AI 大模型做数据分析，最直接的变化是效率：两三千行的明细，过去要拆表、写公式、做透视，现在一句话出结论。但效率的另一面是暴露面——让人睡不着的，不是模型算错，而是敏感数据得先离开自己的环境才有结果。

一、风险的真正落点

IBM《2025 数据泄露成本报告》有两个数字值得记住：13% 的组织遭遇过 AI 相关的数据泄露，60% 因此丢失大量敏感数据；影子 AI 一出问题，平均让泄露成本多出 67 万美元。OWASP 大模型十大风险 2025 版里，“敏感信息泄露”排在第二位。

放大风险的环节有四个：上传、交给服务方处理、云端留痕、被反复读取。而最敏感的数据最常被反复分析——工资台账、客户名单、成本结构，都是被“再算一遍”的对象。风险不是一次性的，是随调用次数累加。

访问控制、脱敏、防泄漏、水印、审计、风险监测，这六件套该用还得用，但前提是数据已经在流动，降低的是泄露后的损失，不是被交出去的次数。更省力的方向是反的：能不送就不送。

二、把“逻辑”和“数据”拆开

传统做法是把原始数据喂给模型，让它一边理解数据、一边出结论，换个人重做同口径报表，数据就要再送一次。脚本复用相反：大模型只把分析口径写成可执行的处理逻辑、固化成脚本，干活时是脚本在本机数据文件上跑。

图一：数据留在本机，逻辑复用，报告按需联网。

数以轻舟走的是这条路：本地安装，数据文件本地处理，不进聊天框、不传第三方 SaaS；一句话生成分析脚本，存下来就是可复用资产。同一口径再遇到，直接调用已固化的逻辑，无需联网、不再消耗 token，结果和上次一致——口径稳定本身也是一种安全。

图二：本地脚本匹配表单后即可运行。

结果要整理成可编辑的 Word 或 PPT 报告时，数以轻舟才通过模型接口成文排版。联网还在，但明确、低频、可审计，不必每做一张表都重走一遍。

三、边界比结论更重要

这套思路压缩的是“数据要不要外送”这个源头风险，替代不了完整防护：本机中木马、权限混乱，它管不了；生成报告那一步数据会参与模型调用，仍需访问控制与审计兜底；账号、制度、留存周期还得靠流程。

数据敏感、高频处理表格的团队，三条自检：能不外送的绝不外送；把口径固化成脚本，而不是每次重新提问；把联网动作收窄到最少一环。数据安全不是买个工具就结束，但在工具这一环，让数据少流动是最省力的起点。