الامتثال لنظام حماية البيانات الشخصية (PDPL) في أنظمة الذكاء الاصطناعي: قائمة تحقق عملية لعمليات النشر في السعودية والإمارات

إرسال عقد عميل إلى واجهة برمجة تطبيقات LLM أجنبية لتلخيصه يُعد نقلًا للبيانات الشخصية عبر الحدود خاضعًا للرقابة بموجب القوانين السعودية والإماراتية. بالنسبة لقادة الأعمال في الخليج، امتثال الذكاء الاصطناعي لا يقتصر على إعادة كتابة سياسة الخصوصية. بل يتعلق بالتحكم في المكان الفعلي الذي يحدث فيه الاستنتاج (inference)، وهيكلة قواعد بيانات المتجهات (vector databases) بحيث يمكنك فعليًا حذف البيانات الشخصية، وتوثيق الأساس القانوني لأي بيانات تخرج من البلاد.

يغطي هذا الدليل القرارات المعمارية التي تسمح لنظام الذكاء الاصطناعي باجتياز مراجعة الامتثال الخليجية، مع إشارات محددة لنظام حماية البيانات الشخصية السعودي (المرسوم الملكي م/19 ولوائحه التنفيذية) والمرسوم بقانون اتحادي إماراتي رقم 45 لسنة 2021 بشأن حماية البيانات الشخصية.

ما يقوله القانون الخليجي فعليًا عن معالجة الذكاء الاصطناعي

دخل نظام PDPL السعودي حيز التنفيذ الكامل في سبتمبر 2024 وتطبقه سدايا (SDAIA). يغطي النظام أي معالجة للبيانات الشخصية المتعلقة بالأفراد في المملكة، وهذا يشمل تدريب الذكاء الاصطناعي، والتضمين (embedding)، والاسترجاع (retrieval)، والاستنتاج، وتسجيل السجلات (logging). وتحدد لائحة نقل البيانات الشخصية خارج المملكة (الصادرة عن سدايا) الشروط المحددة التي يمكن بموجبها للبيانات الشخصية مغادرة الأراضي السعودية.

يعمل المرسوم بقانون اتحادي إماراتي رقم 45 لسنة 2021 (نظام PDPL الإماراتي) جنبًا إلى جنب مع المنظمين القطاعيين (يدير كل من DIFC و ADGM أطر عمل خاصة بهما؛ وتخضع بيانات الرعاية الصحية لقيود إضافية من قواعد DOH و DHA و MOHAP). يُدار القانون من قبل مكتب بيانات الإمارات. يُسمح بنقل البيانات عبر الحدود إلى الولايات القضائية التي تتمتع "بمستوى كافٍ من الحماية" وفقًا لقرار مجلس الوزراء، وبخلاف ذلك يتطلب آليات محددة تعتمد على العقود أو الموافقة.

يتعامل كلا القانونين مع ما يلي كمعالجة خاضعة للرقابة:

1. ▸الجمع. إدخال البيانات الشخصية للمستخدم في ذاكرة النظام أو في موجّه (prompt).
2. ▸المعالجة. تمرير تلك البيانات عبر النموذج (التقطيع النصي، التضمين، الاستنتاج).
3. ▸التخزين. الاحتفاظ بسجل الدردشة أو السجلات أو التضمينات في قاعدة بيانات المتجهات.

عندما تلامس أي من هذه الخطوات بنية تحتية خارج البلاد، فأنت تقوم بنقل عبر الحدود وتحتاج إلى أساس قانوني موثق لذلك.

العقوبات، بالأرقام الصحيحة

بموجب المادة 35 من نظام PDPL السعودي، يمكن أن يؤدي الإفصاح عن البيانات الشخصية الحساسة أو نشرها في انتهاك للقانون إلى السجن لمدة تصل إلى عامين و/أو غرامة تصل إلى 3,000,000 ريال سعودي. وتحدد المادة 36 غرامات إدارية عامة تصل إلى 5,000,000 ريال سعودي لكل مخالفة، والتي يجوز للسلطة المختصة مضاعفتها في حالة تكرار المخالفات. التعويض للأفراد المتضررين منفصل وإضافي.

