Поверителността на данните за AI навлиза в пазара на фалирали стартъпи
Фирми за закриване на стартъпи и AI лаборатории превръщат архивите на неработещи компании в активи за обучение на модели, според публикация от 13 октомври 2026 г. Промяната е важна, защото поверителността на данните за AI се измества от бележка по съответствие към фактор в сделката — особено когато код, чатове, календари и документи сменят собственик след закриване на компания. Според репортажа на MIT Technology Review от Matthew King, тези продажби вече са достатъчно рутинни, за да оформят нов пазар около закриването на компании.
AI лаборатории купуват данни от фалирали стартъпи
Непосредствената новина е проста: фирми, които помагат на стартъпи да прекратят дейност, вече посредничат при продажби на codebase-и и данни от работни среди към купувачи в AI. Това включва архиви от Google Workspace, Slack, Notion, Figma и вътрешни имейл системи.
SimpleClosure съобщава пред MIT Technology Review, че нейният Asset Hub е обработил над 150 сделки и очаква да върне повече от 10 милиона долара на стартъпи до края на 2026 г. Конкурентът Sunset прави сходно нещо, което подсказва, че тук вече не става дума за еднократна тактика при ликвидация, а за повтаряема категория.
Профилът на купувачите също е по-широк, отколкото много оператори вероятно очакват. Сред тях има лаборатории за foundation models, но и доставчици, които изграждат симулирани работни среди, както и утвърдени компании, обучаващи вътрешни модели. По думите на Surge AI, купувачите търсят оперативни записи, които отразяват реални преценки, разногласия и неидеални предавания на работа — неща, които синтетичните данни все още трудно възпроизвеждат.
Тъкмо това обяснява защо темата попада директно в полето на AI integration services и enterprise AI integrations, а не само в административните процеси по несъстоятелност. Когато вътрешните архиви започнат да се третират като вход за модели, въпросът вече не е дали данните имат стойност, а дали организацията изобщо е имала правилните контроли за повторната им употреба.
Защо търсенето се ускори през 2026 г.
Пазарът нарасна бързо, защото много AI екипи изглежда достигат границите на леснодостъпните публични данни и реалистичността на синтетичните данни. В изходната статия Surge AI казва, че купува данни, за да създава среди за reinforcement learning, в които AI агенти могат да упражняват реалистични задачи като дебъгване на системи или изготвяне на сложни документи.
Това се вписва в по-широк модел около AI trust and safety: синтетичните среди са полезни, но често изглаждат граничните случаи. Реалните записи от работната среда съдържат противоречия, нееднозначни указания, междуличностни конфликти и натиск от срокове. Именно тези детайли често са това, което разработчиците на модели търсят, ако се опитват да подобрят надеждността в реална бизнес среда.
Обемът на закриванията също увеличава предлагането. MIT Technology Review цитира оценки от Carta и AngelList, според които закриванията на стартъпи са нараснали с между 26% и 56% годишно през последните години. Повече закривания означават повече архиви, а повече архиви създават ценови пазар, дори той все още да е непоследователен.
Тук има и вторичен ефект за сигурността на AI данните. Когато синтетичните набори от данни не са достатъчни, стимулът се измества към оперативния остатък: стари тикети, вътрешни чатове, архитектурни бележки, търговски дискусии и следи от срещи. Тези записи обикновено са създадени за сътрудничество, а не за последващо обучение на модели. Именно тази разлика между първоначалната цел и новата употреба прави управлението трудно.
Какво всъщност купуват купувачите
Активите в този пазар не се ограничават до source code. Купувачите оценяват имейли, чат логове, календари, вътрешни документи, продуктови спецификации, design файлове, записи от поддръжка и съдържание от knowledge base.
В някои случаи Slack историята на една компания може да е по-ценна от по-голям, но по-малко информативен архив, защото улавя качеството на решенията, а не просто обем.
MIT Technology Review цитира CEO-то на Sunset Brendan Mahony, който сравнява този материал с particle board: оперативни остатъци, изглеждащи без стойност, докато купувачите не намерят начин да ги преработят в нещо полезно. Това е добро кратко описание на текущия пазар. Данните невинаги са чисти, а стойността им невинаги е очевидна само по броя файлове.
Оценката все още е нестабилна. Репортажът отбелязва, че купувачите често ценообразуват активите според изследователски допускания за това колко полезни задачи могат да бъдат извлечени от даден обем код или комуникации. Това означава, че двама оференти могат да погледнат един и същ архив и да стигнат до много различни числа.
