人工智能正从单点试验走进企业的日常流程：智能客服处理咨询、文档模型辅助撰写、视觉算法参与质检。这些场景有一个共同前提——数据要流动起来。数据流动得越充分，数据隐私的边界就越需要被明确地划出来。把隐私保护当作上线前的“附加题”，往往会在后期付出更高的整改成本。
一、先界定哪些数据可以进入模型
不少AI项目的问题不在算法，而在输入。建议在立项阶段就梳理数据清单，明确来源、用途与保存期限，并遵循最小必要原则。
- 只采集与业务目标直接相关的字段，避免“先存下来再说”；
- 对姓名、联系方式、证件号等直接标识信息做去标识化或聚合处理；
- 建立数据分级分类规则，敏感数据进入训练或推理前需单独审批。
二、把权限、留痕与删除做成常规动作
数据隐私的风险常出现在“内部可见性”上。谁能查、谁能导出、谁能用于训练，应当有清晰的授权矩阵，并保留操作日志。
- 按角色分配最小权限，训练环境与生产环境分离；
- 对提示词与输出内容做必要过滤，避免无意中回显敏感信息；
- 明确数据保留周期，到期删除或匿名化，并保留可核查的记录。
三、模型与供应商选型要看隐私能力
引入外部模型服务时，除了效果和成本，还应关注数据是否被用于二次训练、传输与存储位置、日志留存策略以及安全事件通报机制。在合同中把数据处理角色、责任边界和退出机制写清楚，比口头承诺更可靠。
四、让保护措施可验证、可迭代
上线前做一次隐私影响评估，上线后定期复盘：访问记录是否异常、输出是否泄露个人信息、员工是否清楚操作规范。对内部团队开展场景化培训，比泛泛的合规宣讲更有效。技术手段上，可根据场景选择本地化推理、联邦学习或差分隐私等方法，在效果与保护之间取得平衡。
数据隐私不是阻碍AI应用的门槛，而是让应用走得更远的基础。把规则前置、把流程做细、把责任落到人，企业才能在使用人工智能的同时，守住用户的信任。