数据不出域：企业用 AI 的合规底线与技术前提

企业在推进 AI 时，最容易被忽略的一步是：先想清楚哪些数据可以出去，哪些必须留在自己手里。

现实中常见的场景是：员工为了方便，把客户名单、合同条款、经营报表直接粘贴到公有 AI 工具里处理。省下的是几分钟，风险却是实打实的。

一、三类数据，三种处理方式

数据类别	典型内容	建议处理方式
公开数据	产品介绍、公开的行业资料、已发布的案例	可调用云端模型处理
内部数据	内部流程文档、非敏感的经营统计	脱敏后使用，或走企业级接口
敏感数据	客户个人信息、合同与报价、财务明细	本地部署或专有环境，不出域

分类的意义在于：不是"要不要用 AI"，而是"哪一类数据用什么方式用 AI"。一刀切禁用不现实，一刀切放开有风险。

二、本地部署与云端调用的取舍

维度	云端调用	本地部署
初期投入	低，按用量付费	较高，需要硬件与实施
数据边界	需依赖服务方承诺与协议	数据不出域，可控性强
能力上限	可调用最强模型	受本地算力限制
适用场景	内容生成、公开资料处理	经营数据分析、客户数据处理

实际选择通常是混合的：公开内容走云端，核心数据留本地。

三、数据治理的三个基本动作

1. 分类分级：先给数据打标签，明确哪些能出域。这一步不做到位，后面全是空谈。
2. 最小必要：能用汇总数据解决的问题，就不要用明细数据。信息越少，风险越小。
3. 审计留痕：谁在什么时候用了什么数据、做了什么处理，要能追溯。这既是合规要求，也是内部管理需要。

四、中小企业的现实选择：先分域，再谈模型

不必一上来就讨论"用哪个大模型"。更有效的顺序是：先把数据分成可出域与不可出域两类，再分别为它们选择处理方式。分完之后你会发现，真正需要本地部署的场景往往集中在财务、客户与核心经营数据上，范围比想象中窄。

用 AI 的第一步不是选模型，而是划边界。数据边界划清楚了，技术选型自然会收敛到一个明确的范围里。

量剑数智的企业数据智能座舱方案采用本地部署的数据底座，打通 ERP / CRM / 进销存 / 财务的数据孤岛，AI 自动生成经营报表与异常预警，分岗位驾驶舱让老板看全局、店长看门店、销售看个人业绩。数据不出域，是这个方案在设计之初就定下的前提——某珠宝连锁品牌采用后，报表制作时长由 3 天缩短至 15 分钟，库存周转率提升 35%，管理决策周期由周缩短到天。