En AI-modell lagrer ingen rader i en database som kan slettes med ett tastetrykk. Treningsdataene er fordelt som statistiske mønstre på tvers av milliarder av parametere. Å fjerne ett enkelt datapunkt betyr i teorien å justere alle disse parameterne — et arbeid som i praksis kan kreve like mye regnekraft som å bygge modellen fra grunnen av.

Forskerne bak artikkelen, tilknyttet Apple ML Research, Harvard University og University College London, identifiserer en grunnleggende svakhet i dagens fremgangsmåter for maskinavelæring: alle datapunkter i et slettesett behandles likt, uavhengig av om de faktisk har påvirket modellen. Ved hjelp av influensfunksjoner — matematiske mål på hvert datapunkts bidrag til modellens beslutninger — finner de at store deler av treningsdataene har neglisjerbar effekt og allerede er «glemt» i praksis. Disse trenger ikke fjernes aktivt. Rammeverket gir ifølge forskerne beregningsbesparelser på opptil 50 prosent på empiriske eksempler, på tvers av både språk- og bildegjenkjenningsoppgaver.

Retten til å bli glemt møter AI

GDPR artikkel 17 gir enkeltpersoner rett til å kreve at personopplysninger slettes når de ikke lenger er nødvendige, når samtykke trekkes tilbake, eller når dataene er behandlet ulovlig. Norsk personopplysningslov implementerer GDPR direkte og gjelder for alle virksomheter som behandler personopplysninger om personer i Norge.

Retten til sletting er vanskelig å oppfylle overfor ferdig trente AI-modeller. Når data først er brukt i opplæringen, er det ikke teknisk mulig å fjerne innflytelsen av et bestemt datapunkt — noe Cloud Security Alliance beskriver som «en åpen utfordring». Den eneste garantien er full gjenomlæring, som kan koste millioner av kroner for store modeller og gjør etterlevelse av slettekrav til en alvorlig finansiell og operasjonell byrde.

EU AI Act legger et nytt lag

EU AI Act skal innlemmes i norsk lovgivning via EØS-avtalen. Forordningen krever at AI-systemer respekterer personvern og grunnleggende rettigheter gjennom hele sin livssyklus, herunder GDPR-etablerte rettigheter som sletting. Loven stiller ikke eksplisitte krav om maskinavelæring, men dens risikobaserte rammeverk skaper regulatoriske insentiver for å ta metoden i bruk — særlig for høyrisiko-applikasjoner.

Fristbildet er i bevegelse. EU nådde i mai 2026 en foreløpig politisk avtale om Digital Omnibus, som utsetter høyrisiko-kravene for frittstående Annex III-systemer fra 2. august 2026 til 2. desember 2027. For AI innebygd i regulerte produkter under Annex I utsettes fristen til 2. august 2028. Formell vedtakelse og publisering i EU-tidende er ventet i løpet av juli 2026. Transparanseforpliktelsene som gjaldt fra 2. august 2026 er ikke berørt av utsettelsen.

For norske AI-selskaper som bruker treningsdata med personopplysninger, gjelder GDPR-plikten om sletting allerede. EU AI Act legger til krav om risikostyring, datahåndtering og sporbarhet for høyrisiko-systemer. Summen av disse forpliktelsene gjør maskinavelæring til et sentralt teknisk verktøy — og kostnadene ved å implementere det, til et direkte forretningsspørsmål.

Hva Apple-metoden faktisk gjør

Forskergruppen foreslår et forfilteringssteg som analyserer treningsdatasettet før selve avelæringsoperasjonen starter. Influensfunksjoner identifiserer datapunkter med neglisjerbar påvirkning på modellen. Disse flyttes ut av slette-settet, og ressursene konsentreres om de punktene som faktisk har satt spor.

Metoden skiller seg fra eksisterende fremgangsmåter, som typisk behandler alle punkter i slette-settet likt. Den er testet på oppgaver innen både språkmodellering og bildegjenkjenning, noe som antyder generaliserbarhet på tvers av modelltyper. Apple oppgir ingen ekstern uavhengig verifisering av resultatene; artikkelen er ikke fagfellevurdert via en ekstern konferanse og bærer preg av å være et pre-print fra selskapets interne forskningsmiljø.

Hva gjenstår å løse

Apples tilnærming reduserer beregningskostnadene ved avelæring, men løser ikke det juridiske spørsmålet om hva som teller som tilstrekkelig sletting. Det finnes ingen konsensus om hva som utgjør «vellykket glemming» i en modell, eller om tilnærmede metoder møter standarden for fullstendig og permanent sletting slik noen personvernlover krever. Den europeiske personvernkomiteen (EDPB) kan pålegge sletting av deler av eller hele modeller — noe som skaper rettslig usikkerhet rundt tekniske snarveier.

Nasjonal kommunikasjonsmyndighet er utpekt som tilsynsmyndighet for AI-loven i Norge, mens Datatilsynet fører tilsyn med GDPR-etterlevelse. Det to-sporede tilsynsregimet betyr at compliance-arbeid må koordineres på tvers av begge regelsett.

Forskningen peker mot noe konkret: at kostnadsbarrieren ved å bygge maskinavelæring inn i AI-pipelines kan være lavere enn antatt. For virksomheter som planlegger datahåndteringsarkitektur for kommende regulatoriske krav, er det relevant kunnskap — selv om siste ord om juridisk tilstrekkelighet ikke er sagt.