企业如何管理AI带来的数据安全风险？

• 员工使用公网AI工具输入企业内部数据会产生哪些具体威胁？
  三大威胁链路：① 训练数据泄露——部分模型服务商将用户输入用于持续训练，后续用户可通过特定提示词诱导模型吐出历史数据；② 提示词注入攻击——恶意构造的输入可能使模型忽略安全限制，返回其他用户的敏感信息；③ 侧信道还原——通过分析模型响应长度、置信度分布或嵌入向量，反推输入中包含的稀有标识符（如身份证号）。已有真实案例：员工将包含API密钥的代码粘贴至ChatGPT，72小时后密钥被用于发起非法调用。
• 企业应制定什么样的AI使用政策与管控手段？
  建议发布“三层分级管控矩阵”：红区（禁止输入：个人身份信息、源代码、未公开财务数据、客户联系方式）——通过DLP网关自动拦截并告警；黄区（经脱敏后可输入：去掉直接标识符的产品文档、通用技术问题）——需使用企业级代理，自动替换实体为类别标签；绿区（可直接输入：公开技术规范、行业白皮书）。同时部署AI访问控制代理（如Cloudflare AI Gateway），记录所有请求/响应日志，并支持实时撤销。
• 推荐哪些技术架构来保障AI应用的数据安全？
  推荐私有化检索增强生成（RAG） + 零信任推理架构：将企业内部文档切分后存入本地向量数据库（如Milvus、Qdrant），LLM仅被授予检索权限，无法直接访问原始文档。每次推理前执行数据脱敏管道——识别并替换个人姓名、身份证、税号等实体，推理后再还原。对于极高敏感场景，采用同态加密推理或可信执行环境（TEE） 运行模型，但需评估性能开销（通常增加5~20倍延迟）。