يتم تحديد عقوبات نظام PDPL الإماراتي بقرار من مجلس الوزراء بدلاً من تثبيتها في القانون نفسه، ويفرض المنظمون القطاعيون (DOH، DHA، البنك المركزي) غراماتهم الخاصة بالإضافة إلى ذلك. تعامل مع المخاطر التنظيمية على أنها جوهرية، وليست شكلية، في كلا البلدين.

نادرًا ما تتوقف تكلفة الأعمال عند الغرامة. الجزء المكلف هو إعادة كتابة البنية المعمارية الإجبارية، وعقود الشركات التي لا يمكنك توقيعها أثناء تعليق النظام، ومسار التدقيق الذي يتعين عليك الآن إعادة بنائه.

فخ الـ API: أين تفشل النماذج التجريبية فعليًا

يقوم فريق ببناء نظام RAG أو وكيل (agent) صوتي على واجهة برمجة تطبيقات LLM عالمية. يعمل العرض التجريبي بشكل جميل. ثم يقوم فريق أمن المعلومات أو الشؤون القانونية بتتبع حركة البيانات ويرى أن أسماء المرضى وأرقام الحسابات ونصوص العقود تغادر البلاد في جسم كل طلب API.

تخيل وكيل صوتي لعيادة يتعامل مع الحجوزات. يقول المريض: "اسمي أحمد، ورقم هاتفي 050-123-4567، وأحتاج لرؤية الدكتور سميث بخصوص مرض السكري." إذا استدعى النظام نقطة نهاية (endpoint) لتحويل الكلام إلى نص مستضافة بالخارج، و LLM مستضاف بالخارج، ونقطة نهاية لتحويل النص إلى كلام مستضافة بالخارج، فإن هذا التصريح الواحد قد عبر الحدود ثلاث مرات وأنشأ على الأقل ثلاث مجموعات من السجلات التي لا تتحكم فيها.

وعد "عدم الاحتفاظ بالبيانات" (zero retention) من مزود الـ API لا يحل المشكلة بمفرده. النقل حدث بالفعل؛ سياسة الاحتفاظ الخاصة بالمزود هي مجرد مدخل واحد لتحليلك القانوني، وليست بديلاً عنه.

مساران صريحان: النقل القانوني أو التوطين

لديك مساران قابلان للتطبيق. اختر بعناية.

المسار 1 - النقل بموجب آلية معتمدة

تسمح لائحة النقل السعودية للبيانات الشخصية بمغادرة المملكة عندما ينطبق واحد على الأقل مما يلي، ولا يخل النقل بالأمن الوطني أو المصالح الحيوية لصاحب البيانات:

• ▸تم تقييم بلد المقصد من قبل سدايا على أنه يوفر مستوى كافٍ من الحماية.
• ▸النقل مغطى بـ ضمانات مناسبة - قواعد مشتركة ملزمة لعمليات النقل داخل المجموعة، أو بنود تعاقدية قياسية معتمدة، أو مدونة سلوك ملزمة، أو خطة اعتماد.
• ▸ينطبق استثناء محدد (موافقة صريحة، ضرورة لعقد مع صاحب البيانات، مصالح حيوية، أغراض مشروعة ضمن القائمة المحدودة للائحة).

يتبع نظام PDPL الإماراتي هيكلًا مشابهًا: قرارات الكفاية من قبل مجلس الوزراء، أو الضمانات التعاقدية والموافقة الصريحة في حالة عدم وجود قرار كفاية.

عمليًا، إذا كنت ترغب في استخدام واجهة برمجة تطبيقات LLM أجنبية بشكل قانوني على بيانات خاضعة للرقابة في السعودية، فأنت بحاجة إلى: قرار كفاية موثق يغطي الوجهة، أو عقود معادلة للبنود التعاقدية القياسية (SCC) موقعة مع المعالج، وتقييم أثر حماية البيانات (DPIA) في السجلات، والقدرة على تقديم سجلات المعالجة عند الطلب. هذا أمر ممكن - ولكنه أيضًا عمل قانوني ليس بالسهل ويجب تكراره كلما قمت بتغيير المزودين أو المناطق.

