افشای استفاده از AI چیست و چرا دیگر اختیاری نیست؟
افشای استفاده از هوش مصنوعی (AI Disclosure) یعنی کاربر — در لحظهٔ اولین تعامل یا مواجهه — بفهمد که آنچه میبیند، میشنود یا میخواند با AI تولید یا دستکاری شده است. این تعریف سه نکتهٔ کلیدی دارد. اول اینکه افشا وظیفهٔ هم ارائهدهندهٔ مدل است و هم بهکاربرندهٔ آن (Deployer)؛ یعنی اپلیکیشن شما حتی با API یک مدل خارجی، خودش مسئول برچسبزدن خروجی است. دوم اینکه افشا دو شکل دارد: برچسب صریح که انسان در UI میبیند و برچسب ضمنی که ماشین داخل فایل یا رکورد میخواند. سوم، زمان افشا مهم است: طبق مادهٔ ۵۰، اطلاعات باید «در زمان اولین تعامل یا مواجهه» و به شکلی واضح و قابلتفکیک ارائه شود.
- برچسب صریح (Explicit Label): متن یا نشانِ قابلمشاهده در UI — مثل «تولیدشده با هوش مصنوعی» — که کاربر در لحظهٔ مواجهه میبیند.
- برچسب ضمنی (Implicit Label): متادیتای ماشینیخوان داخل فایل یا رکورد — مثل ai_generated: true یا manifest پرووننس — که بعد از انتشار هم باقی میماند.
- لاگ پرووننس: ثبت اینکه هر محتوا با کدام مدل، کدام پرامپت و در چه زمانی تولید شده تا در حسابرسی یا اعتراض کاربر قابل پاسخ باشید.
کدام قوانین افشای AI را الزامی کردهاند؟
چهار سند اصلی افشای AI را الزامی کردهاند: EU AI Act در اروپا، مقررات برچسبگذاری چین، قانون شفافیت کالیفرنیا در آمریکا و سیاستهای فروشگاههای اپلیکیشن. دامنهٔ هر کدام متفاوت است — از علامت ماشینی خروجی مدل گرفته تا سازوکار گزارشگیری دروناپ — اما جهت همه یکی است: کاربر باید بداند چه چیزی ساخت AI است. جدول زیر این الزامها را کنار هم گذاشته تا بتوانید بر اساس بازار هدفتان اولویتبندی کنید.
| حوزه و سند | مشمولان | الزام اصلی | زمان اجرا |
|---|---|---|---|
| اتحادیهٔ اروپا — EU AI Act، مادهٔ ۵۰ [S1] | ارائهدهندگان سیستمهای AI مولد (از جمله GPAI) و بهکاربرندگان | علامتگذاری ماشینی و قابلتشخیص خروجی مصنوعی؛ افشای دیپفیک؛ اطلاع کاربر هنگام تعامل با AI | ۲ اوت ۲۰۲۶ |
| چین — «اقدامات برچسبگذاری محتوای AI-ساخته» + استاندارد GB 45438-2025 [S3][S5] | ارائهدهندگان خدمات تولید محتوا و پلتفرمهای انتشار | برچسب صریح قابلمشاهده + برچسب ضمنی در متادیتا؛ منع حذف یا دستکاری برچسب | ۱ سپتامبر ۲۰۲۵ |
| کالیفرنیا — SB 942 با اصلاح AB 853 [S11] | ارائهدهندگان بزرگ (بیش از ۱ میلیون کاربر ماهانه) | افشای manifest و latent در محتوای AI-ساخته + ابزار عمومی تشخیص | ۲ اوت ۲۰۲۶ |
| گوگل پلی — سیاست AI-Generated Content [S6] | اپهای اندروید با قابلیت تولید محتوا با AI | منع تولید محتوای محدودشده + سازوکار گزارش/فلگ دروناپ + استفاده از گزارشها در مدراسیون | جاری (سیاست از ۲۰۲۴) |
| اپاستور — گایدلاین ۱.۲ اپل [S7] | اپهای تولید محتوا (بهصراحت شامل AI content creation apps) | فیلتر محتوای نامناسب + سازوکار گزارش و پاسخ بهموقع + بلوکه کردن کاربر متخلف + اطلاعات تماس منتشرشده | جاری |
[خروجیها] باید در قالبی ماشینیخوان علامتگذاری شوند و بهعنوان محتوای مصنوعی تولید یا دستکاریشده قابلتشخیص باشند.
