企业 AI 的“本地化”不是一个开关。业务数据库、知识库、模型服务和运维平台可以采用不同部署方式。可靠方案应明确哪些数据会离开企业环境、模型看到什么、谁能提问、答案如何核验和记录。

CORE PRINCIPLES · 核心判断准则

先把判断标准立住

01

数据与模型分层设计

数据可以留在企业环境,通过受控检索或脱敏上下文调用模型。

02

AI 继承业务权限

用户不能通过自然语言绕过原系统的数据范围和字段权限。

03

高风险动作保留控制

修改库存、审批、付款和客户承诺需要确认与审计。

ENGINEERING COMPARISON · 方案与控制对照

企业 AI 四层架构检查表

层级核心问题安全措施
业务数据哪些表、字段和单据允许访问只读视图、字段脱敏、行级权限
知识与检索文档来源、有效期和访问人群分级授权、引用来源、版本管理
模型服务模型部署位置与数据保留规则最小上下文、供应商条款、敏感词策略
应用与审计谁提问、输出给谁、能否执行动作身份认证、日志、确认和反馈
IMPLEMENTATION ROADMAP · 实施路径

建议的落地步骤

  1. STEP 01

    盘点高敏数据和首个低风险 AI 场景。

  2. STEP 02

    建立权限映射、日志和答案引用机制。

  3. STEP 03

    用越权、错误数据和高风险指令进行安全验收。

ACCEPTANCE CHECKLIST · 量化准入核对

上线验收清单

  • 模型调用的数据范围可说明
  • 自然语言查询遵循原系统权限
  • 敏感字段按场景脱敏
  • AI 输出标明时间范围和数据来源
  • 高风险执行需要审批或人工确认
FAQ · 常见选型追问

常见问题

企业 AI 是否必须使用本地大模型?

不一定。可以根据数据敏感度、性能、成本和运维能力选择本地模型、专有云或受控云服务,并通过数据最小化与权限控制降低风险。

数据不出厂是否意味着完全没有风险?

不是。内部越权、错误配置、日志泄露和运维访问仍需治理,因此身份、权限、审计和备份同样重要。

AI 答案怎样让管理者信任?

答案应显示指标口径、时间范围和可追溯来源,重要结论能够回到原始单据核验。