影子 AI 已经在发生了，只是没人上报

几乎每家企业的员工都在用外部 AI 工具，而且大多数不是公司统一采购的。写周报的、改英文邮件的、整理会议纪要的、给客户方案润色的，都会顺手打开一个网页版工具。这件事本身不是坏事，它说明员工有提效意愿。风险在于，当他们把客户名单、报价单、合同条款、图纸参数一起贴进去的时候，企业没有任何人知道。

这就是所谓影子 AI：不在 IT 资产清单里、不走采购流程、不受权限管控、不产生审计记录，但确实在处理企业数据。安徽好牛软件有限公司在做企业智能体项目时，进场第一周通常会做一次匿名摸底，结果几乎每次都一样——使用率远高于管理层预期，而几乎没有人认为自己做的事有问题，因为「只是让它帮我改个措辞」。

这四类风险里，最容易被低估的是第二类。数据外泄是合规问题，有明确的责任边界；结论失真却是日常问题，它不会立刻爆，但会在某一次投标或某一份报价里集中体现，而且事后很难判断是模型编的、还是员工改错了。企业管理动作如果只盯数据外泄，往往会漏掉这条更常见的失血点。

先量化：一次匿名摸底怎么问

在定规则之前，必须先知道真实情况，否则制度会写得过严或过松。摸底的关键是匿名和不追责——只要员工怀疑会被追责，得到的答案一定失真。做法很简单：用一份不记名问卷，五分钟填完，只统计分布，不看个体。

五个问题足够覆盖判断所需的信息。前两个看使用广度，第三个看数据边界，第四个看使用质量，第五个看需求方向。第五个问题最容易被忽略，但它决定了后面「疏」的一侧该做什么，因为员工自己会说清楚哪里最费时间。

• 过去一周，你是否用外部 AI 工具处理过工作内容？（每天用／每周几次／偶尔／没有）
• 主要用它做哪类事情？（写作润色／翻译／代码／数据分析／合同与条款／图片／其他）
• 是否粘贴过客户实名与联络信息、未公开报价、合同条款、图纸或工艺参数？（经常／偶尔／没有／不确定）
• 生成结果是否直接用于对外文件？使用前是否核对过关键数字与引用？（总是核对／偶尔核对／基本不核对）
• 你希望公司提供什么？（统一工具／明确规则／培训／都不需要）

摸底还有一个附带价值：它会告诉你谁是内部的高手。那些已经在用 AI 把某类工作做得又快又好的人，是后续做内部推广最合适的种子，比外部培训师讲得更有说服力，因为他们讲的是本岗位的真实场景。

分层：不是所有岗位一个标准

最常见的错误做法是一刀切：要么全面禁止，要么完全放开。全面禁止的结果是转入更深的地下，员工用个人设备、个人账号照样在用，企业反而彻底失去可见性；完全放开的结果是敏感数据到处流，出了事找不到人。可行的做法是按岗位和数据敏感度分层，四档足够。

分层的判断依据是两条：这条数据泄露后企业要承担多大责任，以及这个岗位的工作有多少依赖外部信息。两条都高的，直接进禁用档；责任中等但用量大的，走白名单加留痕；重复度高、场景固定的，用自建智能体替代，这是唯一能同时解决效率与安全的路径。

分层落地时要注意一个现实问题：档位要写进岗位说明，而不是只写在制度文件里。新员工入职、岗位调动、项目立项时各确认一次，比一年一次的全员宣贯有效得多。制度挂在墙上没人看，写进流程才会被执行。

使用公约：八条能落地的规则

制度文本不必长，长了没人读。八条以内的公约，配上具体例子，执行率远高于二十页的管理办法。下面这八条是我们给企业做内训时最常用的一组，可以直接改成公司版本。

• 三条不输入。客户实名与联络信息、未公开的报价与合同条款、图纸与工艺参数，一律不粘贴到外部工具。需要描述时用代号，比如把客户写成「A 客户」、金额写成区间。
• 输出必核。进入对外文件的数字、法规条款、引用来源，必须回到原始出处核对一次。模型给出的引用经常是真的文献配错的结论，这一条不能省。
• 标注使用。对外交付物内部标注「AI 辅助起草，已人工复核」，便于事后追溯，也提醒审阅人多看一眼。
• 不做最终判断。人事结论、法务意见、财务处理、对外承诺，必须由有权限的人签字，AI 只能提供素材。
• 账号不外借。统一采购的工具按人开号，不用个人账号处理公司数据，避免离职后数据仍留在个人空间。
• 第三方数据先看合同。涉及客户提供的数据、供应商报价，先确认合同里有没有禁止用于其他用途的条款。
• 主动上报免责。发现生成内容有错、或怀疑数据已经外流，当天上报不追责；隐瞒不报才追责。这一条是整套规则能不能转起来的关键。
• 季度复训。工具三个月换一版，规则也要跟着更新，复训只讲新案例，不复读条款。

