你走进一间装有摄像头的会议室，屏幕自动亮起，签到、人数统计、会议纪要生成一气呵成。便利几乎不需要解释，真正需要解释的是另一件事：这些画面在设备里停留多久，被谁看过，又是否进入了某个模型的训练集。人工智能让采集变得轻，追问却变得重。
摄像头不是唯一的入口
很多讨论把数据隐私等同于“有没有摄像头”。实际上，麦克风、门禁、工牌、客服录音、文档协作记录，都可能成为模型的原料。设备是否联网、是否本地处理，决定了风险走向。边缘计算把识别放在终端，减少原始数据外传，这是进步；但它不等于问题消失。设备仍可能输出结构化标签，比如“常来”“停留久”“情绪低”，这些标签同样指向个人。原始数据不出门，推断结果照样出门。
所以，判断一项AI功能是否克制，不能只看它采了什么，还要看它留下什么、能推断什么、能把结果给谁。数据隐私的难点往往不在“同意”那一刻，而在后续每一次调用。
同意不该是一张万能通行证
用户点下“同意”，并不意味着任何用途都合理。更实际的做法，是把目的写清楚：为签到采集画面，就不该顺手用于行为分析；为质检采集语音，就不该默认进入模型训练。目的限定听起来像流程术语，落到产品上却很具体——采集前说明范围与留存时间，采集中尽量本地处理、最小化字段，采集后提供可操作的删除与查询入口，并对内部访问留下记录。第三方接入也要有边界，不能把“合作方需要”当成默认理由。
- 采集前：说明为什么采、采哪些、留多久，而不是把关键信息埋进长文。
- 采集中：能本地判断就不上传原图，能传标签就不传全文。
- 采集后：删除要能执行，访问要能追溯，训练数据来源要能说清。
这些动作不新鲜，难在持续执行。很多组织把隐私当作上线前的一次审查，产品迭代后却没人回头看。模型换了、字段加了、供应商变了，原来的承诺可能已经对不上。
把边界写进设计，而不是事后补丁
我更愿意把数据隐私看成产品约束，而不是法务附件。设计阶段就问：这个功能非采不可吗？能否只在本机完成？默认留存能否更短？谁能看到结果？如果答案含糊，功能就该收敛。AI的能力来自数据，但产品的可信度来自克制。摄像头可以学会追问，但先追问的应该是做产品的人。