全部閱讀塗鴉實驗室 AI 應用系列 AI X 個人品牌閱讀筆記典藏

一張分類表，看懂哪些能丟、哪些要先處理、哪些絕對不能丟

企業內訓的資料，哪些能丟進 AI？

2026 Aug 05 AI 應用系列

內容目錄

企業內訓的資料能不能丟進 AI，關鍵在於揭不揭得出特定的人或機構。

已公開資料與去識別過的通則可以直接丟，學員名單與客戶案例要先去識別化再丟。

國防、病歷、法律個案、未公開財務數字這類受保密義務與法規約束，上傳這個動作本身就是外洩，一律不丟雲端。

一份簡報裡有員工資料，能不能貼給 ChatGPT 整理，一份客訴紀錄能不能丟給 Gemini 抓重點，這類問題沒有一個現成的判斷標準可以照著走，被問到的時候，通常也只能憑感覺回答，說得出「應該可以吧」，也說得出「這個好像不太好」。

雲端 AI 很好用，速度快、整理得又乾淨，真正的風險藏在另一個地方，資料一旦上傳，就沒有辦法收回了，這篇整理一張可以直接照著用的判斷表，讓講師跟企業內訓窗口下次遇到這個問題，不用再憑感覺回答。

以下的分類、設定路徑與版本資訊都以 2026 年 8 月的現況為準。

1三類資料，一張表看懂

把企業內訓常見的資料攤開來看，大致可以分成三層，層次越往下，風險越高，處理方式也越不一樣，先把這張表記起來，之後每次遇到「這份資料能不能丟」都可以直接對照。

可以直接丟

已公開的資料（官網資訊、公開報告、公開的產業數據）、去識別過的通則（拿掉人名公司名之後的方法論與流程框架）、自己寫的教材架構（大綱、流程圖、練習題設計）。

要先去識別化再丟

學員名單、企業內部流程文件、客戶案例、薪資與人事資料，這類資料處理過再丟，才是可以動的範圍。

這裡的薪資與人事資料指的是對應得到特定個人的個資，公司整體未公開的財務數字屬於下一層。

絕對不要丟雲端

涉及國防的資料、醫療病歷、法律個案、未公開財務數字，這幾類就算先做過去識別化也不夠。

關掉訓練開關擋得住資料被拿去訓練，擋不住上傳這個動作，這幾類受保密義務與法規約束，送到別人的伺服器就已經算外洩，一律不進雲端 AI。

2為什麼有些資料丟進語料庫就收不回來

幾個月前，我遇到一位在軍方單位服務的大哥，他問我該推薦哪些 AI 工具，我的第一個反應是直接告訴他，你們手上那些東西不能進雲端 AI，這句話聽起來像在潑冷水，背後的原因其實很直接。

ChatGPT、Gemini、Claude 這類雲端 AI，使用者輸入的每一個字都會送到遠端伺服器處理，如果訓練開關是打開的，這些對話內容就有機會被拿去訓練下一版模型，讓 AI 變得更聰明，代價是這份資料留在別人的系統裡，不會因為你事後反悔就消失。

投影片：並非每一句對話都直接丟去訓練，多數平台更常見的說法是用來改善服務、提升品質、維護安全 — 平台不會逐句拿去訓練，更常見的說法是拿來改善服務、提升品質、維護安全，所以重點還是回到各平台的設定與政策。

一般的教材內容進了訓練語料庫，不至於造成個資外洩，但那是你自己的營業資產，等於無償交出去，這一點要先想清楚。

而軍方、法律、醫療、金融這類領域的資料，一旦被學進模型裡，就沒有辦法要求 AI 公司把這段記憶單獨挖出來刪掉，訓練資料不像檔案，沒有一個可以指名道姓刪除的位置。

有人會問，那把訓練開關關掉不就好了，關掉確實擋得住資料被學進模型，擋不住的是上傳這個動作，最後一層那幾類資料受保密義務與法規約束，送到別人的伺服器就已經算外洩，這才是它們被畫在最後一層的真正原因，也是我當時直接建議那位大哥走地端 AI 的理由。

3要先去識別化的資料，四個具體動作

學員名單、企業內部流程文件、客戶案例、薪資與人事資料，都落在中間這一層，去識別化不能只停在一句「注意隱私」，要做的是下面四件事。

→把人名換成代號

學員名單、內部流程文件裡出現的具體姓名，一律換成代號或角色稱呼，例如「學員 A」「窗口承辦人」，不寫真名，也不留下能反查出本人的暱稱或職稱組合。

→把公司名換成產業別加規模

客戶案例最容易外洩的就是公司名稱，改寫成「南部一家五十人規模的傳產製造業」這類敘述，案例的教學價值還在，能反查到的線索先拿掉。

→把具體金額換成級距

薪資、預算、營收這類數字，只要出現具體金額就有反查風險，改寫成「月薪落在四到五萬之間」「單筆採購在百萬級距」這類區間表述。

→把日期模糊到月

內部流程文件裡的具體日期組合起來，往往能反查出是哪一場活動、哪一次會議，寫教材時把日期模糊到月份就好，不需要精確到日。

4那我不能用 AI 了嗎？分流才是重點

這時候會出現一個合理的疑問，那是不是乾脆都不要用 AI 了，其實不用走到這一步，多數教材工作用雲端 AI 加上關掉訓練開關就夠，真正敏感的資料才需要考慮地端模型，或者乾脆不進 AI。