المسار 2 - إبقاء البيانات داخل البلاد

التوطين يتجنب معظم تحليلات النقل بالكامل. إذا كان خادم الاستنتاج، ونموذج التضمين، وخط المعالجة (pipeline) الصوتي، وقاعدة بيانات المتجهات موجودة جميعها على بنية تحتية داخل السعودية أو الإمارات، فإن قواعد النقل عبر الحدود لا تنطبق على المعالجة نفسها. لا يزال يتعين عليك تلبية التزامات الأساس القانوني والاحتفاظ وحقوق صاحب البيانات - لكن السؤال التنظيمي الأصعب يختفي.

بالنسبة لمعظم الشركات الخليجية التي تعالج بيانات خاضعة للرقابة بحجم كبير، التوطين هو المسار الأبسط. ليس لأن النقل مستحيل، ولكن لأن الأعمال الورقية، وتقييمات DPIA، وإعادة التفاوض مع الموردين تتضاعف في كل مرة تضيف فيها نموذجًا أو منطقة أو ميزة.

يعني التوطين نشر عائلات النماذج مفتوحة الأوزان على سحابة سيادية (مناطق hyperscaler محلية بشروط تعاقدية صحيحة) أو على أجهزة مخصصة في مركز بيانات خليجي، يتم تقديمها من خلال محرك استنتاج عالي معدل الإنتاجية (throughput) مثل vLLM أو SGLang أو TensorRT-LLM.

قواعد بيانات المتجهات وحق المحو

يمنح كل من نظام PDPL السعودي والإماراتي الأفراد الحق في طلب حذف بياناتهم الشخصية. هذا هو الجزء من امتثال الذكاء الاصطناعي الذي غالبًا ما يعقد البنى المعمارية غير المستعدة.

في نظام SQL، الحذف هو استعلام واحد ضد معرف المستخدم. في قاعدة بيانات المتجهات، يتم تحطيم مستند واحد إلى مئات من مقاطع (chunks) التضمين الموجودة عبر فهرس عالي الأبعاد. إذا قمت بإدخال المستندات بدون بيانات وصفية (metadata)، فلن تتمكن من العثور على تلك المقاطع لاحقًا. خياراتك الوحيدة هي إعادة فهرسة كاملة للمجموعة بأكملها ناقص المستند المحذوف، أو الاعتراف للمنظم بأن حق المحو لا يتم احترامه فعليًا في نظامك.

لجعل الحذف روتينيًا، افرض مخطط بيانات وصفية عند الإدخال:

1. ▸تتبع المصدر. يحمل كل مقطع معرف المستند المصدر، ومعرف صاحب البيانات حيثما أمكن، وطابع زمني للإدخال، والولاية القضائية الأصلية.
2. ▸الحذف النهائي بالفلتر. يجب أن تدعم قاعدة بيانات المتجهات الحذف المصفى (delete where subject_id = ?). تتعامل Qdrant و pgvector مع هذا بشكل نظيف؛ تتطلب بعض المتاجر المدارة حلولاً بديلة.
3. ▸التتالي إلى التخزين المؤقت والسجلات. تحتاج ذواكر التخزين المؤقت الدلالية، وسجلات الموجّهات (prompt logs)، والعناصر المشتقة إلى نفس مسار الحذف. المستند المحذوف الذي ينجو في سجل طلبات LLM لا يزال يمثل ثغرة في الامتثال.
4. ▸مسار التدقيق. سجل كل حدث حذف مع الطابع الزمني، ومقدم الطلب، والمعرفات المتأثرة، والأنظمة التي تم لمسها. ستحتاج إلى هذا أثناء التدقيق.
5. ▸نظافة الضبط الدقيق. البيانات المخبوزة في أوزان النموذج لا يمكن إزالتها بشكل موثوق. فضل الاسترجاع على الضبط الدقيق (fine-tuning) لأي شيء يحتوي على بيانات شخصية؛ واحتفظ بالضبط الدقيق للأسلوب والتنسيق وتشكيل المهام على البيانات غير الشخصية.

