企业 AI 的数据边界，要落实到每一次调用

部署位置是起点

选择 SaaS 或企业私有化，需要同时考虑数据分类、模型供应方式、网络策略和运维责任。应用部署在企业内网，并不自动代表所有模型推理和外部工具调用也在内网完成。

方案设计时，应逐项列出数据存在哪里、哪些内容会被送入模型、由哪个服务执行，以及日志与备份如何保留。

质量工程师可以查询某工厂的检验记录，不等于可以查看集团所有工厂。权限设计应同时覆盖组织、数据对象、工具和动作类型。

读取库存、创建采购申请和确认采购订单，具有不同的业务影响。智能体的授权应具体到动作，关键写入应进入企业既有审批流程。

一次可审计的运行记录，应能串联发起人、使用的数据范围、调用的工具、相关能力版本、审批结果以及最终交付物。日志本身也需要脱敏和访问控制。

部署验收应包含权限不足、外部模型不可用、接口超时与重复提交等情况。只有明确异常时由谁接手、如何恢复，方案才具备持续运行的基础。