企业上 AI 为什么第一步该想清楚数据在哪

企业落地 AI，多数讨论集中在「用什么模型」，但更早该回答的问题是「数据在哪、能不能动」。数据的位置和流动方式，决定了架构的形态、合规的成本，甚至决定了哪些任务根本可以做。这一步想清楚了，后面的选型才不会返工。

数据位置决定架构形态

先做一次数据盘点：任务要读的数据存在哪里、以什么形式流动。原始数据集中在内网业务系统里，模型就必须能靠近它——要么推理进内网，要么数据出网，二选一。数据本身来自公开渠道或不涉敏感信息的任务，选择空间就大得多。

常见的返工路径是反着来：先定了云端方案，跑到合规审查才发现核心数据不能出内网，整个链路推倒重来。架构跟着数据走，不是数据迁就架构。

出域成本往往被低估

数据出网不是「传出去」一个动作，而是一串配套：字段级脱敏、传输加密、出境或出域合规评估、供应商数据处理协议、泄露责任划分。每一条都是工程量与法务量。

对高频任务，脱敏的边际成本尤其明显——每条数据都要过一遍处理流程，人工复核与系统建设成本随调用量线性增长。把这部分成本算进去再比较端云方案，结论常常和只看算力账单时不同。

分级是可操作的解法

想清楚数据在哪之后，可行做法是分级处理。核心敏感数据留在内网，推理放在数据旁边，结果出网前只保留脱敏后的结论字段；一般业务数据可以出网，走云端获得更大算力与知识更新；公开数据随便用，成本最低。

分级的关键动作是给每个任务标注三个属性：输入数据的敏感级别、输出是否回写内网、调用量级。三个属性标完，任务清单自然分成几堆，架构方案从里面长出来，而不是先画架构图再找任务往里塞。

组合架构因此成为默认选项

数据分级的直接推论是：多数企业的 AI 架构会是组合形态。端侧处理敏感与高频部分，云端承担公开与重算力部分，两者之间只传递必要的结果信息。这种形态下，数据边界是设计出来的——每类数据有明确的去处，而不是笼统地「都上云」或「都本地」。

政务、金融、制造行业的新建项目普遍采用这类设计，原因无他：合规审查是硬门槛，数据流向清晰才可能通过。