إذا أخطأت في مخطط البيانات الوصفية عند الإدخال، فإن تلبية طلبات الحذف تصبح أصعب بكثير.

مقارنة البنى المعمارية الثلاث

نقطة التعادل للاستنتاج المحلي المخصص هي دالة لمعدل الإنتاجية الخاص بك. اكتبها بأرقامك الخاصة (توضيحي):

الإنفاق الشهري على API = (الاستعلامات اليومية) × (متوسط التوكنز لكل استعلام) × (السعر المدمج لكل 1 مليون توكن) × 30 التكلفة المحلية الشهرية = (إيجار عقدة GPU أو الاستهلاك) + (النفقات العامة للعمليات والهندسة)

إذا كان الرقم الأول يتجاوز الثاني بشكل مريح عند حجمك الحالي، فإن التوطين يدفع تكاليفه بنفسه ويشتري لك وضع الامتثال في نفس الوقت. إذا لم يكن الأمر كذلك، فربما يكون مكانك في منطقة سحابة سيادية بعقود مناسبة - أو أنك صغير بما يكفي لدرجة أن النقل الموثق جيدًا بموجب ضمانات مناسبة سيكون كافياً.

قائمة التحقق

قبل أن يعبر نظام الذكاء الاصطناعي من المرحلة التجريبية إلى الإنتاج، اعمل على هذه القائمة مع فريقي الهندسة والامتثال في نفس الغرفة.

1. رسم خريطة لكل استدعاء خارجي

ارسم مخطط الشبكة الفعلي. قم بتضمين الـ LLM، ونموذج التضمين، والـ reranker، وتحويل الكلام إلى نص، وتحويل النص إلى كلام، وواجهة برمجة تطبيقات الإشراف، والتحليلات، ووجهات التسجيل. أي مكون له نقطة نهاية خارج البلاد هو نقل يحتاج إلى أساس - قم بتوثيقه أو انقله إلى داخل البلاد.

2. إثبات عملية حذف حية

اختر موضوع اختبار حقيقي. أصدر طلب حذف من خلال مسار الإنتاج. ثم استعلم من نظام RAG وأظهر أنه لا يوجد مقطع قابل للاسترجاع، أو إجابة مخزنة مؤقتًا، أو سجل موجّه، أو سجل تقييم يشير إلى ذلك الموضوع. إذا استغرق هذا أكثر من بضع دقائق من البداية إلى النهاية، فإن خط المعالجة للإدخال يحتاج إلى بيانات وصفية قبل أن يذهب أي شيء آخر إلى الإنتاج.

3. تصنيف الاستعلامات قبل التوجيه

ليس كل استعلام يحمل بيانات شخصية. "ما هي ساعات العمل لديكم؟" لا يحمل. "ما هي حالة ملفي؟" يحمل. يقوم مصنف خفيف الوزن أمام الموجه (router) بإرسال الاستعلامات الحساسة حصريًا إلى المسار داخل البلاد ويسمح لحركة المرور غير الحساسة باستخدام أيهما أرخص. هذا ضابط لتقليل البيانات، وليس حيلة لتوفير التكاليف - تعامل معه على هذا الأساس.

4. فرض أقل الامتيازات على أدوات الوكيل

وكيل الذكاء الاصطناعي الذي يمكنه استدعاء الأدوات هو كيان أمني. حدد نطاق بيانات اعتماد قاعدة البيانات الخاصة به بالصفوف والعمليات المحددة التي يحتاجها؛ لا تمنحه أبدًا حساب خدمة بصلاحيات قراءة واسعة. هجوم حقن الموجّه (prompt-injection) ضد وكيل مفرط الامتيازات هو كيف يتحول حادث بسيط إلى خرق يجب الإبلاغ عنه.

5. سجل المعالجة وتقييم أثر حماية البيانات (DPIA)

احتفظ بسجل حالي لأنشطة المعالجة لكل ميزة ذكاء اصطناعي، وتقييم أثر حماية البيانات (DPIA) لأي شيء يتضمن فئات حساسة (صحية، مالية، بيومترية) أو تنميط واسع النطاق. يطلب المنظمون هذه المستندات مبكرًا في أي استفسار؛ غياب التوثيق هو بحد ذاته مخالفة.