ChatGPT
設定 → 資料控制 →「為所有人改善模型」關閉，關掉後對話紀錄還在，不影響使用。

Gemini
設定裡的「保留活動」（Keep Activity，舊版介面叫 Gemini Apps Activity）關閉。
關掉之後的新對話：不會再進活動紀錄，也不會拿去訓練模型，系統只暫存七十二小時。
既有的舊對話：不會自動刪除，要清得另外手動刪。

Claude
Free、Pro、Max 方案的使用者，在隱私設定裡可以選擇要不要提供資料訓練模型。

Anthropic 在 2025 年 8 月更新消費者條款，Free、Pro、Max 方案的使用者，首次使用或條款更新時會被要求做一次選擇，決定要不要提供資料訓練模型，選擇提供的保留期是五年，選擇不提供則維持三十天（Anthropic 官方公告，2025 年 8 月）。

三家平台的設定路徑跟按鈕名稱，各版本用詞可能不同，實際以設定頁面顯示的文字為準。

投影片：關掉訓練後資料還可能暫存，安全合規、違規審查、系統除錯仍可能需要後台暫存 — 安全合規、違規審查、系統除錯這幾種情況，仍可能需要後台暫存，關閉訓練可以降低被拿去訓練的風險，不代表完全不留存。

以上這幾條規則都只適用於消費版，Anthropic 官方說明寫得很明確，Claude for Work（Team、Enterprise 方案）與 API 預設不會把使用者的輸入或輸出拿去訓練模型（Anthropic Privacy Center）。

Google Workspace 的官方說明也寫，企業客戶在 Gemini 裡的內容，沒有經過授權不會被拿去訓練模型、也不會被人工審閱（Google Workspace 說明中心）。

OpenAI 的企業與團隊方案也有類似的資料承諾，官方條款頁面擋掉了非瀏覽器的存取，這裡不放連結，請直接用瀏覽器開 openai.com 的隱私與商業條款頁面看當下的版本。

同一套工具，個人版跟企業版適用的資料政策不一樣，導入前第一件事就是先確認公司買的是哪一種。

投影片：訂閱企業版能降低外流風險、模型訓練風險與人工審閱風險，但保密義務、個資法、內部資安規範、採購與內控要求不會消失 — 企業版能降低外流、模型訓練與人工審閱的風險，保密義務、個資法、內部資安規範、採購與內控要求不會因此消失，它像是更安全的工作環境，改變不了資料本身的法律屬性。

最後一層那類資料還有一條路，把模型下載到自己的設備上跑，資料不上傳、不經過別人的伺服器，例如 Google 的開源系列 Gemma 4，這條路需要 IT 或技術人員協助部署。

這也不是講師自己電腦點一點就能跑起來的方案，適合的做法是把需求整理清楚，交給公司內部的技術窗口評估。

把前面講的收成一條可以照著走的流程，實際只有三步。

判斷資料屬於哪一層

先套用前面的三類判斷表，確認這份資料是能直接丟、要先去識別化、還是絕對不能上雲端。

中間層資料做完四個動作再丟

代號化、產業別加規模、金額級距化、日期模糊到月，四個動作做完再貼進雲端 AI，同時打開設定頁確認訓練開關的現況。

最後一層資料改用地端或乾脆不進 AI

真正敏感的資料，交給 IT 或技術人員評估地端模型的可行性，評估不下去的話，這份資料就先不進 AI，人工處理也是一個選項。

資料能不能丟，最後還是要看你自己的判斷

這張判斷表是起點，實際導入還要對上貴公司的資安規範與保密協議，以及各平台當下的條款，以上都以 2026 年 8 月查到的公開資訊為準，不構成法律意見，想把 AI 工具用得更有章法的話，AI 全能宇宙｜講師班是實體工作坊，帶著自己的教材來現場操作。

5常見問題

Q1企業內訓的學員名單可以直接丟給 ChatGPT 整理嗎？

不建議直接丟，學員名單裡的姓名、聯絡方式屬於要先去識別化的資料，把姓名換成代號、聯絡方式拿掉之後再整理，才符合前面說的第二層做法。

Q2客戶案例要怎麼去識別化才安全？

把公司名稱換成產業別加規模的描述，把具體金額換成級距，把日期模糊到月，人名換成代號，四個動作做完，案例的教學價值還在，被反查出是哪一家公司的風險也會大幅降低，多項細節組合起來仍有可能被辨識出來，愈敏感的案例愈要保守。

Q3為什麼國防、醫療這類資料不能上雲端 AI？

判斷的對象是資料本身，同一個單位的公開活動文宣可以丟，內部的國防資料、病歷、法律個案就不行。訓練開關打開時，對話內容有機會被學進訓練語料庫，事後沒有辦法要求 AI 公司單獨挖出來刪除；就算關掉開關，這幾類資料受保密義務與法規約束，送到別人的伺服器就已經算外洩，這種不可逆的風險是它們被畫在最後一層的原因。

Q4關掉訓練開關，資料就完全安全了嗎？

關掉訓練開關能避免資料被拿去訓練下一版模型，但資料還是會送到遠端伺服器處理，也會依照該平台的保留政策存放一段時間，真正不能外流的資料，訓練開關不是唯一的防線，還是要回到不進雲端這個選項。

Q5地端模型一般企業內訓用得到嗎？跟雲端 AI 有什麼不同？

用得到，但需要 IT 或技術人員協助評估與部署，不是講師自己就能決定的事，比較實際的做法是先用三類判斷表篩出真正敏感的資料，如果篩完發現落在最後一層的內容有限，就不必為了少數幾份資料付出整套部署成本，先分流，再決定要不要花這筆錢。