Най-ясният пример във високия сегмент е продажбата при фалита на Spirit Airlines. Според статията Google е наддал над Mercor, за да купи десетилетия фирмени данни, включително 100 милиона имейла и 500 милиона Teams съобщения, за 10 милиона долара. Тази сделка е достатъчно голяма, за да покаже, че AI implementation services и екипите, които изграждат модели, започват да възприемат старите корпоративни записи като стратегически източник на данни, а не просто като правен остатък.
За екипите, които преценяват вътрешните си контроли, именно тук перспективата за управление става практична. Един купувач може да има нужда от проверки на произхода, стандарти за редактиране, ограничения за употреба и правила за съхранение, преди даден архив да влезе в pipeline за обучение. Затова и услуга като AI Compliance Monitoring Tools е естествено решение, когато организациите имат нужда от надзор върху това кои чувствителни входни данни за AI могат да бъдат преглеждани, съхранявани или блокирани.
Рискът за поверителността и съгласието е реалното тясно място
Изходната статия не представя този пазар като уреден. Представя го като бързо растящ и правно несигурен.
Тази несигурност започва с personally identifiable information. Дори продавачите да премахнат очевидни HR записи, имейл нишките и календарите все пак могат да разкрият медицински прегледи, семейна логистика, разговори за възнаграждения, клиентски въпроси и друг чувствителен контекст. Адвокатът Greg Ewing казва пред MIT Technology Review, че този тип данни могат да бъдат “legally radioactive” — далеч по-рязко описание от онова, което повечето доставчици биха използвали в маркетинга си.
Има и въпрос за съгласието на служителите. Проф. по право от Emory University Ifeoma Ajunwa твърди в материала, че работодателите трябва да имат изрично съгласие, преди да продават данни на служителите, след като компанията вече не оперира. Днес в САЩ няма общ федерален закон, който ясно да забранява подобни продажби, но липсата на ясна забрана не е равна на нисък риск.
За операторите реалният проблем не е само поверителността в абстрактен план. Той е chain-of-custody. Кой е имал достъп до архива? Кои полета са били премахнати? Какви договорни права са уреждали първоначалното събиране? Какви употреби за обучение на модели са позволени по-късно? Тези въпроси попадат в AI risk management и сигурността на AI данните и стават още по-остри, когато продавачът прекратява дейност и вътрешната документация вече може да е непълна.
Тук пазарът може да се раздели. Някои купувачи ще приемат широки допускания и минимална документация, защото данните са редки. Други ще настояват за по-сериозен преглед, защото правният downside може да надживее полезността на набора от данни. На практика втората група е по-вероятно да изгради устойчиви enterprise AI integrations.
Как купувачите в AI могат да проверяват данни от закрити компании, без да създават нов риск
Работещ процес за преглед започва преди покупката, а не след ingest-ването. Купувачите трябва да проверят произхода, да разберат как е генериран архивът, да документират изключенията и да тестват дали планираната употреба за обучение действително изисква сурови записи или само извлечени модели и зависимости.
Редактирането също трябва да се третира като набор от контроли, а не като обещание. Не е достатъчно да се каже, че PII е премахната. Купувачите трябва да знаят дали почистването е премахнало само директни идентификатори, или е обхванало и квази-идентификатори, контекста на нишките, прикачените файлове и метаданните. Контролът на достъпа също е важен: кой може да преглежда архива, къде се съхранява и колко дълго се пази.
Има и един практичен въпрос, който често се пропуска в разговорите за AI trust and safety. Реалните архиви могат да повишат реализма, но могат и директно да внесат остарели процеси, лоши решения или несъответстващо поведение в наборите за обучение. Това прави съответствието с конкретния use case също толкова важно, колкото и правния преглед. Не всеки автентичен архив е добър архив.
За аудитории в технологиите, правните услуги и venture capital разумният праг е следният: ако продавачът не може да документира произхода, обработката, редактирането и разрешената употреба, архивът не бива да влиза в production workflow за модели. Това може да изглежда консервативно на бърз пазар, но е по-евтино от последващо разплитане на оспорен произход на данните.
Изводът за оператори и основатели
Пазарът за данни от фалирали стартъпи расте, защото решава реален проблем с входните данни за AI лабораториите: реалните оперативни следи са оскъдни, а синтетичните заместители все още имат ограничения. Но същите архиви, които правят моделите по-реалистични, могат да носят и нерешени рискове около съгласието, поверителността и сигурността.
Следващият ключов въпрос е дали цените ще се нормализират по-бързо от практиките за управление. Ако големи купувачи продължат да наддават за архиви, докато правните стандарти остават неравномерни, поверителността на данните за AI ще се премести от нишова тема към стандартен елемент на due diligence при закриване, несъстоятелност и вторични продажби на активи.
Martin Kuvandzhiev
Co-Founder & CEO, encorp.ai
CEO and Founder of Encorp.io with expertise in AI and business transformation
LinkedIn