一说到把 AI 引入企业，大多数人只看到两个选择——而两条路都通向死胡同。如果你彻底禁用 AI，员工照样会悄悄把公司数据贴进不受控的个人工具里；而如果你把一切都推给外部，那么每一份财务、人事或生产文档都在离开自己的边界。问题在于，这两个极端都忽略了一个简单的事实：并不是每个 AI 任务都带着同样的风险。在这篇文章里，我们会一起看看第三条路——一种按数据敏感度为每项任务做路由的混合架构——并附上一套你能立刻上手的分类框架，让你既把敏感资产留在家里，又不错过大模型的力量。
为什么两个极端都是死路
彻底禁用 AI 听起来安全，但它只是把需求赶进了暗处：员工会自己把公司数据贴进不受控的个人工具里——那种真正的风险要隐蔽得多。在相反的极端，把一切都推给外部模型能让你快速起步，却把每一份财务、人事或生产文档都变成了离开系统的数据。问题不在于要在安全和效率之间二选一，而在于缺少一套机制去区分哪个任务需要什么。
三类任务，三种处理
混合架构的第一步不是技术，而是分类。企业里的大多数 AI 工作，按输入数据的敏感度落入三类：
- 高敏感——数据不得离开系统：工资表分析、成本、合同、车间数据、总账。用跑在你自己基础设施上的内部 AI 处理。
- 中等——内部数据但脱敏后风险较低：会议纪要总结、流程起草、支持请求分类。可以内部处理，或在过滤和脱敏之后发往外部。
- 低敏感——不含私有数据：撰写营销邮件、翻译公开内容、头脑风暴。用外部大模型以获得最高质量。
三类之间的边界是你的决定，而不是供应商的。而正是把那条边界写成一份清晰的政策，才是最难也最重要的部分。
路由是一项政策，不是一个按钮
在 Apus 里，每个 AI 任务都经过一层读取你所设政策的路由：被标记为敏感的数据被留住、用内部模型处理；通用任务则被允许调用外部大模型。因为全部运营数据已经在一个数据层上，系统知道一个请求是触到了工资表、还是只触到公开内容——并据此路由，而不是每一次都让用户自己去判断。
一个具体的运营例子
想象一个来自计划部门看似简单的问题：为什么 A 产品线本季度的利润率下降了？回答它需要触及成本、来自车间的 OEE 数据和销售单价——全都是敏感的，所以这部分分析必须在内部运行。但当结果已经变成一份不再含原始数据的摘要时，把它润色得更顺、或翻成英文给合作方，就是低敏感的任务，完全可以交给外部模型。同一条工作流，两个环节，两种处理——这正是“混合”的含义。
常见的陷阱
混合架构若草率落地，并不会自动做对。有几个常见的错误：
- 分类过度：给一切都贴上“敏感”标签，会让内部 AI 超载，用户转而去用地下工具。
- 脱敏敷衍：删了姓名却留着足以反推的客户编码或数字——数据照样泄露。
- 忽略日志：不记录哪个任务被路由去了哪里，出事时就无法审计。
- 一次定框：数据的敏感度会随时间和法规变化——路由政策必须定期复审。
从哪里起步
别以选模型作为开端。先从和各部门坐下来、把他们真正需要的 AI 任务列出来做起，再把每个任务归入上面三类之一。那份清单，正是你路由政策的设计蓝图。挑一个高敏感的流程先在内部跑起来——那里“数据不离开系统”的价值最明显——再逐步扩展。适合企业的好 AI 不是最强的模型，而是你能掌控数据去向的那个模型。
“最适合企业的 AI，不是最强大的模型——而是您能掌控的那一个。”