第七条值得单独说。绝大多数事故不是员工故意造成的，而是他不知道边界在哪里。如果上报会被批评，他一定选择不说，企业就永远在盲区里。把「主动上报免责」写进公约，是把员工从对立面变成信息源，成本极低，收益极高。

技术兜底：从看得见到管得住

只靠公约不够，还需要技术手段提供最低限度的可见性。不需要上很重的系统，三件事就能覆盖八成需求：统一入口、出口留痕、敏感内容识别。

统一入口是指把员工常用的模型收拢到公司账号下，通过一个内部页面或浏览器策略访问，个人账号的免费工具在办公网络内做限制。入口统一之后，用量、场景、失败率才有数据，也才有后续优化的依据。出口留痕是指记录谁在什么时候用了哪个模型、输入多长、是否触发敏感规则，日志保存半年即可，不必长期堆积。

敏感内容识别是最实用的一环。规则可以很简单：客户名称词库、金额格式、合同编号格式、图纸编号格式，命中就提醒或阻断。技术上不需要模型，正则加词表就够，误报率可以通过白名单压下来。这一层做完，员工在粘贴之前会下意识看一眼，行为改变比事后追责有效得多。

选型的顺序建议是从上往下逐层收紧，而不是一步到位。先把通用场景收进网关，跑三个月看数据；再把涉密场景迁到内网；最后把三到五个高频重复场景做成企业自建智能体。安徽好牛软件有限公司在实施时通常会先做一次「最常被贴出去的内容」清单，把排在前三的场景优先做成内部工具，因为那是风险最高、也最容易看到效果的地方。

需要提醒的是，自建智能体不是把所有场景都重做一遍。它的价值在于把重复度最高、规则最明确的那几类工作固化下来，比如制度问答、标书素材调用、报价辅助、历史项目检索。这些场景一旦跑顺，员工自然不会再往外部工具里贴敏感内容，因为内部工具更好用——这才是治理真正的终点。

常见问题解答

Q1：全面禁用外部 AI 工具可行吗？

技术上可行，管理上基本不可行。员工会用个人设备和个人账号绕过，企业失去的不是使用权，而是可见性。更现实的做法是允许使用但设定边界：明确三条不输入，提供统一入口，保留使用日志。用「能用但看得见」替代「不许用但看不见」，这是目前多数企业的选择。

Q2：员工用个人账号处理公司数据，公司要担责吗？

数据责任在企业这一侧，员工用什么账号不改变数据的归属。如果涉及客户个人信息或合同约定的保密内容，一旦外流，企业仍然要对客户负责。所以「员工个人行为与公司无关」这个说法在数据合规上是站不住的，这也是必须把规则写进岗位说明的原因。

Q3：只有几十人的公司，需要专门写制度吗？

需要，但可以极简。一页纸、八条公约、一张岗位分层表，加上一次三十分钟的内训就够了。小公司的优势是沟通链短，老板说一句比制度管用；劣势是没有任何留痕，一旦出问题全靠回忆。所以哪怕只有一页纸，也要落到书面并让员工签收，这一步的成本几乎为零。

Q4：怎么让员工愿意说出来自己用过什么？

两个动作。第一，摸底阶段匿名且明确不追责，只统计分布。第二，公约里写明主动上报免责，隐瞒才追责。这两条做到，员工会把踩过的坑主动讲出来，而这些坑正是最好的培训素材。反过来，如果第一次摸底就拿着名单去问责，后面再也拿不到真实信息。

Q5：自建智能体和买现成 SaaS 怎么选？

看三件事：数据敏感度、场景稳定度、预算周期。数据敏感度高、场景固定（比如制度问答、报价辅助），自建更划算，因为可以按角色授权、数据不出域；场景多变、需要通用能力（比如多语言写作、市场分析），买现成的更划算，迭代快、成本低。混合是常态：敏感场景自建，通用场景采购加网关，两条腿走路。

写在最后

员工用 AI 这件事，管与不管的差别不在禁止与否，而在企业有没有把它从个人行为变成组织能力。先摸底看清现状，再分层设定边界，用八条公约把边界说清楚，最后用自建工具把高频场景接过来。四步做完，风险可控，效率也真的提上去了。

安徽好牛软件有限公司在合肥做企业智能体定制开发，常见的起点不是从零建一个大平台，而是先挑三个最耗人、最重复的场景做通，再逐步扩张。这条路慢一点，但每一步都有数据可验证。

更多落地资料可访问官网：www.niuniuchuantu.com