Telset.id – Sebuah studi terbaru mengungkap bahwa rata-rata waktu yang dibutuhkan untuk membaca kebijakan privasi layanan chatbot AI atau LLM adalah 20 menit. Temuan ini menyoroti kesenjangan antara tingginya adopsi kecerdasan buatan dengan kemampuan pengguna memahami bagaimana data mereka diproses. Studi yang dilakukan firma keamanan siber Bridewell ini menilai kebijakan privasi dari 20 model bahasa besar (LLM) populer.
Hasilnya, rata-rata kebijakan privasi LLM memiliki panjang 4.603 kata. Angka tersebut jauh lebih tinggi dibandingkan kebijakan privasi layanan digital pada umumnya. Sebagai gambaran, kebijakan privasi untuk Meta Muse Spark tercatat memiliki panjang lebih dari 14.000 kata. Dokumen sepanjang itu disebut membutuhkan waktu hampir satu jam untuk dibaca hingga tuntas.
Urgensi temuan ini semakin terasa karena sekitar 75 persen orang mengaku pernah menggunakan chatbot AI setidaknya sekali dalam sebulan. Ketika pengguna memasukkan data ke dalam chatbot AI, mereka berharap sistem dapat memproses kata atau angka untuk menghemat waktu. Namun, pertanyaan besarnya adalah apa yang dilakukan layanan tersebut terhadap data itu. Kebijakan privasi seharusnya menjadi sumber jawaban, asalkan pengguna memiliki waktu untuk membacanya.
Skor Keterbacaan dan Opsi Pelatihan Model
Selain panjangnya, tingkat keterbacaan dokumen-dokumen ini juga menjadi persoalan. Bridewell menemukan banyak kebijakan privasi LLM memiliki Fleisch Reading Ease Score yang buruk. Skor tersebut merupakan ukuran keterbacaan yang dikembangkan Rudolf Flesch pada 1948 dan masih digunakan secara luas untuk menilai teks. Skor di atas 60 dianggap baik, sedangkan di bawah angka itu tidak.
Rata-rata skor Flesch untuk kebijakan privasi LLM dalam studi ini adalah 40,2. Angka tersebut menunjukkan tingkat kepadatan istilah teknis yang membuat dokumen sulit dipahami oleh kebanyakan orang. Dengan kata lain, meski pengguna bersedia meluangkan waktu membaca, pemahaman menyeluruh tetap menjadi tantangan tersendiri.
Dalam mengevaluasi LLM, Bridewell juga menemukan bahwa 13 dari 20 layanan menggunakan input dan output pengguna untuk melatih model mereka. Sebagian LLM menawarkan opsi untuk menolak atau opt out dari pelatihan, tetapi sebagian lainnya tidak menyediakannya. Bahkan ketika opsi penolakan tersedia, cara mengaktifkannya tidak selalu dijelaskan secara jelas. Persoalan ini berkaitan erat dengan perlindungan data pribadi pengguna.
Bridewell juga mencatat pola menarik: semakin kompleks sebuah LLM, seperti Meta Muse Spark atau Kimi K dari Moonshot AI, semakin panjang pula waktu yang dibutuhkan untuk membaca kebijakan privasinya. Temuan ini memperkuat indikasi bahwa kompleksitas teknologi berbanding lurus dengan kompleksitas dokumen legal yang menyertainya.
Baca Juga:
Isu privasi dalam ekosistem AI memang menjadi perhatian yang terus berkembang. Di sisi perangkat keras, sejumlah vendor juga mulai mengadopsi pendekatan serupa. Samsung, misalnya, tengah menyiapkan fitur anti-ipit lewat teknologi Privacy Display pada lini flagship mereka. Langkah ini menunjukkan bahwa perlindungan data kini menjadi pertimbangan di berbagai lapisan teknologi, baik perangkat maupun layanan berbasis cloud.
Pada lini perangkat lain, Xiaomi juga dikabarkan menyiapkan Smart Privacy Display untuk flagship terbaru mereka. Sementara itu, Samsung dilaporkan mencoret fitur tersebut pada salah satu model lipat mereka, sebagaimana terlihat pada spesifikasi Galaxy Z Fold 8 yang beredar. Dinamika ini memperlihatkan bahwa pendekatan terhadap privasi pengguna tidak seragam di seluruh industri.
Kembali ke persoalan kebijakan privasi LLM, risiko yang mengintai tidak hanya bersifat personal. Karyawan juga perlu menyadari bagaimana mereka menggunakan teknologi ini untuk keperluan kerja. Chris Linnell, Associate Director of Data Privacy di Bridewell, menekankan pentingnya pemahaman menyeluruh dari sisi pengguna dan perusahaan.
“Sangat penting bagi pengguna untuk sepenuhnya memahami bagaimana data mereka diproses oleh LLM, dan bisnis memerlukan panduan internal yang jelas tentang apa yang boleh dan tidak boleh dibagikan, dan idealnya akun enterprise yang tepat dengan perlindungan yang sesuai,” ujar Linnell. Ia menambahkan bahwa karyawan berisiko membagikan informasi yang sangat sensitif atau rahasia yang bisa berakhir digunakan untuk melatih LLM.
Pernyataan tersebut menyoroti bahwa tanggung jawab perlindungan data tidak bisa sepenuhnya dibebankan kepada individu. Perusahaan perlu memiliki kebijakan internal yang eksplisit mengenai penggunaan AI di lingkungan kerja. Tanpa panduan tersebut, data rahasia perusahaan berpotensi masuk ke dalam sistem pelatihan model yang dikelola pihak ketiga.
Bagi pengguna umum, temuan Bridewell ini menjadi pengingat bahwa memasukkan data ke dalam chatbot AI bukan tindakan tanpa konsekuensi. Sekitar 75 persen pengguna yang aktif menggunakan chatbot setiap bulan perlu memahami bahwa input mereka bisa saja menjadi bagian dari proses pelatihan model. Opsi opt out yang tidak selalu jelas memperbesar risiko tersebut.
Studi ini juga menyoroti kesenjangan antara ekspektasi pengguna dan praktik yang berjalan. Pengguna mengharapkan efisiensi dari chatbot AI, tetapi sistem yang sama juga mengumpulkan data untuk pengembangan lebih lanjut. Transparansi mengenai hal ini masih terkendala oleh dokumen kebijakan privasi yang panjang dan sulit dipahami.
Dengan rata-rata 4.603 kata dan skor Flesch 40,2, kebijakan privasi LLM saat ini belum sepenuhnya ramah bagi pengguna awam. Sementara 13 dari 20 LLM yang diteliti menggunakan input dan output untuk pelatihan, pemahaman mengenai cara kerja dan cara menolaknya masih menjadi pekerjaan rumah bersama antara penyedia layanan, perusahaan, dan pengguna.
Ke depan, kombinasi antara kompleksitas model dan panjangnya dokumen legal menjadi tantangan tersendiri. Semakin canggih sebuah LLM, semakin panjang pula kebijakan privasi yang menyertainya. Kondisi ini menuntut kesadaran pengguna untuk lebih selektif dalam membagikan data, sekaligus mendorong penyedia layanan untuk menyederhanakan cara mereka mengomunikasikan praktik pengelolaan data.
Komentar
Belum ada komentar.