يُحسّن أسلوب الاستدلال المتسلسل (Chain-of-Thought أو CoT) في النماذج اللغوية الكبيرة (LLMs) من قدرات الاستدلال، غير أنه قد يزيد من مخاطر الخصوصية بإعادة إظهار المعلومات الشخصية القابلة للتحديد (PII) الواردة في المدخلات ضمن مسارات الاستدلال والمخرجات، حتى في ظل سياسات تأمر النموذج بعدم إعادة صياغة هذه المعلومات. نفحص في هذه الدراسة تسرّب المعلومات الشخصية مباشرةً أثناء الاستدلال باستخدام إطار عمل مستقل عن النموذج، يقوم بـ: (أ) تعريف التسرّب كحدث على مستوى الرمز (token) مرجّح بالمخاطر عبر 11 نوعاً من المعلومات الشخصية القابلة للتحديد؛ (ب) تتبع منحنيات التسرّب كدالة في ميزانية الاستدلال المتسلسل المسموح بها؛ و(ج) مقارنة عائلات النماذج مفتوحة المصدر ومغلقة المصدر باستخدام مجموعة بيانات منظمة للمعلومات الشخصية القابلة للتحديد وتصنيف هرمي للمخاطر. نلاحظ أن أسلوب الاستدلال المتسلسل يرفع مستوى التسرّب بشكل ثابت، لا سيما في الفئات عالية المخاطر، وأن درجة التسرّب تعتمد بقوة على عائلة النموذج وعلى الميزانية المخصصة. وقد يؤدي زيادة ميزانية الاستدلال إما إلى تضخيم التسرّب أو إلى تخفيفه، وذلك وفقاً للنموذج الأساسي. ثم نقارن أداء بوابات خفيفة الوزن تُنفَّذ أثناء الاستدلال، وهي: كاشف قائم على القواعد، ومصنّف يجمع بين تمثيل TF-IDF والانحدار اللوجستي، ونموذج استخلاص الكيانات المسماة (NER) مبني على GLiNER، ونموذج لغوي كبير يعمل كحكم (LLM-as-judge)، وذلك باستخدام مقاييس F1 المرجّح بالمخاطر، وMacro-F1، والاستدعاء (recall). لا تتفوّق طريقة واحدة بشكل مطلق عبر النماذج أو الميزانيات، ما يدعو إلى اعتماد سياسات بوابة هجينة متكيفة مع الأسلوب، توازن بين الفعالية والمخاطر في إطار بروتوكول موحد وقابل للتكرار.