— EU AI Act، مادهٔ ۵۰(۲) — Regulation (EU) 2024/1689
الزامات گوگل پلی و اپاستور برای اپهای هوش مصنوعی چیست؟
حتی اگر در کشوری فعالیت میکنید که قانون اختصاصی ندارد، دو دروازهٔ اصلی توزیع اپ — گوگل پلی و اپاستور — الزامهای خودشان را دارند و رعایت نکردنشان یعنی رد شدن در بازبینی یا حذف اپ. نکتهٔ مهم این است که الزام استورها بیشتر «سلامت محتوا» است تا «برچسبزدن»: فیلتر، گزارش و پاسخ بهموقع. اما ترکیب آن با قوانین افشا یعنی اپ AI مدرن عملاً به هر دو مجموعه نیاز دارد.
| مورد | سازوکار گزارش/فلگ دروناپ | فیلتر محتوای نامناسب | بلوکه کردن کاربر متخلف | اطلاعات تماس منتشرشده | پوشش صریح اپهای AI |
|---|---|---|---|---|---|
| Google Play | الزامی — گزارش بدون خروج از اپ [S6] | الزامی — منع و پیشگیری از تولید محتوای محدودشده | در سیاست UGC عمومی توصیهشده | از طریق پروفایل توسعهدهنده | بله — سیاست مستقل AI-Generated Content |
| Apple App Store | الزامی — با پاسخ بهموقع به گزارشها [S7] | الزامی | الزامی | الزامی | بله — گایدلاین ۱.۲ «AI content creation apps» را نام میبرد |
- یک دکمهٔ گزارش/فلگ روی هر آیتم تولیدشده با AI، بدون نیاز به خروج از اپ [S6].
- فیلتر ورودی (پرامپت) و خروجی برای جلوگیری از تولید محتوای محدودشده [S6][S7].
- صف پردازش گزارشها با SLA پاسخ مشخص — اپل «پاسخ بهموقع» میخواهد [S7].
- امکان بلوکه کردن کاربر متخلف و اطلاعات تماس منتشرشده [S7].
- افزودن برچسب صریح «ساختهشده با AI» برای محتوای مولد — پیوند با الزام قانونی، نه فقط الزام استور.
سیاست ارائهدهندگان مدل چه چیزی از شما میخواهد؟
سومین لایهٔ الزام، قراردادی است: سیاست استفاده (Usage Policy) ارائهدهندهٔ مدل. وقتی از APX24 یا هر سرویس API مدل دیگری استفاده میکنید، تعهدات سیاست ارائهدهندهٔ پایه به شما منتقل میشود — چون شما «بهکاربرنده» (Deployer) مدل در محصول خودتان هستید. تفاوت مهم قوانین و سیاستها در ضمانت اجراست: قانون جریمه دارد، سیاست قطع دسترسی به سرویس؛ هر دو برای کسبوکار گراناند.
- آنتروپیک — صریحترین سیاست: چتباتها و ایجنتهای روبهمصرف «باید به کاربر اعلام کنند که با AI صحبت میکند نه انسان»، حداقل در ابتدای هر گفتگو یا در رابط کاربری؛ در موارد پرخطر هم باید اعلام شود که توصیه یا تصمیم با AI تولید شده [S9].
- OpenAI — فشردهتر: فریب، کلاهبرداری و جانشینی هویت (Impersonation) ممنوع است و استفاده از چهرهٔ افراد بدون رضایت، به شکلی که اصالت را مخدوش کند، نیز ممنوع است [S10].
- APX24 — بهعنوان سرویسدهندهٔ API، استفادهٔ مسئولانه از مدلها و رعایت قوانین حوزهٔ شما بر عهدهٔ سازندهٔ محصول است؛ جزئیات را در مستندات رسمی APX24 دنبال کنید.
چتباتها و ایجنتهای AI که با کاربران بیرونی گفتگو میکنند باید به کاربر اعلام کنند که در حال تعامل با AI است نه انسان؛ حداقل در ابتدای هر گفتگو یا در رابط کاربری محصول.
— سیاست استفادهٔ آنتروپیک — Additional Use Case Guidelines
معماری پیادهسازی: افشا را کجا و چطور در اپ بگنجانیم؟
پیادهسازی افشا نیازی به بازطراحی معماری ندارد؛ یک لایهٔ نازک بین فراخوانی API و نمایش کافی است. ایدهٔ کلیدی این است: هر پاسخ مدل قبل از رسیدن به UI از یک «middleware برچسبگذاری» عبور کند که سه کار میکند — برچسب صریح را به شیء نمایش اضافه میکند، برچسب ضمنی را به رکورد ذخیرهسازی میچسباند و یک لاگ پرووننس مینویسد. نمودار زیر این جریان را نشان میدهد.
- 1
نقطهٔ یکپارچه را انتخاب کنید
تمام فراخوانیهای مدل را از یک ماژول واحد (مثلاً ai_client.py) عبور دهید تا برچسبگذاری یکجا و بهطور پیشفرض انجام شود.
- 2
برچسب صریح را به شیء نمایش اضافه کنید
خروجی middleware یک فیلد مثل disclosure_text داشته باشد که UI بدون هیچ شرطی نمایش میدهد.
- 3
برچسب ضمنی را در ذخیرهسازی بنویسید
فیلدهای ai_generated، generated_by و generated_at را کنار محتوا ذخیره کنید تا بعد از انتشار هم باقی بمانند.
