AI 服务多家公司,数据凭什么不串台——企业级 AI 的第一道门

一张截图引出的问题

周一早上，一位做企业服务的朋友发来一张截图。他公司的 AI 助手在回答 B 公司客户的续约问题时，顺口带出了 A 公司的合同金额。他先是一愣，随后后背发凉。这套系统本来是来帮他省事的，差一点却把两家客户的信任一起赔了进去。

他问我：是不是模型不够聪明？

不是。问题出在更靠前的一步：隔离边界没划清。

隔离，要先隔在哪三个维度上

同一支数字员工同时服务多家公司，"数据该按什么维度隔开"就决定了它是助手，还是隐患。落到工程上，企业级 AI 的隔离通常要看三个维度：

• 企业（Enterprise）
  ：不同企业之间的事实、文件、线索、交付物各自独立、各自成册，不能因为同一个人在用就悄悄混到一起。
• 工作区（Workspace）
  ：同一企业下不同业务线、不同项目的工作区，各自持有自己的工作数据与上下文。
• 账号（Account）
  ：同一个人往往同时管理多家公司或工作区，切换时要保证"人在边界之内"，而不是把所有数据堆成一个大池子，再靠自觉去分。

很多团队把注意力放在模型参数、响应速度和演示效果上，把"谁能看到什么"留到上线之后再补。可真实经营里，一条越界的数据，比一次回答不够漂亮要致命得多。

PMTSoul 的产品定位是"让企业拥有可被 AI 执行的通用系统"。这套系统的第一道门，恰恰不在模型层，而在数据层：先把"谁能看到什么"写死在企业、工作区、账号这三条边界上，再让 AI 在边界之内执行。能力可以是通用的，事实必须各归各家、互不越界。

隔离没做好的代价，行业里早有先例

隔离之所以被看作第一道门，是因为它一旦失守，代价往往是公开的。

2023 年 3 月，OpenAI 在官方说明中披露了一起 ChatGPT 事故：一个 Redis 客户端库的缺陷，导致部分在线用户的对话标题，乃至个别用户的支付信息，一度出现在其他人的界面里（来源：OpenAI 官方说明，2023 年 3 月）。

几乎同一时间，三星半导体部门被多家媒体曝出，有员工把内部代码与会议记录直接贴进了外部 AI 工具；三星随后收紧此类使用，并转向自建内部模型（来源：2023 年 4 月多家媒体报道）。

两件事指向同一个结论：无论 AI 能力多强，只要租户之间的边界是"事后补的"，风险就一直悬在头顶。企业真正要的，不是"相信它不会串台"，而是"即使它想串台，也串不了"。

你的下一步，是先问一个问题

如果你正准备把 AI 接进多个业务线、多个团队，甚至多个客户，那么在评估任何一套系统之前，请先问一个问题：

这套系统，是按什么维度隔离数据的？

• 只按"账号"隔离的，一旦同一个人管着多家公司，边界就开始模糊；
• 能清楚回答"企业、工作区、账号"三维各自独立、各归各家的，才值得进入下一步。

一个稳妥的起步方式，是先做小范围试点：把最敏感的那类数据放进隔离边界里跑通，确认它"看得见该看的、看不见不该看的"，再决定要不要扩大范围。隔离这件事，越早确认，越省心。