数据放在哪:三种部署方式的数据路径对照,决定 AI 能否进入核心业务
“这套 AI 上线以后,我们的数据最后存在哪里?会不会跑出公司?”
这几乎是每个 IT 负责人在智能体项目立项会上都会被问到的一句话。问的人通常不是技术出身,但直觉很准:一项 AI 任务要跑起来,数据必然要离开原来的系统,去某个地方被读取、被理解、被处理、被写回。真正需要回答的不是“要不要动数据”,而是数据动了哪几段、每段停在哪里、谁能看见、留多久。
本文不谈抽象的“安全”,而是用一条真实任务的完整数据旅程做主线,把公有云、私有化、混合三种部署方式的数据路径逐段拆开对照,帮你在选型会上把“数据放在哪:三种部署方式的数据路径对照”这张图讲清楚,也讲清楚哪些控制点其实是与部署方式无关的。
一、先定义:一条 AI 任务的数据路径有哪五段
在讨论“数据放在哪”之前,得先承认一件事:数据不会只停在一个地方。一项任务从发起到交付结果,通常要经过五段路径,任何一段没交代清楚,整条链路就说不明白。
- 取数段:数据从源系统被读出来的位置。有接口的系统走接口,没有接口的老系统靠在本机界面操作,文件和表格从文件目录读取,判断依据从知识库检索。
- 传输段:从源系统到执行环境之间的那一段。这一段最容易在架构图里被画成一根箭头,实际上它决定了数据是否跨出了企业网络边界。
- 处理段:模型推理发生的地方。原文是被完整送出,还是只送出必要字段,这一段的差别比“用哪个模型”大得多。
- 落存段:中间结果、过程记录、生成的文件保存到哪里、保存多久、谁能调取。
- 回流段:结果写回哪个系统、由谁核对、失败项怎么退回来。
在 Soiawork 中,这五段是可以逐一对应的:取数入口是枚举式的——连接器取系统数据、文件空间读文件、知识库查判断依据、设备(Soia Worker)在授权范围内操作本机软件;处理与编排发生在工作空间里;结果与异常通过工作流固定步骤、自动任务定时触发来交付。入口清楚,路径才可审计;路径可审计,才谈得上选部署方式。
二、方式一:公有云部署的数据路径
2.1 路径形态:短、集中,也最需要解释
公有云(SaaS)方式下,取数、传输、处理、落存大多发生在服务商侧的同一套环境里。数据路径最短,部署最快,但“最需要解释”的原因也在这里:它是唯一一种默认会让数据跨出企业网络边界的方式。
- 取数段:连接器从企业侧系统按授权字段读取,凭证由企业方配置和回收。
- 传输段:需要明确是走公网加密通道,还是企业侧出口统一管控。
- 处理段:需要明确原文是否完整进入推理环节,还是先做字段裁剪。
- 落存段:需要明确留存周期、是否用于模型训练、子处理者有哪些。
2.2 适合什么样的起点
公有云方式适合那些数据敏感度不高、但重复度极高的任务:公开信息采集与整理、脱敏后的经营数据汇总、内容初稿生成、网页后台的信息核对。这类任务的价值在于把人从重复劳动里换出来,风险敞口相对可控。
2.3 三个必须写进方案的问题
- 哪些字段可以出域,哪些必须裁剪或脱敏后再出域。
- 数据在服务商侧留存多久,任务结束后以什么方式清理。
- 出现异常时,企业侧能否拿到完整的操作记录与失败清单。
在 Soiawork 中,这三件事有明确的落点:工作空间可以把同一项任务共用的业务背景、文件和资源绑定在一起,并按查看、使用、编辑、管理分别授权;工作空间说明里只写业务背景与执行边界,不写密码、密钥等凭证材料,凭证由连接器单独管理。这一条看似细节,实际上决定了数据路径上最容易被忽视的泄露口。
三、方式二:私有化部署的数据路径
3.1 路径形态:不出域,但每一段都要自己兜住