- 4
لاگ پرووننس بنویسید
شناسهٔ درخواست، پرامپت، مدل و زمان را لاگ کنید؛ برای حسابرسی انطباق و پاسخ به اعتراض کاربران حیاتی است.
- 5
مسیر انتشار عمومی را جدا کنید
اگر محتوا برای عموم منتشر میشود (تصویر، صوت، ویدئو)، واترمارک یا manifest پرووننس را هم در خروجی نهایی اضافه کنید.
دو نکته در این پاسخ برای پیادهسازی افشا مهم است: فیلد content چیزی است که کاربر میبیند و باید برچسب صریح همراهش برود؛ و فیلد usage همان چیزی است که در لاگ پرووننس ثبت میکنید تا در حسابرسی بدانید این متن با چه هزینهٔ توکنی و با کدام مدل ساخته شده است. در بخش بعد همین جریان را در Python و JavaScript مینویسیم.
چطور با Python و JavaScript برچسب افشا اضافه کنیم؟
این بخش کاملاً عملی است: یک wrapper ثابت در Python که برچسب ضمنی میسازد، یک جزء UI در JavaScript که برچسب صریح را نمایش میدهد و مقایسهٔ رکورد «قبل/بعد». کدها برای API سازگار با OpenAI در نسخهٔ v1 نوشته شدهاند و فقط با تنظیم base_url و کلید، روی حساب APX24 شما قابل اجرا هستند.
برچسب ضمنی، پرووننس و C2PA — محتوا وقتی سفر میکند
برچسب صریح با حذف شدن UI میمیرد؛ برای همین مقررات سختگیرانهتر — چین و کالیفرنیا — روی برچسب ضمنی مانور میدهند: اطلاعاتی که داخل خود فایل یا رکورد سفر میکند. سه تکنیک اصلی دارید و انتخاب بین آنها به این بستگی دارد که محتوای شما تا کجا سفر میکند و چه مدت زنده میماند.
- متادیتای ساختاریافته در رکورد یا فایل: فیلدهای ai_generated و ai_disclosure مثل مثال بخش قبل — ساده و سریع؛ برای محتوای متنی معمولاً کافی است.
- واترمارک دیجیتال: نشانهٔ پنهان در خود رسانه (صوت، تصویر، ویدئو) که با کپی و ویرایش سبک دوام میآورد؛ قانون کالیفرنیا افشای latent را از ارائهدهندگان بزرگ میخواهد [S11].
- manifest پرووننس (C2PA): ثبت رمزنگاریشدهٔ کامل منشأ برای رسانهای که ممکن است بازنشر گسترده شود [S2].
اشتباهات رایجی که هزینهساز میشوند
انتخاب مدل و هزینهٔ انطباق با APX24
افشا هزینهٔ توکن اضافه نمیآورد — هزینه روی انتخاب مدل و معماری است. الگوی بهینه این است: مدل قوی برای «تولید محتوایی که برچسب میخورد» و مدل اقتصادی برای کارهای پیرامونی انطباق مثل ساخت متن برچسب، خلاصهسازی گزارشهای مدراسیون یا پیشفیلتر پرامپت. جدول مقایسه و قیمت زیر — برگرفته از صفحهٔ رسمی قیمت APX24 در تاریخ مقاله — این تفکیک را ممکن میکند.
| سنجه | مقدار |
|---|---|
| مدل | claude-haiku-5.5 |
| توکن ورودی هر پاسخ | ۸۰۰ توکن |
| توکن خروجی هر پاسخ | ۳۰۰ توکن |
| تعداد پاسخ در روز | ۱,۰۰۰ پاسخ |
| هزینهٔ هر پاسخ | ۱۲.۴۲ تومان |
| هزینهٔ روزانه | ۱۲,۴۲۰ تومان |
| هزینهٔ ماهانه (۳۰ روز) | ۳۷۲,۶۰۰ تومان |
| با cache پاسخهای تکراری (نرخ hit سی درصد) | حدود ۲۶۰,۸۲۰ تومان در ماه |
چکلیست انطباق قبل از انتشار اپ
- هر خروجی مولد از middleware برچسبگذاری عبور میکند — نه فراخوانی مستقیم SDK در UI.
- برچسب صریح در لحظهٔ اولین مواجهه دیده میشود — در چت، مقاله، تصویر و ایمیل.
- رکوردها فیلدهای ai_generated و ai_disclosure دارند و خط لولهٔ پردازش، متادیتا را حذف نمیکند.
- لاگ پرووننس (مدل، شناسهٔ پرامپت، زمان، usage) برای حسابرسی نگه داشته میشود.
- سازوکار گزارش/فلگ دروناپ و پاسخ بهموقع فعال است — الزام گوگل پلی و اپل.
- چتبات، هویت AI خود را حداقل در ابتدای هر گفتگو اعلام میکند.
- برای بازار اروپا، چین یا کالیفرنیا، سند مقصد را با مشاور حقوقی بررسی کردهاید.