6. خطوط المعالجة الصوتية على قدم المساواة مع النص

يقوم الوكيل الصوتي بنسخ الكلام إلى نص، ويمرر النص عبر LLM، ويقوم بتوليف الرد. كل مرحلة تعالج بيانات شخصية. إذا استدعت أي مرحلة نقطة نهاية أجنبية على بيانات خاضعة للرقابة، ينطبق نفس تحليل النقل كما هو الحال مع LLM النصي. النسخ بحد ذاته ليس تحديد هوية بيومتري - لكن عينات الصوت المسجلة والمصادقة القائمة على البصمة الصوتية هي كذلك بالتأكيد، وتحظى بمعاملة أكثر صرامة بموجب كل من نظام PDPL السعودي (بيانات حساسة) ونظام PDPL الإماراتي.

أين تفقد الفرق أشهراً

نمط الفشل الشائع يمكن التنبؤ به: يبني فريق نموذجًا أوليًا يعمل على واجهة برمجة تطبيقات أجنبية، ويثير إعجاب أصحاب المصلحة، ثم يكتشف في المراجعة الأمنية أنه لا يمكن نشر البنية المعمارية على بيانات حقيقية. إعادة البناء - حزمة استنتاج جديدة، وقاعدة بيانات متجهات جديدة ببيانات وصفية مناسبة، وطبقة توجيه جديدة - هي المكان الذي تختفي فيه الأشهر والميزانية.

تحديد قصة النقل الخاصة بك ومسار الحذف في اليوم الأول يكلف القليل جدًا. اكتشاف أنك بحاجة إلى كليهما في اليوم الذي تراجع فيه الشؤون القانونية النموذج التجريبي يمكن أن يوقف المشروع.

الأسئلة الشائعة

س: هل يمكننا الاستمرار في استخدام واجهة برمجة تطبيقات LLM أجنبية إذا وقعنا اتفاقية المؤسسة الخاصة بها؟ أحيانًا، لكن اتفاقية المؤسسة هي مجرد مدخل واحد. بموجب لائحة النقل السعودية، لا تزال بحاجة إلى أساس قانوني للنقل نفسه - الكفاية، أو الضمانات المعتمدة، أو استثناء محدد - بالإضافة إلى DPIA للبيانات الحساسة وسجل معالجة. يتطلب نظام PDPL الإماراتي قرار كفاية أو حماية تعاقدية مكافئة. الاتفاقية تساعد؛ لكنها لا تحل محل التحليل القانوني.

س: هل إزالة الأسماء والأرقام من الموجّهات يجعله غير خاضع للنقل؟ فقط إذا كانت النتيجة مجهولة الهوية حقًا، وإخفاء الهوية هو معيار عالٍ في الممارسة العملية. تستنتج النماذج الهوية من السياق، والتنقيح القائم على التعبيرات العادية (regex) يغفل الحالات الاستثنائية بشكل روتيني. إذا فشلت عملية الإزالة في طلب واحد فقط، فلديك نقل غير موثق لبيانات شخصية. تعامل مع التنقيح كدفاع متعمق، وليس كضابط الامتثال الأساسي الخاص بك.

س: هل تتطابق النماذج مفتوحة الأوزان المستضافة محليًا مع جودة النماذج التجارية الرائدة؟ بالنسبة لمهام المؤسسات المركزة - الاستخراج، والتلخيص، والتصنيف، والإجابة المعززة بالاسترجاع - فإن الجيل الحالي من عائلات النماذج مفتوحة الأوزان يؤدي بشكل جيد بما يكفي للإنتاج عند اقترانه باسترجاع وتقييم جيدين. بالنسبة لمهام الاستنتاج المنطقي الأصعب، فإنها لا تزال تتخلف عن أقوى النماذج التجارية. النمط العملي هو استخدام النماذج المحلية للمسار الخاضع للرقابة وحجز واجهات برمجة التطبيقات التجارية، بموجب ضمانات نقل مناسبة، لأعباء العمل غير الخاضعة للرقابة حيث تكون فجوة الجودة مهمة.