私有化(本地)部署把取数、传输、处理、落存全部收在企业自己的网络里。数据不跨边界,这是它最直接的价值;代价是路径变长、责任变重——模型服务、存储、更新、运维都在企业内部,出了问题没有“服务商侧”可以推。
- 取数段:与企业现有系统同网,接口调用不出内网。
- 传输段:从源系统到推理环境的内部链路,需要纳入既有网络分区管理。
- 处理段:推理能力由企业内部承载,能力上限与版本节奏由企业自己决定。
- 落存段:过程记录与生成文件落在企业存储上,留存策略与备份策略沿用既有制度。
3.2 适合什么样的场景
私有化更适合核心业务数据 + 强监管要求的组合:财务凭证相关数据、供应链成本数据、尚未公开的经营指标、涉及个人信息较多的招聘与人事流程。这类数据一旦出域,问题不是效率问题,而是合规问题。
3.3 私有化不等于自动安全
这一点值得单独强调:私有化解决的是“数据不出去”,不解决“谁在内部看了什么”。如果权限没有分级、操作没有记录、失败项没有清单,数据只是从“出去了”变成“在家里被随便看”。所以在私有化方案里,权限模型与审计留痕的权重,往往比模型参数更高。
在 Soiawork 中,工作空间支持多项目隔离,不同部门、不同团队分区管理,权限与资料互不打扰;资源快照可以一键保存当前配置和资料版本,出问题时能对比、能回滚。这两项能力对私有化环境尤其关键——没有快照和隔离,私有化环境会迅速变成一团无法复盘的配置堆。
四、方式三:混合部署的数据路径
4.1 路径形态:分层,关键是划清界线
混合部署不是“一半云一半本地”这么模糊。它的本质是按数据敏感度分层:敏感的原文留在内网完成取数与处理,只把必要的结构化结果或摘要送出;或者反过来,编排与调度在外,实际执行在内。
- 取数段:敏感源系统只在内网侧被读取,不跨越边界。
- 传输段:边界上只流动裁剪后的字段、摘要或状态,不流动原文。
- 处理段:需要判断哪些判断在内网做、哪些在外部做,界线的位置决定整条路径的性质。
- 落存段:原文留在内网,过程记录与结果按敏感级别分别存放。
- 回流段:写回动作在内网侧完成,回读核对也在内网侧完成。
4.2 混合方式真正的难点
难点不在架构,而在界线的可验证性。方案里写“敏感数据不出内网”很容易,难的是每次任务执行时,真的能证明它没出去。所以混合部署方案里必须包含两样东西:一是授权范围先于数据流动,先确认系统、账号、字段与操作范围,再执行;二是逐条记录来源与目标,让每一次搬运都能回溯到“从哪来、到哪去”。
五、一张表看懂三种方式的数据路径差异
| 数据路径环节 | 公有云部署 | 私有化部署 | 混合部署 |
|---|---|---|---|
| 取数段 | 连接器按授权字段读取,跨边界 | 同网读取,不出内网 | 敏感源仅内网读取 |
| 传输段 | 需明确通道与出口管控 | 纳入既有网络分区 | 边界只走裁剪字段与摘要 |
| 处理段 | 需明确原文是否完整送入 | 能力与版本由企业内部承载 | 按界线分内外两侧 |
| 落存段 | 需明确留存周期与用途 | 沿用企业存储与备份制度 | 按敏感级别分库存放 |
| 回流段 | 结果回写 + 人工核对 | 内网写回 + 回读核对 | 内网写回 + 内外双向核对 |
| 主要风险 | 出域范围失控 | 内部权限失控 | 界线不可验证 |
这张表能回答“数据放在哪”,但回答不了“数据会不会被乱用”。后者取决于下一节。
六、比部署方式更重要的四个控制点
6.1 授权范围先于数据流动
