AI治理
大模型进了公司，数据安全的红线该划在哪？
红线只有一条原则：凡是不能外泄的数据，就不进公网大模型。先把“能喂”和“不能喂”分清楚，再谈提效——数据安全不是慢的理由，是能不能用的前提。
大模型进公司，最该先定的不是“怎么用得爽”，而是“什么不能喂”。凡是不能外泄的数据，就不进公网大模型——这一条守不住，提效越快，泄密越狠。安全不是慢的理由，是能不能用的前提。
为什么“随便把资料喂给大模型”很危险？
公网大模型可能把你的输入用于训练或留存，客户名单、薪酬、合同一旦出去就收不回。一次误发，可能就是一次无法撤回的泄密。
- 留存风险：输入可能被记录、复用；
- 越权扩散：一份机密被全公司随手喂；
- 无法撤回：出去的数据收不回来。
哪些数据绝对不能进公网大模型？
三类：客户与个人隐私、薪酬与人事、未公开财报与合同。这三类默认“不喂”，要用的话走私有化部署或先脱敏，绝不直接丢进公网。
| 数据类型 | 例子 | 处理方式 |
|---|---|---|
| 个人隐私 | 客户电话、身份证 | 不喂 / 脱敏 |
| 人事薪酬 | 工资、绩效 | 不喂 / 私有化 |
| 商业机密 | 未公开财报、合同 | 不喂 / 私有化 |
想用 AI 又怕泄密，有什么两全法？
三招：敏感数据走私有化部署或本地模型、非敏感先做脱敏再喂、给全员一页“能喂/不能喂”清单并定期复盘。既吃到效率，又把门看住。
对应山海七力中的数字助推力与AI 治理：
- 分通道：机密走私有，普通走公网；
- 先脱敏：非敏感字段才进模型；
- 给清单：人人知道边界在哪。
企业该怎么把这条红线变成日常习惯？
把“数据分级 + AI 使用规范”写进入职和项目启动，配一个可审计的私有通道，让安全用法比违规更简单。习惯一旦养成，红线就不用每次靠人盯。
- 写进制度：新人入职就讲清；
- 给工具：私有通道随手可用；
- 可审计：谁用了什么数据留痕。
常见问题
私有化部署大模型，小公司扛得住成本吗？
现在有多种档位：轻量模型可在单机或私有云跑，成本已大幅下降；并非都要上巨型集群。小公司可先从“只处理机密的小模型 + 公网处理普通活”的组合起步，既控成本又控风险。
用大模型写方案，方案本身会不会被别人看到？
取决于你用的是哪家、什么通道。公网模型有留存风险，机密方案别走公网；走公司私有通道或本地模型，方案留在自己环境里。选供应商时把“数据不用于训练、不留存”写进合同。
员工已经把机密喂给公网模型了，怎么补救？
先改密码、收权限，评估泄露范围（哪些数据、可能流向哪）；再和对方平台确认能否删除；最重要的是把这次当成教材，补上清单和培训。补救靠流程，不靠事后骂人。
怎么判断一家 AI 供应商的数据承诺靠不靠谱？
看三件事：是否签署“数据不用于训练、可删除”的书面条款；是否支持私有化或专用实例；是否有合规认证与审计日志。只口头承诺、拿不出条款的，再便宜也慎选。
