Gemini w Google też zderzył się ze strachem o własny kod

Simon Willison zacytował fragment tekstu LA Times o wdrażaniu Gemini w Google: na wczesnym etapie pracownicy mieli ograniczenia w używaniu Gemini do pisania lub analizowania oprogramowania z obawy, że kod własnościowy może trafić do danych treningowych modelu. Podczas weryfikacji artykuł LA Times był dostępny głównie przez metadane wyszukiwarki i cytowany fragment, nie jako w pełni otwarty tekst.

Google też musiał hamować własne użycie Gemini

Najciekawsze jest to, że nie chodzi o typowy strach ostrożnej korporacji. Jeśli cytowany fragment jest poprawny, podobny wzorzec ryzyka pojawił się wewnątrz Google, czyli firmy, która Gemini buduje i integruje z produktami.

To nie dowodzi, że Gemini trenował na wewnętrznym kodzie pracowników. Mówi coś węższego i ważniejszego dla kupujących: przy wdrażaniu AI do pracy nad software trzeba wiedzieć, co trafia do modelu, gdzie jest przechowywane i czy może zostać użyte do dalszego treningu.

Enterprise adopcja zależy od granic, nie od dema

Dla zespołów inżynieryjnych ta historia jest bardziej użyteczna niż kolejne wideo z wygenerowaną funkcją. Pokazuje, że blokadą często nie jest zdolność modelu do pisania kodu, lecz uprawnienia, audyt i polityka danych wokół narzędzia.

To samo pytanie wraca przy każdym coding assistant. Czy agent może czytać całe repozytorium? Czy może analizować błędy bezpieczeństwa? Czy może dotknąć danych klientów w testach? Bez jasnych odpowiedzi adopcja rozpadnie się na lokalne wyjątki i zakazy.

Cytowany fragment nie opisuje całej historii Gemini

Ponieważ pełny tekst LA Times nie był otwarty podczas weryfikacji, nie ma podstaw do szczegółowych twierdzeń o przyczynach opóźnień Gemini ani dokładnych regułach wewnątrz Google. Bezpieczny grunt to cytowany fragment i szersza lekcja o enterprise governance.

Znaczenie ma też czas. Ograniczenia z wczesnego rollout nie muszą opisywać dzisiejszej polityki produktu. W takich historiach różnica między dawną ostrożnością a obecnymi kontrolami jest kluczowa.

Umowy i logi powiedzą więcej niż tekst premierowy

Kolejne sygnały będą w dokumentacji dla klientów enterprise: domyślne ustawienia treningu na danych klienta, retencja, audit logs oraz oddzielenie trybów konsumenckich od firmowych. Tam okaże się, czy narzędzie nadaje się do wrażliwego kodu, czy tylko do bezpiecznych brzegów pracy.

Dla kupujących to dobra lista kontrolna. Jeśli nawet producenci modeli nie chcą bez reguł wpuszczać własnego kodu do AI, zewnętrzna firma nie powinna podpisywać zamówienia tylko dlatego, że demo wygląda szybko.

Werdykt Lilith

Coding agent bez granic danych to stażysta z kluczem do skarbca. Może być zdolny, ale pierwsze pytanie brzmi, kto stoi przy drzwiach i zapisuje, co wyniósł.