi? Zwykle o cztery rzeczy, których się nie mówi na zarządzie:

1. Nie wiem, od czego zacząć, więc łatwiej znaleźć powód, żeby nie zaczynać.
2. Stracę kontrolę nad procesem, który dziś rozumiem.
3. Mój zespół zacznie wyglądać na zbędny, a to niewygodna rozmowa.
4. Jeśli nie wyjdzie, to ja podjąłem decyzję i ja za nią odpowiadam.

Każdy z tych lęków jest ludzki. Żaden nie brzmi dobrze na spotkaniu, więc ubiera się go w „kwestie bezpieczeństwa danych". „Dane" są tarczą, za którą chowa się zwykły opór przed zmianą.

Co z tym zrobić

Rozdziel dwie rzeczy, które ciągle lądują w jednym worku.

Realne ryzyko danych. Wypisz konkretnie, które zbiory są faktycznie wrażliwe. Dla nich wybierz plan enterprise z DPA, ustaw zero-retention, przejdź checklistę z góry i zacznij wdrożenie od zastosowań, które tych danych w ogóle nie dotykają: raportowanie, warianty kreacji, analiza publicznych danych rynkowych. Ryzyko realne domykasz procesem.

Zwykły opór przed zmianą. Nazwij go po imieniu i potraktuj jak każdą inną zmianę w firmie: jeden proces na pilotaż, jasny cel, wynik na liczbach po miesiącu, dopiero potem decyzja o skali. Bez wielkiego wdrożenia „całej firmy na AI", które i tak nikomu nie wychodzi za pierwszym razem.

Bo prawda jest taka: firmy najczęściej tracą dystans w AI na dwóch latach spotkań o tym, czy w ogóle wypada zacząć. Serwery nie mają z tym nic wspólnego. I jeszcze żadna nie przewróciła się przez to, że wrzuciła do prompta notatkę z poniedziałkowej narady.

Najczęstsze pytania

Czy dane wysyłane do AI są używane do trenowania modeli?

To zależy od poziomu dostępu. Na darmowych planach konsumenckich część dostawców domyślnie wykorzystuje rozmowy do doskonalenia modeli, zwykle z opcją wyłączenia w ustawieniach. Na planach firmowych (Teams, Enterprise) i przez API standardem jest brak trenowania na Twoich treściach. Zawsze potwierdź to w warunkach konkretnego dostawcy, najlepiej na piśmie.

Które dane naprawdę wymagają ostrożności przy pracy z AI?

Dokumentacja medyczna, dane osobowe klientów w rozumieniu RODO, tajemnice handlowe, treści objęte NDA, kod źródłowy i wyniki finansowe przed publikacją. Dla takich zbiorów warto ustalić, gdzie trafiają, kto ma do nich dostęp i czy są trenowane, zanim wyślesz pierwszy prompt. To realna mniejszość codziennych zastosowań, nie ich większość.

Jak bezpiecznie zacząć wdrażać AI w firmie?

Wybierz plan firmowy z umową powierzenia przetwarzania (DPA) i ustawioną krótką retencją albo zero-retention. Zanim wyślesz dane, usuń zbędne identyfikatory (pseudonimizacja). Zacznij od zastosowań o niskiej wrażliwości, takich jak raportowanie, warianty kreacji czy analiza publicznych danych rynkowych, i potraktuj to jak pilotaż: jeden proces, wynik na liczbach po miesiącu, dopiero potem decyzja o skali.