#030🐝 Allen Own｜公司導入AI，第一步不是買工具，而是畫出資料紅線

禁止員工用 AI 只會讓人偷偷用。與其禁止，不如先搞清楚公司的資料在哪裡、誰能碰

上篇談的是個人如何管好桌面上的 AI Agent。但當場景從一個人放大到五十人、兩百人的企業，同一套原則會撞上全新的複雜度：你管得了自己，管不了每一個員工。而企業面對的第一個問題，不是該買哪個 AI 工具，而是你知不知道自己公司裡的資料長什麼樣？

第一步：盤點資料，不是盤點工具

「公司導入 AI 的資安建議？」李慕約問。

「這題超級難，因為無法禁止，而且禁止的話，只會有更多人偷偷用，變得更難管理。」Allen 直言。

他給企業的第一個建議，不是挑選 AI 工具，而是盤點資料。

哪些是業務上最敏感的資料？合約、薪資、個人資料、機密文件、產品原始碼。先盤點好之後，再去盤點「資料流」。所謂資料流，就是這些資料會從哪裡流到哪裡。

以一家面對消費者的公司為例：民眾在平台上註冊帳號、輸入個資、下單、刷卡、收貨，這是一條完整的流程。裡面涉及的姓名、地址、電話、信用卡號，會從前端網站流入資料庫，再分流到 ERP 系統、物流系統。每一個節點怎麼處理這些個資？有沒有存放？有沒有加密？這些都必須逐一釐清。

「我覺得這是各位第一件要做的事情。」Allen 說。

李慕約：「這很不科技、很不技術，很人力。聽起來要花很多時間？」

Allen 也不諱言時程壓力：「至少最快也要三個月，三到六個月是比較合理的時間點。」但他給出最低限度的版本：先把哪些資料不能上雲端 AI 平台明確訂出來。「這個工絕對不能省。」

畫出紅線：什麼資料可以用 AI、什麼不行

盤點完資料之後，企業需要白紙黑字地劃線。上篇提過「不可逆即紅線」的個人判斷原則；到了企業端，這條線不能只靠每個員工自己判斷，必須變成明文規範。

Allen 以政府機關為例：可以用生成式 AI 產生文案、行銷用的文字和圖片，但公文、簽核文件禁止使用 AI。「這一刀畫得蠻清楚。」一般企業也是同樣邏輯：什麼資料可以餵給 AI、什麼資料可以由 AI 產生，都需要明文規範。「不然員工可能會蠻失控的，他會覺得 AI 太好用了，就把合約什麼都傳上去。」

他以自己公司為例：「我們做資安，所有客戶的基本資料、機密資料，完全不能上網路、不能上雲端。要嘛在自己的機房裡面建置，要嘛透過加密或去識別化，才可以使用。」

「不訓練我的資料」只是基本門檻

至於許多 AI 平台提供的「不使用我的資料改善模型」選項，Allen 認為那只是起點：「我們當然都會勾，但它並不是企業等級的承諾。我是信任這些平台，但他們未來會不會改政策，他們也沒有說。」他建議企業進一步尋求「零資料留存」（Zero Data Retention）方案，也就是平台承諾整個機制完全不存放使用者資料。「三大平台、各大平台應該都有這個方案，各位要去看。」

自建 AI 使用閘道：讓每一筆對話都可追蹤

在規範之上，Allen 進一步建議企業自建「AI 使用閘道」（AI Gateway），作為全公司使用 AI 的統一入口。

具體做法是：在公司內部架設一個平台，員工在上面用自然語言與 AI 對話、請它做事情，平台背後串接各家雲端 API。公司可以預存一筆費用或額度，開放員工使用。

這套機制的核心價值在於可追蹤性。前面已經明文規定哪些資料可以用、哪些不能用，透過閘道，就能留下完整的軌跡紀錄，知道每一個員工用了什麼。「你要比較微控一點，要知道大家的 prompt 也可以；要知道大家餵了什麼資料給它，也可以。」

更進一步，企業可以在閘道內寫程式自動偵測：有沒有人上傳帳號密碼等禁止內容？「如果這是你們禁止的，可以用小程式去監控，它就可以追到，或直接擋下來。」

當這套系統建好，企業甚至可以封鎖一般消費者版的 ChatGPT、Claude、Gemini，讓所有 AI 使用都經過可控的管道。

Allen 強調，這是循序漸進的過程，不需要一步到位。「你要做到最極致可能就是這個樣子。」

慕約補充：企業自建「AI 使用閘道」可以參考玉山銀行在 2024 年年會的演講。

地端模型怎麼選：白名單制與中國模型風險

談到是否需要投資地端（本地端）模型，Allen 認為要看用途。李慕約提到，APMIC 亞太智能機器的 Jerry Wu 曾估計，建置一台地端推論設備（約一張 H100 或 H200，不含人力）約需兩、三百萬元。但 Allen 引述專家朋友的說法：「除非你是真的要去訓練、去精調一個模型，才需要買那麼好的高級顯卡或主機。」

