AI skrapowane: jak korporacje zbierają nasze dane bez wiedzy
Kiedy internet stał się kopalnią danych
W styczniu 2024 roku norweska Rada ds. Ochrony Danych (Datatilsynet) nałożyła na firmę Clearview AI grzywnę w wysokości 30 milionów koron norweskich - około 2,8 miliona euro - oraz zakazała jej przetwarzania biometrycznych danych obywateli Norwegii. Firma z Nowego Jorku od lat zbierała zdjęcia twarzy z portali społecznościowych, stron internetowych i platform publicznych, a następnie sprzedawała dostęp do bazy liczącej według własnych szacunków ponad 50 miliardów obrazów. Clearview AI nigdy nie pytał o zgodę. Użytkownicy Facebooka, Instagrama, Twittera czy lokalnych serwisów informacyjnych nie wiedzieli, że ich twarze trafiają do komercyjnej bazy wykorzystywanej między innymi przez policję.
Sprawa Clearview AI to ikoniczny przykład zjawiska, które w branży określa się mianem web scraping - zautomatyzowane pobieranie treści z internetu. Jeszcze dekadę temu wymagało to umiejętności programistycznych, dedykowanych serwerów i godzin pracy. Dziś blagodarja sztucznej inteligencji koszty drastycznie spadły, a skala eksploracji sieci wzrosła o rząd wielkości.
Rewolucja AI w scraping
Web scraping istnieje od początku lat 2000. Początkowo używano pojedynczych skryptów Pythona (BeautifulSoup, Scrapy), które mimikryzowały przeglądarkę i pobierały HTML. Przez lata firmy podejmowały środki zaradcze - mechanizmy CAPTCHA, blokowanie podejrzanych adresów IP, dynamiczne renderowanie treści. To było wygręểm techniczne.
Sztuczna inteligencja zmieniła tę równowagę. Modele widzenia komputerowego rozpoznają i rozwiązują CAPTCHA z dokładnością przekraczającą 95%. Sieci neuronowe potrafią analizować strukturę strony bez jej znajomości a priori, adaptując się do zmian w układzie. W połowie 2025 roku zespół badawczy z Uniwersytetu Stanforda opublikował pracę pokazującą, że autonomiczne agenty oparte o duże modele językowe potrafią przeszukiwać i wyciągać dane z nieznanych dotąd stron z dokładnością porównywalną z człowiekiem, ale z prędkością tysięcy razy większą.
Koszty z kolei spadły poniżej progu, przy którym scraping stał się opłacalny dla niemal każdego. Całkowite zebranie danych o 100 tysiącach osób -Imię, nazwisko, stanowisko, zdjęcie, historia zatrudnienia - koszt dziś mniej niż 100 dolarów.
Co dokładnie jest zbierane
Obecne systemy skrapują znacznie więcej niż zamierzano w pierwszej generacji. Nowoczesne platformy agregacji danych budują profile obejmujące dwa główne typy informacji.
Pierwszy typ to dane deklarowane dobrowolnie przez użytkownika: posty w social media, komentarze, życiorysy w LinkedIn, recenzje w Google, wpisy w Foursquare. Drugi typ - i to jest ten nowy, niewidoczny - to dane inferowane, czyli wydobywane przez analizę behawioralną. Algorytmy wyciągają wnioski dotąd uznawane za niemożliwe do odgadnięcia: poziom dochodu, zainteresowania, wahania nastroju, bliskość relacji z innymi osobami.
W marcu 2025 roku Consumentmagazijn, holenderski portal konsumentów, opublikował analizę oferty czterech europejskich brokerów danych. Okazało się, że za 200 euro oferta zawierała przezbrojne profile osobowe obejmujące religijne przekonania, sympatie polityczne oraz oceny relaytównow statystycznego ryzyko rozwodu lub zadłużenia. AI wywnioskowała to na podstawie skromnego zbiory danych: historia przejścia na strone, czas oglądania postów, klik.
Branża, której nie widać
Handel danymi osobowymi to dziś przemysł wart według szacunków IDC 345 miliardów dolarów globalnie w 2024 roku. Na rynku dominuje kilka firm - Acxiom, Experian, Equifax, Oracle, LiveRamp - ale istnieje też warstwa mniejszych operatorów, którzy specjalizują się w scraping i sprzedaży danych niszowych.
