公司数据不能外传，又想让 AI 帮忙做分析，是不是只能在本地装一个大模型？
前几天，一个小伙伴就是这么问我的。
最开始他只是问我买电脑怎么选。我说现在同价位的电脑差别没有想象中那么大，性能满足日常办公以后，选自己喜欢的就行。
隔了一天，他又补了一句：如果我要本地部署，应该选哪款？
我愣了一下。
一个刚开始接触 AI 的小白，怎么突然研究起本地部署了？
细问才知道，领导让他做一份经营数据分析。公司有数据安全要求，真实数据不能传到外部平台。他想得很直接：在自己电脑上跑一个大模型，数据不就不用出去了？
到这里我明白了第一层：他不是想研究大模型，是被数据安全卡住了。
用 Python 读取，数据就不会出去吗？
他接着又问了我一个问题。
他说用 WorkBuddy 的时候，自己没告诉它数据在哪，它直接就把电脑上的文件读了。他问 WorkBuddy 怎么做到的，WorkBuddy 说是用 Python 读的。
他就问我：用 Python 读的，是不是说明数据没出电脑，不会泄露？
不是这么判断的。
Python 只是读文件的一种方式，跟大模型在哪里运行是两回事。数据有没有离开你的电脑，要看模型服务跑在哪、数据走了什么路径，还跟具体的产品版本和企业配置有关。
简单说，“能操作本地文件”和“所有数据都在本地处理”，是两件事。
这一点他之前没有搞清楚。
但聊到这里，我发现问题还不只是数据安全。
他真正想要的，是一键出报告
我又多问了一句：
“你想要的效果，是不是把公司数据放进去，AI 先给你一版分析。你调整几次以后，以后每次放入新数据，就能直接生成报告，甚至连网页和 PPT 都一起做好？”
他说：是的。
到这里就全明白了。
表面上，他来问的是买什么电脑、数据安不安全。底下真正驱动他的，是一个我太熟悉的期待：一键产出。
把数据放进去，AI 出一份分析报告，改改就能交差。
这个期待不是他一个人有。几乎每个来找我聊 AI 办公的人，心里都装着差不多的画面。
但我得说实话：把一堆真实数据直接扔给 AI，就想拿到一份能交的分析报告，没那么简单。
AI 当然能生成一份看起来像报告的东西。
但它采用的分析方法对不对？指标口径是不是领导关心的？报告里的数字，是真从数据里算出来的，还是模型根据常见情况补出来的？
还有最麻烦的：它说某家门店异常，是真的有业务依据，还是只是听起来像那么回事？
这些问题你答不上来，报告做得再漂亮，也不敢直接交。
一份能交的分析报告，要拆成三步
我给他的建议是：别想一步到位，把任务拆成三步。
第一步，让大模型帮你设计分析方法
这一步先不碰真实经营数据。
但“不碰真实数据”不等于什么都可以说。如果字段名称、业务规则本身也属于公司敏感信息，同样要先脱敏；公司制度明确不允许输入外部平台的，就不要自行判断可以上传。
把业务背景、脱敏后的字段结构、领导想解决的问题，还有最终要交什么形式，告诉大模型。
比如：
我们是一家零售企业，有各门店每月的销售额、费用金额和费用类型。领导想看费效比变化趋势，找出异常波动的门店，最后需要一份包含核心结论、趋势图和异常清单的分析报告。
让大模型帮你想清楚：
看哪些指标，口径怎么定； 数据按什么维度分析，什么情况算异常； 报告分成几个部分，需要配什么图表。
这一步拿到的不是最终结论，是一份你能检查、能改的分析方案。
方法对不对，这一步就能判断。
第二步，把方法拿回公司，用本地工具算真实数据
方法确认以后，再用 Excel、Power Query 或公司内部系统处理真实数据。
还是刚才那个例子。这一步要真正算出来的东西：各门店每月的费效比、月度环比和同比变化、波动超过阈值的门店清单，以及报告需要的图表底表。
用什么工具不是重点，重点是真实数据的计算在公司允许的环境里完成，每个结果都能回到原始数据核对。
这一步只解决一个问题：数字到底是多少。
第三步，由了解业务的人判断结论怎么写
数字算对了，不等于分析就对了。
某家门店费用突然上升，可能是经营异常，也可能是新店开业、集中装修，或者费用入账时间发生了变化。AI 看到的是数据变化，了解业务的人才知道变化背后是什么。
哪些异常值得写进报告，哪些变化属于正常业务，领导最应该先看到什么，这些只有你能定。
哪些结论还得找业务部门确认，哪些判断现在证据不足不能急着下，也得由你来把关。
最后形成的交付，可以是一页核心结论、两三张趋势图、一张异常门店清单，再加上数据口径和待确认事项。
到这里，它才是一份真正能拿去沟通、能继续复核的分析报告。
一句话说就是：外部大模型负责想方法，本地工具负责算数据，人负责做判断。
本地部署解决的是安全边界，不是结果验收
他听完以后说：懂了。
后来我又想了想这个案例。它有意思的地方不只是数据安全。
就算公司真的部署了一套本地大模型，数据可以在合规环境里跑，一键产出的坑还是一样。
本地部署解决的是数据边界，分析质量它管不了。
整个任务一次性交给 AI，它给你一个最终结果，你只能看“像不像那么回事”。像，你可能就交了。不像，你也说不清哪一步出的问题。
拆开做就不一样。方法对不对，第一步就能验；数字有没有算错，第二步就能查；结论站不站得住，第三步你自己判断。
真正能复用的，不是一个“一键生成报告”的提示词，是一套每一步都验得了的流程。
下次你想用 AI 做数据分析，先别急着上传文件。先想清楚三件事：
哪些信息可以拿给外部大模型讨论，哪些真实数据必须留在本地？ 每个指标用什么工具计算，怎么回到原始数据核对？ 哪些结论必须由了解业务的人来定？
这三件事想明白了，AI 才是在帮你做报告，而不是替你生成一份“看起来像报告”的东西。
外部大模型负责想方法，本地工具负责算数据，人负责做判断。
能拆、能验、能交付，才是一份真正能交的分析报告。
我是老纪，不做 AI 工具介绍，也不做提示词搬运。 我用真实财务任务测试国产 AI，把跑通步骤、失败记录和验收方法，沉淀成 AI 小白也能照做的办公工作流。
另外，我在朋友圈会发一些没法写成文章的AI实践：半成品的思路、踩坑的过程、正在搭的课程片段。 加我微信看：LaojiAI2077