他觀察到小型模型的能力正在快速進步：「像我們之前玩 gpt-oss，就覺得蠻驚豔的；現在 Gemma 4 又更進一步了。」他甚至推測，未來搞不好一台 32GB 記憶體的 MacBook 就能處理日常不少任務。實務上，他訪談客戶發現最普遍的地端需求其實很基本，就是開會的會議紀錄轉逐字稿。「如果只是這個需求，超級小的模型就可以了，根本不需要建機房，因為硬體設備的後續維護成本或許會更高。」

至於模型的選擇，他建議企業採用白名單制，例如只開放 Gemma 4、gpt-oss 等經過評估、公認比較安全的模型，讓員工使用。反過來說，也要把高風險的模型明確排除。Allen 特別提到，有人指出敵對勢力的模型可能暗藏後門，企業選用時須納入評估。

中國模型：就算開源、就算地端，風險仍在

李慕約提到一個真實案例：一個社群朋友需要用 OCR 處理大量身分證影像檔，找來找去發現最適合的是一個中國模型。Allen 的態度很明確：「對我來說，我不會使用。可以拿來做研究，但不會拿來做真正的操作。」

即使是開源、部署在地端的模型，他仍有疑慮。「模型本身還是一個黑盒子，沒有人知道它裡面到底存了什麼、拿了什麼資料去訓練。」據他記憶，曾有資安專家針對 DeepSeek 做過研究，發現當模型判斷使用者來自台灣或某些國家，會給出品質較差的答案、較差的程式碼，或產出含有漏洞的程式。

更根本的問題在於法規。「他們的國安法可以要求所有中國公司配合政府給予資料、配合政府做調查。」李慕約補充：「他們要這樣做的話，其實才是合法的，因為在他們的法律架構裡面，這是法律要求的。」

如果企業仍然必須使用，Allen 給出底線建議：確保模型運作時完全不連網，而且產出一定要經人類檢核。「你請它做逐字稿，你會看過；請它做 OCR，你也一定會核對，那 OK。但如果請它寫策略規劃書，就要詳細看一下，可能會有一些不一樣的想法在裡面。」

先訂流程再讓 AI 實作，人類掌握度要守住

Allen 對完全仰賴 AI、一句話生成整個系統的做法保持謹慎。他的基本原則是：所有 AI 產生的程式碼都應做 code review。「你用 A 模型產生 code，那請你用 B 模型做 code review 也可以。」

更深層的疑慮在於掌握度。「人類對這個系統的掌握度會超級低。它的設計脈絡是什麼，你可能無法完全知道，也可能沒有耐心全部看過一次。」他形容那就像「某個員工幫你做了一個系統，結果這個員工離職了，系統就交給你」。

如果系統穩定運作，皆大歡喜；如果不穩定，又沒有人理解設計邏輯，他估計「有高達八成的機率，你會叫 AI 重寫一個。」

目前許多不會寫程式的人正在用 AI 開發內部系統。Allen 並不否定，但強調要有心理準備：「如果真的發生，那也沒關係。大家要知道，未來沒有人維護，要改可能很難改，或是成本很高。」

對於經手敏感資料與高權限的系統，Allen 的建議更明確：「邏輯類的東西人類一定要介入。」他舉了一個具體例子：假設要開發內部請款系統，可以先把請款人送單、主管簽核、財務放行的流程訂好，再交由 AI 實作；或者讓 AI 先設計流程，人看過確認沒問題，再請 AI 實作。「比起全部叫 AI 一句話做到完，掌握度要更高一點。如果那個平台經手的資料跟權限比較高，人類紀錄要多一點。」

不要因為 FOMO 而造輪子

技術紀律之外，還有心態紀律。

Allen 觀察到一種普遍焦慮：AI 能力擺在那裡、額度還沒用完，很多人就覺得非用不可。「到底我們是真的需要 AI 幫我們做那些事情，還是只是滿足內心中的不安感？」

他舉了一個朋友公司的例子：團隊決定用 AI 寫一個專案管理系統，取代現有工具。「我問為何要用？現有系統有哪些功能沒有？如果真的沒有，再看可不可以用外掛或其他方式改寫，應該不會是整個重寫一個吧。」

結果不意外，寫出來功能缺東缺西。「開發者可能沒有想像到，寫一個專案管理系統背後的邏輯有多複雜，要考慮的事情有多少。他覺得『我要做一個我們自己專屬的』，忘記考慮後續維護成本會多高。」

李慕約在旁提醒：那些已經在市場上收費運作的系統，每個月五塊美元背後是很多血淚累積出來的。Allen 的結論一樣直接：「企業在導入 AI 之前，要先想一下我要解決什麼問題，再來使用。」

