談到把 AI 導入企業,多數人只看見兩個選項——而這兩條路都通往死胡同。如果你完全禁用 AI,員工仍會悄悄把公司資料貼進不受控的個人工具;而如果你把一切都推到外面,那麼每一份財務、人資或生產文件都離開了自家的邊界。問題在於,這兩個極端都忽略了一個簡單的事實:並非每一個 AI 任務都帶著相同的風險。在這篇文章裡,我們會一起探討第三條路——一種依資料敏感度為每項任務路由的 hybrid 架構——並附上一套你可以立即套用的分類框架,讓你既把敏感資產留在家裡,又不錯過大模型的力量。
為什麼兩個極端都是死路
完全禁用 AI 聽起來安全,但它只是把需求趕進暗處:員工會自行把公司資料貼進不受控的個人工具——那種真正的風險反而更難看見。在相反的極端,把一切都推上外部模型能讓你快速啟動,卻把每一份財務、人資或生產文件都變成離開系統的資料。問題不是在安全與生產力之間二選一,而是缺少一套機制來分辨哪個任務需要什麼。
三類任務,三種處理層級
hybrid 架構的第一步不是技術,而是分類。企業裡多數的 AI 工作,依輸入資料的敏感度落入三類:
- 高度敏感——資料不得離開系統:薪資分析、成本、合約、生產現場資料、總帳。用直接跑在你自己基礎設施上的內部 AI 處理。
- 中度——內部資料但去識別化後風險較低:彙整會議紀錄、草擬流程、分類支援請求。可在內部處理,或在過濾與去識別化後送到外面。
- 低度——不含私有資料:草擬行銷郵件、翻譯公開內容、發想點子。用外部大模型以取得最高品質。
三類之間的界線是你的決定,而不是供應商的決定。而正是把那條界線寫成一份清楚的政策,才是最難也最重要的部分。
路由是一項政策,而不是一個按鈕
在 Apus,每一個 AI 任務都會經過一個讀取你所設政策的路由層:被標記為敏感的資料被留下、用內部模型處理;泛用任務則被允許呼叫外部大模型。因為全部營運資料早已在一個資料層上,系統知道一個請求是碰到了薪資、還是只碰到公開內容——並據此路由,而不是每一次都讓使用者自行判斷。
一個具體的營運實例
想像一個來自規劃部門、看似簡單的問題:為什麼 A 產品線的利潤率這一季下降?回答它需要碰到成本、來自生產現場的 OEE 資料與銷售單價——全都敏感,所以這部分分析必須在內部跑。但當結果已成為一份不再含原始數據的摘要,把它潤飾得更流暢、或翻成英文給合作夥伴,就是低敏感度的任務,完全可以交給外部模型。同一條工作流、兩個環節、兩種處理方式——這正是「hybrid」的意思。
常見的陷阱
hybrid 架構若草率導入,並不會自動正確。幾個常見的錯誤:
- 分類過頭:把什麼都標成「敏感」,使內部 AI 過載,使用者又回頭去用私下的工具。
- 去識別化太敷衍:刪了名字卻留下客戶編碼或足以反推的數字——資料照樣外洩。
- 遺漏日誌:沒記錄哪個任務被路由到哪裡,出事時就無法稽核。
- 一次定案:資料的敏感度會隨時間與法規改變——路由政策必須定期複核。
從哪裡開始
別從挑模型開始。先和各部門坐下來,列出他們真正需要的 AI 任務,再把每一個任務歸入上面三類之一。那份清單,就是你路由政策的設計圖。挑一個高敏感度的流程先在內部跑——那是資料不離開系統的價值最清楚的地方——再逐步擴展。對企業而言好的 AI 不是最強的模型,而是你能掌控其資料去向的模型。
「最適合企業的 AI，不是最強大的模型——而是您能掌控的那一個。」