Z perspektywy użytkownika ta branża jest niemal niewidoczna. Typowy obywatel nie słyszał o firmie Data Axle, Epsilon czy Eyeota, mimo że posiada jego dane od lat. Mniej zrozumiała jest hierarchia: dane zostają skrepowane przez jedną firmę, sprzedane agregatorowi, ten sprzedaje brokerowi, a ten platformie reklamowej. Każdy etap dodaje warstwę anonimizacji, która formalnie spełnia wymogi RODO, ale także pozwala ukryć pochodzenie danych.
RODO nie wystarczy
Unia Europejska w 2018 roku wprowadziła Rozporządzenie o Ochronie Danych Osobowych (RODO). Jego filar to zgoda użytkownika - dane mogą być przetwarzane tylko po expresplicit consent. Problem polega na tym, że scraping obchodzi ten wymag ogólnie.
Kiedy firma scrape áuje stronę publiczną LinkedIn i zbiera profile, nie prosi o zgodę osoby, których dane dotyczą. Twierdzi, że dane zostały dobrowolnie upublicznione przez właściciela. W 2022 roku amerykański sąd w sprawie hiQ Labs v. LinkedIn orzekł, że automatyczne pobieranie danych publicznych nie łamie amerykańskiego ustawy CFAA - Computer Fraud and Abuse Act. To orzeczenie otworzyło drzwi do masowego scrapingu.
W Europie sytuacja jest bardziej skomplikowana. RODO nakłada ograniczenia, ale egzekwowanie jest trudne. Niemiecka BfDI w 2024 roku oszacowała, że ponad 80% zapytań o dostęp do danych (art. 15 RODO) nie otrzymuje merytorycznej odpowiedzi w terminie. Firmy wykorzystują formularzowe odpowiedzi, a administracja jest przytłoczona.
Nowy gracz: agenty autonomiczne
Od 2025 roku do branży weszli operatorzy agentów autonomicznych. Są to programy oparte na dużych modelach językowych, potrafiące swobodnie nawigować po sieci, klikać, wypełniać formularze i wyciągać dane. W przeciwieństwie do klasycznych scrapersów, agenty zachowują się jak zwykli użytkownicy - mają różne adresy IP, wykonują pauzy, czytają podstrony. Wykrycie ich jest niezwykle trudne.
Firmy takie jak Crawl4AI, FireCrawl czy Thunderbit oferują modele open-source i komercyjne, które potrafią stylizować się na człowieka, wchodzić w interakcje z interfejsami i personalizować zapytania. Według danych CloudflareRequests Index 2025, odsetek ruchu sieciowego generowanego przez boty po raz pierwszy w historii przekroczył 50% w 2024 roku i stale rośnie.
Co może zrobić użytkownik
Z perspektywy jednostki opcje są ograniczone. Zgodnie z art. 17 RODO użytkownik ma prawo do usunięcia swoich danych, ale identyfikacja wszystkich podmiotów, które je przetwarzają, jest praktycznie niemożliwa. Istnieją usługi “data deletion” takie jak DeleteMe czy Incogni, które za 10-15 euro miesięcznie wysyłają zautomatyzowane żądania usunięcia do brokerów danych. Usługi te obejmują jednak tylko te bazy, które udostępniają informacje o sobie.
Drugą opcją jest ograniczenie ekspozycji: ustawienie kont w social media na prywatne, rezygnacja z publicznych portali z recenzjami, używanie”kalkulatora prywatności” oferowanego przez Mozilla. Kolejną - preferowanie platform, które nie zbierają danych profilowych, oraz oddzielne adresy e-mail i numery telefonów do każdej usługi.
Skala problemu rośnie
Z perspektywy makroAI jest tutaj dedykowane nie tylko do scrapingu, ale i do wzbogacania danych. Wykiwanie danych z nieskładnych wzmianek w social media sprowadzane do Internetu sprawia, że naszego profilu nie da się już usunąć ani kontrolować. W 2025 roku badacze z ETH Zürich zaprezentowali studium przypadku, w którym model językowy w 30 sekund był w stanie odtworzyć profil psychologiczny osoby na podstawie 47 publicznie dostępnych postów.
Połączenie scrapingu, AI i dodação rynku brokerów sprawia, bahwa prowadzimy życie w asymetrycznej nieprzejozroczistości. O nas wiedziano wszystko, my o naszych profilach nie wiemy prawie nic. Rozwiązanie tego problemu nie będzie techniczne - musi być regulacyjne i infrastrukturalne. W przeciwnym wypadku każda generacja modeli będzie tylko potęgować tę asymetrię.