主動攻擊自己：用紅隊思維驗證 AI 防線

制度寫好、機制設定完畢，就安全了嗎？還差一步：主動攻擊自己，驗證防禦是否真的生效。

「你們可以在把機制都設定好之後，故意叫 AI Agent 去做一些授權範圍之外的事情，看它是不是真的可以做到。」Allen 說。

比如，資料已經分離、權限控管也做完了，這時候故意對 AI 下指令：刪除某一筆不能被刪除的假資料。「照理講，如果你不允許它，它應該是不能做的。如果不能做，表示你成功了。如果它還是可以做，代表你原本的機制可能有缺陷。」

這就是資安業界「紅隊演練」的核心思維：用攻擊者的視角驗證防禦是否有效。同樣的邏輯，套用在 AI Agent 的管理上完全適用。

誰該推動這件事？要夠高，要能問對人

最後回到組織面的核心問題：誰來負責推動 AI 導入的安全治理？

Allen 的答案是：「至少要是資訊長（CIO）之類的角色，來籌組團隊做 AI 的推動。」原因在於，這件事必然牽涉政策制定（什麼可以做、什麼不能做），而在位者必須有權限存取各個資料，才有辦法做判斷。「由上而下去推動，會比較容易，也比較可行。」

但他也務實地承認，資訊長不一定最懂 AI 或最新技術。「沒關係，但他一定要知道能夠往外去問哪些專家。」有權限、有權責、能問對人，這比什麼都重要。

至於如何判斷外部顧問或資安人才是否合適，Allen 建議從三個面向評估：

1. 直接拋問題。 把今天談的情境丟出去：「我要怎麼確保一個模型不會做出我們規範之外的事情？」看對方能回答什麼樣的建議。
2. 證照可以當參考。 他提到 CISSP 這張資安管理類的證照：「雖然也有很多人有，但有總比沒有好一百倍。至少他是懂資安管理的。」不過他也坦言，持有 CISSP 不代表懂 AI，而 AI 領域目前又沒有一張公認可靠的證照，因此證照只能作為參考起點，不能當作唯一指標。
3. 聊他最近在玩什麼。 問他現在用 AI 做什麼事情、最近看到哪個新發展最有興趣。「有點像在面試一樣。如果他有提到最近在玩很新的模型，可以聊得起來，我覺得就很好。」這比只看證照，更能判斷對方是否真的跟得上 AI 現場。

企業導入 AI 前的五件基礎工程：

1. 盤點資料流
2. 明文劃定紅線
3. 自建 AI 使用閘道
4. 主動攻擊自己，驗證防禦
5. 找對的人，由上而下推動

沒有一項華麗，沒有一項能用一句提示詞完成。但它們是企業所有後續 AI 應用能否安全運作的地基。

禁止員工用 AI，只會讓更多人偷偷用，變得更難管理。與其禁止，不如把地基打好。在 AI 工具唾手可得的今天，願意先蹲下來做這些苦工的企業，才有資格站得穩。

本文整理自 Allen Own 的「2026 AI 訂閱｜每月專家訪談」。你假如不確定你現在的做法資安上是不是安全的，你可以回信給我們，我們會從中精選幾題回答。

📙名詞解釋

• 資料流（data flow）——資料從產生、儲存到傳輸的完整路徑，不畫出來就不知道哪一段可能外洩。
• 去識別化（de-identification）——把資料中可辨識個人身分的部分移除或遮蔽，讓資料能用但無法追溯到特定人。
• 零資料留存（Zero Data Retention）——AI 平台承諾完全不儲存你傳入的資料，比勾選「不拿來訓練」嚴格一級。
• AI Gateway（AI 使用閘道）——企業自建的統一入口，所有員工的 AI 使用都必須經過這裡，可追蹤、可攔截。
• 地端模型（on-premises model）——部署在自家機器上、不經過雲端的 AI 模型，資料不出公司但不代表零風險。
• 推論（inference）——用已訓練好的模型產出結果，你每天用 ChatGPT 或 Claude 就是在做推論。
• 精調（fine-tuning）——拿自己的資料對現有模型做額外訓練讓它更懂你的需求，所需硬體成本遠高於單純推論。
• 白名單制（whitelist）——只開放事先核准的項目，清單外一律禁止，比黑名單（只列出禁止項目）更嚴格。
• 紅隊演練（red team exercise）——故意用攻擊者的視角測試自己的防線，驗證設定好的防禦是否真的有效。
• 後門（backdoor）——被刻意埋在軟體或模型裡的隱藏通道，讓特定人能繞過正常授權直接存取資料。
• 開源（open source）——程式碼公開可供任何人檢視，但「程式碼公開」不等於「模型行為安全」。
• CISSP——國際認可的資安管理類證照，可作為判斷資安人才的參考起點，但不代表持有人懂 AI。