任何任务在执行前,先确认对象与授权:哪些系统、哪个账号、哪些字段、允许做哪些操作。授权不清,路径再短也不安全。在 Soiawork 中,这一步通过连接器与凭证的配置、工作空间的权限分级来完成,而不是靠口头约定。
6.2 每条数据要有来源与目标记录
这是老系统数据搬运场景的核心经验。在复现验证环境中,这类任务的执行路径是:确认对象与授权 → 按规则执行搬运(查询、录入或同步,逐条记录来源与目标)→ 回读核对,检查是否写入成功、状态是否一致 → 输出处理结果与失败清单,失败项附带原因与恢复方式。结果是无接口系统也能进入 AI 工作流,且每条搬运都有来源与目标记录。
6.3 失败清单比成功结果更有价值
AI 任务出错不可怕,可怕的是错了没人知道错了。失败项单独列出、附原因与恢复方式,才能让人接手。在 Soiawork 中,这由工作流把固定步骤串起来、把异常分支显式定义;需要持续发生时,再交给自动任务按时运行。
6.4 有效方法要能沉淀
一项任务跑通一次不算能力,跑通一百次才算。技能的作用就是把已验证的方法保存下来重复使用,让数据路径从“每次重新设计”变成“每次按同一路径走”。这在数据治理上的意义是:路径固定了,审计才有稳定对象。
七、三个常见误区
- 误区一:私有化就等于安全。私有化只改变数据停在哪,不改变谁能看、谁在用、有没有记录。
- 误区二:公有云就一定不可控。可控与否取决于授权粒度、字段裁剪和留存约定,而不是单一部署形态。
- 误区三:部署方式定了,数据路径就定了。恰恰相反,同一套部署形态下,任务设计不同,数据路径可能完全不同。先设计任务,再选部署,顺序不能反。
需要说明的是,具体采用哪种部署形态、边界如何约定,最终仍需企业安全、法务与业务责任人共同确认,平台能力提供的是可配置、可记录、可回读的执行基础。
八、从一项任务开始试跑
数据放在哪:三种部署方式的数据路径对照,本质上不是一道技术选择题,而是一次对“我们能接受数据走到哪一步”的集体确认。建议的推进方式是:从一项每天或每周重复、输入输出清楚、有明确验收人的任务开始试跑;跑之前先画一遍五段路径,跑之后核对结果与异常,看看失败清单是否真实可用、来源记录是否经得起追问;确认这条路径站得住,再决定是否扩大范围。Soiawork 让智能生长,让工作进化——生长从来是从一小块地方开始的。
常见问题解答
1. 上 AI 是不是要先改造现有系统?
不一定。改造的必要性取决于任务。如果只是查询、录入、同步、汇总,很多情况下不需要动源系统,通过连接器读取,或通过设备在本机界面上按授权范围操作即可。改造的优先级应该在“路径确实跑不通”时再提。
2. 数据和权限到底怎么控制?
三层:一是账号与凭证单独管理,不写进任务说明里;二是权限按查看、使用、编辑、管理分别授予,不同部门分区隔离;三是每次执行留下来源、目标与失败记录。三层齐了,才谈得上可控。
3. AI 做错了谁负责?
分工要前置写清楚:业务负责人确认目标、范围、规则与完成标准;一线人员提供真实样例并验收结果;IT 确认系统条件、账号范围与连接方式。涉及资金、质量责任、账号权限等高风险影响时,由授权人员确认,AI 不替代责任人判断。
4. 我们系统很老、没有接口,还能做吗?
可以进入工作流。在复现验证环境中,无稳定接口的系统之间的数据搬运已被验证可行:确认授权后按规则执行,逐条记录来源与目标,执行后回读核对,失败项单独列出并附恢复方式。
5. 和现有的 RPA、BI 是什么关系?
BI 解决“看见”,RPA 解决“按固定规则点击”,而 AI 组织解决的是“在授权范围内取数、判断、执行、说明异常并把方法沉淀下来”。三者不冲突,AI 组织通常是在既有自动化与报表之上补上理解与协同的那一层。



