先講最重要的：不要再開「我們到底能不能用 AI」這種會了。
那是假問題。真正該決定的是——哪些資料，能進哪一種 AI。同一家公司裡，官網文案可以隨便丟雲端，客戶名單連企業版都不該碰，病歷則是碰了就違法。把這三件事混進一句「能不能用」，你只會得到「都不准」或「都隨便」兩種爛答案。
治理的本質是一個配對問題：先幫資料分級，再幫每一級指定能配哪種 AI。這篇給你這套框架。
資料四級分類（公開／內部／敏感／受監理）
分級不用複雜。四級就夠中小企業用，判準是同一句話：這份資料外洩或被誤用，後果有多嚴重？
| 級別 | 典型例子 | 外洩／誤用後果 | 預設原則 |
|---|---|---|---|
| L1 公開 | 官網文案、新聞稿、產品型錄、公開報告 | 幾乎沒有 | 隨便用 |
| L2 內部 | 內部會議紀錄、SOP、一般電子郵件草稿、非機密簡報 | 尷尬，商業損失有限 | 去識別化後可上雲端企業版 |
| L3 敏感 | 客戶名單、報價與成本、未公開財報、併購計畫、原始碼 | 競爭劣勢、客戶流失、可能被告 | 預設不進雲端；要用先遮罩＋過法遵 |
| L4 受監理 | 病歷、金融交易與帳戶、生物特徵、特種個資、政府機密 | 違法、裁罰、刑事責任 | 一律先過法遵；多數只能地端或禁用 |
多數人卡在 L2 和 L3 的界線。判斷法則很簡單：這份資料如果登上新聞，你只是丟臉，還是會被告？ 丟臉是 L2，會被告是 L3。這條線畫清楚，八成的糾結就解決了。更細的逐份自評，可搭配把客戶資料丟進 AI 前的風控合規。
每一級對應的 AI 用法（雲端 API、地端、禁用）
分完級，配用法。這是整套框架的核心：
| 資料級別 | 雲端 API／企業版 | 地端／私有部署 | 建議 |
|---|---|---|---|
| L1 公開 | ✅ | ✅ | 任何工具、任何版本 |
| L2 內部 | ✅ 企業版（合約不訓練） | ✅ | 免費版請先去識別化 |
| L3 敏感 | ⚠️ 原則不進，例外走企業版＋遮罩＋合約 | ✅ 較合適 | 逐案審核，不開放自助 |
| L4 受監理 | ❌ 多數禁止 | ⚠️ 地端也要合規 | 先法遵，再談技術 |
這裡要破一個常見誤解：「用企業版就等於安全」是錯的。企業版承諾不拿你的資料訓練，解決的是「會不會被學走」，不解決「這份資料本來就不該離開公司」。L3、L4 的問題不在訓練，在外流本身就是風險或違法。閉源雲端 AI 到底把你的資料放到哪一層、經過哪些人手，你其實看不到——這也是 Mistral 警告閉源 AI 的資料分層想提醒的事。
進 AI 前的四道關（遮罩、最小化、稽核、責任）
就算資料級別允許進 AI，也不是直接貼上去。要過四道關：
第一關，遮罩。 把姓名、電話、帳號、金額、日期等可辨識欄位換成假值或通則。但小心：單一欄位遮掉不代表安全，把「地區＋職稱＋成交金額」湊在一起，往往還是能反推是哪一家客戶。遮罩要看「重組後能不能再識別」，不是「有沒有把名字塗掉」。
第二關，最小化。 只給 AI 完成任務所需的最少資料。要它改一封信，就給那封信，別把整份客戶履歷貼上去。金管會的 AI 指引也把「資料最小化原則」列為核心——資料要「適當、相關且在必要範圍內」。這不只是合規，也是降低風險最省力的一招。
第三關，稽核。 誰、在什麼時候、把什麼資料、丟給哪個模型，要留得下紀錄、查得到。沒有日誌，出事時你連「到底外流了什麼」都說不清楚。
第四關，責任。 白紙黑字寫清楚：哪一級資料由誰核准進 AI、產出由誰審、出事由誰負責。這一關最常被跳過，卻最關鍵。把前三關寫成一份企業 AI 使用規範，責任才有落點，員工才知道界線在哪。
台灣受監理產業的額外要求
如果你在下列產業，前面的框架只是起點，法遵才是關卡：
- 醫療與健康：病歷、醫療、基因、健康檢查等屬於個資法第 6 條的「特種個人資料」，原則上禁止蒐集、處理、利用，例外要件很嚴格。把病歷丟進任何雲端 AI，預設就是踩線；個資法在 AI 場景還有哪些常踩的線，見AI 與個資法：最常踩的線。
- 金融業：金管會已於 2024 年 6 月發布「金融業運用人工智慧（AI）指引」，訂出治理問責、隱私保護等六大核心原則，並要求對第三方業者以合約明訂責任分工。客戶帳戶與交易資料，不是「小心點就好」的問題。
- 法律事務所：律師保密義務在先，案件資料未經當事人同意不該進 AI。
- 政府標案／國安相關：多數合約直接禁止，先看合約再說。
我們的立場很明確：受監理資料，一律先過法遵，不要讓現場人員自己判斷。 一篇文章、一份框架給你的是常識判斷，不是法律意見；這四種產業請找專業，別拿一篇教學決定合規。
我們的觀點：地端不等於治理完成
很多公司一聽到資料風險，第一反應是「那我們上地端／私有部署」。方向沒錯，但地端只解決了「資料不出境」，也就是治理的一半。
另一半——安全防護、輸出審核、稽核紀錄、責任歸屬——地端一樣要自己建，沒有雲端廠商幫你扛。搬到自己機房，不代表模型就不會產生錯誤輸出、不會被內部濫用、不會缺日誌。信任邊界該畫在哪、地端之後還有哪些洞要補，我們在台灣企業的 AI 資安信任邊界談得更細。
一句話收尾：分級決定方向，四道關決定落地，法遵決定底線。 三個都做到才叫治理；只搬地端，只是換了一個放資料的地方。
常見問題
小公司也要做到這麼細嗎？四級分類會不會太重？
不會，反而更該做。四級分類本身只是「幫資料貼標籤」，一個下午就能把公司常見的資料類型分完。小公司資源少，一次外洩或一次違法的代價相對更痛。重點不是文件多完整，是「有分過、有寫下來、員工知道 L3、L4 不能亂丟」。
用企業版（ChatGPT Team、Claude for Work）是不是就不用分級了？
不是。企業版合約解決的是「不拿你的資料訓練」，但敏感與受監理資料的風險在於「外流或使用本身」，不是訓練。客戶名單、財報、病歷這類資料，就算企業版也不該直接丟。它讓 L2 內部資料用得更安心，但 L3、L4 仍要走遮罩、法遵或地端。
資料去識別化之後，是不是就百分之百安全可以丟了？
不一定。去識別化能大幅降低風險，但要小心「重組再識別」——把地區、職稱、金額、時間等看似匿名的欄位拼起來，常常還是能反推是誰。判斷標準是「拼湊後能不能認出特定個人或公司」，不是「有沒有把名字塗掉」。特種個資即使去識別化，仍建議先確認法遵要件。
雲端 API 和地端，中小企業一開始該選哪個？
先看資料級別，不是先看技術。如果你日常處理的多是 L1、L2，雲端企業版最省成本也夠用；只有當你固定要處理 L3、L4，地端才值得投入。別為了少數敏感任務就把全公司搬地端，那是成本錯配。工具怎麼配，原則一樣：先看資料級別，再挑對應的版本與部署方式。