Filtrul tău de spam nu citește emailul. El numără indiciile.

Google blochează aproape 15 miliarde de mesaje nedorite pe zi, și o face fără nimic care ți-ar fi familiar ca „lectură". Nici un model nu stă acolo rostind cuvintele din reamintitorul dentistului tău. Acea imagine mentală — un șantaj digital aplecate peste inbox-ul tău, absorbind secretele tale — e frica pe care o poartă majoritatea oamenilor, și e îndreptată în direcția greșită.

Iată ce se întâmplă cu adevărat. Când mail lovește un filtru, sistemul nu începe cu proza ta. Începe cu plicul. Cine a trimis asta, și serverul de trimitere are cu adevărat permisiunea de a folosi acel domeniu? Asta sunt SPF, DKIM și DMARC — trei verificări care confirmă dacă „billing@yourbank.com" a venit din infrastructura băncii tale sau dintr-un server închiriat în subsolul cuiva. Un escroc poate copia un logo perfect și tot eșua DKIM, și acel singur dezacord criptografic spune filtrului mai mult decât oricare propoziție din corp ar putea vreodată.

Apoi vin semnalele mai ieftine. Reputația expeditorului: a blăstuit această adresă IP milioane de mesaje identice? Analiza link-urilor: butonul „click here" arată spre locul pe care textul vizibil nu îl recunoaște? Vârsta URL, lanțuri de redirecționare, tipuri de atașamente. Cea mai mare parte a unui verdict de spam se decide înainte ca modelul să se gândească serios la limbaj deloc.

Când limbajul intră în joc, nu e înțelegere — e matematică. Filtrele vechi foloseau clasificatori Bayesieni, abordarea pe care Paul Graham a popularizat-o în eseul său din 2002 „A Plan for Spam", care puncta mesajele după probabilitatea ca anumite cuvinte să apară în spam versus mail real. Cuvântul „Viagra" avea o cifră. Sistemele moderne merge mai departe cu modele bazate pe transformer care transformă textul în embeddings — liste lungi de numere care captează sensul fără a-l stoca ca palavre. Pentru clasificator, emailul tău nu e o poveste. E un punct în spațiu multidimensional, iar întrebarea e dacă acel punct stă aproape de clusterul etichetat „phishing".

Acea distincție conteaza, pentru că „AI-ul vede cuvintele mele" și „AI-ul îmi transformă cuvintele într-un vector și le compară cu o schemă de fraude" nu sunt același eveniment de confidențialitate. Unul sună ca spionajul. Celălalt e mai asemănător cu un detector de metale: reacționează la o semnătură, nu la o confesiune.

Deci întrebarea reală nu e dacă un model atinge textul tău. Bineînțeles că o face — asta-i treaba. Întrebarea e în două părți, și asta-i locul în care ar trebui cu adevărat să-ți îndrept suspiciunea. Primul: retenția. Conținutul se stochează, și pentru cât timp? Politica API a OpenAI, de exemplu, declară că nu folosește datele API de business pentru a-și antrena modelele și le reține pentru o fereastră limitată înainte de ștergere. Anthropic publică termeni comerciali similari. Acele politici sunt lucrurile care merită citite, nu asigurări cu privire la cât de „private" arată un logo.

Doi: unde se întâmplă inferența. Un filtru care rulează clasificarea în pereții propriului tău provider e un profil de risc diferit decât textul fiind trimis către un model de terță parte pe care nu l-ai auzit niciodată. „On-device sau in-tenant" versus „trimis undeva altundeva" e bifurcația de confidențialitate care hotărăște cine ar putea, în teorie, vreodată să vadă orice.

Asta e și de ce panica „scaniază totul" se întoarce împotriva ta. Sistemele care scanează totul sunt cele care te protejează — clasificatorii care blochează factura falsă și pagina de login care seamănă. Scaniarea periculoasă e cea liniștită: pixelul de tracking dintr-un newsletter care face ping la un server în momentul în care îl deschizi, conectând IP-ul tău și ora la care l-ai citit. Asta-i o spionaj genuină, și nu-i filtrul de spam.

Îngrijorează-te de retenție. Îngrijorează-te de destinație. Modelul care îți citește cuvintele în căutarea indiciilor e cea mai mică parte din ea.

@@END@@