一个人问 AI 助手自己的黄斑变性该怎么治，为了拿到有用的回答，他很可能顺口说出家族病史。这条信息同时属于几位从没同意过任何条款的亲属。麻省理工学院斯隆管理学院教授 Catherine Tucker 就用这个场景，说明以「个人披露」为中心的隐私规则在 AI 时代为什么会漏。
这项研究由 Tucker 与同院的博士生 Rozhina Ghanavi 合作完成，两人在给 Competition Policy International（PYMNTS 旗下机构）的访谈里把问题拆成两层：一层是信息的经济归属，一层是代理式 AI 把判断权交出去之后，同意这件事还剩下多少意义。
拿到好处的人不承担成本
先看经济归属。披露信息的一方拿到的收益，与这条信息可能带来的代价，并不落在同一个人身上。Tucker 的追问很直接：那些被牵涉进来的亲属，有没有同样的经济能力去承受这类高度私密、又可能惹麻烦的信息被说出来？答案通常是没有。
代理式 AI 让这类选择更多由软件完成。一个被授权访问邮箱、日历、客户记录或支付系统的智能体，会在完成任务的过程中自行决定取用哪些信息。原本的隐私安排建立在一个前提上：每披露一次，本人点一次同意。当判断被委托给程序，这个前提就站不住了。
Ghanavi 把同意的对象讲得更清楚：在代理式 AI 里，同意指向的对象是某种许可，它并不落在某一条数据上。连接什么时候结束、持续多久、智能体留存哪些信息，这些问题的答案都超出了「允许处理某条记录」的范围。对部署智能体的银行和支付机构来说，跨系统的授权边界、任务进行中能看到哪些信息，至今仍是悬着的问题。日历和客户数据库一旦开放，暴露的是关系与作息，远不止一笔交易。
删除按钮删不掉模型里的东西
生成式 AI 还改变了被交出信息的价值。提示词、文档、纠正反馈都在支撑个性化、评估和模型改进，商业资产可能沉淀在模型权重里、沉淀在一个专用模型里，也可能只是「能生成有用回答」这项能力。原始交换结束之后，这些价值还在。
Ghanavi 用提交给基础模型的美术作品说明删除的限度：训练或微调完成后把原始素材撤掉，并不等于撤掉它对模型的贡献。权利附着在一个文件上，也就无法回答由这个文件长出来的能力归谁。
Tucker 把现有隐私思路追溯到一个几十年前的假设：先认定某条数据，再取得同意，最后指定用途。推断让这个顺序失灵，因为普通信息一旦与其他细节关联就有了意义。她的说法是，现行隐私制度忙着标出「单看就敏感」的数据，可一个孤立看无害的偏好或行为，照样能支撑关于个人特征的结论。
她还提醒，这不是 AI 独有的问题。数据被共享的世界里，产权和所有权怎么安排，是个老问题。把控制权判给个人的规则，碰上的往往是一份价值横跨家庭、职场或群体的信息。
合规成本会挑赢家
研究指向一个容易被忽略的后果：围绕训练、推断和共享的限制，会决定谁能拿到开发竞争性 AI 服务所需的信息。限制越细，越需要贴近真实交互的开发者越难做产品；合规成本则偏爱那些已经有客户关系、业务面更宽的公司。
Ghanavi 另一项关于广告技术的研究提供了侧面证据。她考察《加州消费者隐私法》如何影响并购活动，发现没有第一方数据的公司会去找手里有数据的公司合并，把数据交换搬进同一家企业内部。对基础模型开发者来说，自己拥有应用就等于直接握住用户交互，她预计隐私限制会让这种整合更有吸引力。用她的话说，这些公司更愿意把功能内部化，做成纵向整合程度更高的 AI 栈。
这给审查横向集中的监管者出了新题：当公司收购的是 AI 研发与分发链条上另一个环节的业务，该怎么看？Tucker 的建议是盯住第一方信息与第三方信息的区别。买下一个应用，会改变两家交换数据的企业之间的公司关系，哪怕底层信息没变。隐私机构和竞争机构都该看清这层区别，包括外部共享受限之后，是不是反而在鼓励把同一件事收购进来。
边界也要说清。两位研究者的论证以案例与制度分析为主，没有给出量化估计，也没有断言哪条规则更好；合成数据被他们提出来作为一种保护竞争的可选项，但它能不能替代真实交互数据，文中没有结论。政策讨论里最容易滑向「隐私与创新只能二选一」，而这项研究给出的判断更具体：规则怎么划第一方与第三方的界，才是决定市场结构的那个变量。