数据不出域 可用不可见：2027年企业AI合规的三道关

从一句“不能出去”开始

在不少企业里，AI项目第一次正面撞上的，往往不是技术问题，而是一句“这份数据不能出去”。业务部门希望大模型读懂客户合同、研发文档或病历摘要，法务和安全团队的回应却很干脆：数据不能离开我们的边界。于是项目停在评审会上，两边都觉得自己有道理。

“数据不出域、可用不可见”正是为这个矛盾准备的思路：数据留在企业自己的域内，不被随意复制或搬运；同时，它仍能被模型或分析流程用于计算、检索和生成结果，而使用方看不到原始内容。问题在于，这句话很容易被当成一句口号。真正落地时，团队常常发现，边界画在哪里、“看不见”到什么程度，都没有人说清楚。

为什么这件事比想象中难

数据离开一个域，不只发生在“整库上传”这一个动作上。它可能通过很多看似普通的路径发生：员工把一段客户信息粘贴进外部聊天工具；为了做检索，原文被切片后写入第三方向量库；调用日志里完整保存了提示词和返回内容；为了调试，开发环境拉了一份生产数据；某个插件或SaaS连接器在后台悄悄缓存了文件。

这些路径单看都不大，合起来就是合规审计时最难回答的问题。更麻烦的是，业务需求本身在推动数据流动：模型效果需要更多上下文，产品经理希望“全量接入”，供应商的标准方案默认把数据发往它的云端。所以“不出域”不是一次配置能解决的，而是要持续对抗一种惯性。

三个常见误区

误区一：私有化部署就等于数据不出域。很多企业把“本地部署大模型”当作终点。部署在自有机房，当然比调用公网API更可控，但私有化只回答了“模型在哪里跑”，没有回答“数据流向哪里”。如果系统仍把日志上报到厂商的监控平台，或者升级时需要远程拉取包含业务数据的诊断包，那么数据依然在出域。

判断标准很简单：把系统所有出站连接列出来，逐条确认传输的内容是什么。列不出来的，就不能说不出域。

误区二：脱敏之后就可以随便用。脱敏是必要的工具，但它不等于“可用不可见”。姓名替换成占位符、手机号打码，只挡住了直接标识符；如果再结合职业、地区、交易时间等准标识信息，原始身份仍可能被推断出来。对高敏感数据而言，脱敏结果本身也应当按敏感数据管理。

更稳妥的做法，是把脱敏理解为多层手段中的一层，并配合访问控制：谁能看到明文、谁只能看到聚合结果、谁只能调用某个查询接口，要分开设计，而不是默认“脱敏过的都能给”。

误区三：把“不可见”理解为“什么都看不到”。可用与可见之间需要一个明确的刻度。业务方通常不需要看到每一条原始记录，他们需要的是能提问、能得到结论、能验证结论是否可靠。因此，“不可见”的实际含义应是：使用方只拿到完成任务所需的最小信息。

例如，一个风控模型需要判断某类交易是否异常，却不需要知道具体账户名。如果系统只返回风险等级和依据类别，就接近了“可用不可见”的目标；如果它把整条记录原样放进提示词，就没有达到。在设计边界时，团队也可以参考我们之前整理的数据不出域、可用不可见：2027年企业AI合规怎么落地，里面对数据域和最小授权有更细的拆解。

怎么做才对：让计算去找数据，而不是让数据去找模型

一个更实用的思路是反过来设计：把计算移到数据所在的地方。具体可以分三步。

第一步，盘点数据域。按敏感级别和业务归属划分数据域，明确哪些数据必须留在本域，哪些可以在脱敏后流动。这一步没有做完，后面的权限设计都是空中楼阁。

第二步，把模型或分析能力部署到数据旁边。检索、推理、统计尽量在域内完成，只让结果或摘要离开。对于跨部门或跨机构的协作，可以考虑受控查询、隐私计算等方式，让多方在不交换原始数据的前提下完成联合计算。第三步，对出域内容设置闸门。无论是模型输出、日志还是导出报表，都要经过规则检查，例如是否包含敏感字段、是否超出授权范围、是否需要人工复核。

这套流程本身并不复杂，难在把它们串成一条可审计的链路。不少团队会选择用统一的平台，把数据域、权限和调用日志放在同一个控制面里管理，而不是每个项目各自拼凑。如果你想把上面的分层方法真正跑起来，可以在 Duaer 里尝试按数据域划分权限，把调用记录和出域闸门放进同一套流程中，先在小范围场景里验证边界是否守得住。

怎么衡量：别只看“有没有上线”

判断“数据不出域”是否落地，需要几个可以检查的指标：

出站路径覆盖率：已登记的外部连接占全部出站连接的比例，应当接近全覆盖，未登记的连接即是风险。

明文可见范围：能接触原始敏感字段的人和系统数量，应随时间收窄，而不是扩大。

调用可追溯率：每一次模型调用能否关联到用户、用途与数据来源。

闸门拦截与复核记录：出域内容被拦截、被人工复核的次数与原因，用来校准规则。

越界响应时长：从告警到切断连接的时间，反映团队的真实应急能力。

这些指标比“模型准确率”更能反映合规状况，也能让安全团队和业务团队用同一套语言对话。

本周可以做的一件事与结语

不必等待完整方案，本周可以先做一次出站路径盘点。选一个正在推进的AI项目，画出从数据源到模型、再到输出的全部路径，标注每个环节的数据形态（原文、脱敏、摘要、向量）和去向（本域、境内云、境外服务）。把答不上来的环节列成清单，由安全、法务与业务负责人共同确认。

这张图往往比任何制度文件都更能说明问题，也是后续讨论“可用不可见”的真正起点。如果你希望把这套盘点和分层流程放到真实项目里验证，欢迎到 https://www.duaer.com 注册试用。注册后可以先用一个小范围场景检验边界设计，最终效果仍应以你自己的数据和审计结果为准。

数据不出域与可用不可见并不对立。真正的难点在于，把“不能出去”翻译成可执行的数据域、权限与审计规则，再让AI在这些规则之内发挥作用。先画清楚边界，再谈效果，多数企业走得更稳。