这是一个虚构但很典型的案例：小周是一位经营十几人规模小公司或门店的老板，最近手头在忙“面试 2 名新员工”，同时还要准备“制定第四季度销售目标”。这次小周需要整理一份给合伙人和员工的公司制度，决定试试 AI 隐私数据脱敏。

背景

对小周来说，既要管业务又要管人和钱，很多文书、制度、宣传材料没有专人负责。偏偏这次还遇到一个变数：主要原材料价格上涨，毛利可能被压缩。公司制度需要尽快交给合伙人和员工，时间并不宽裕。

第一次尝试：问题出在哪

小周一开始只写了一句话：

帮我写一份关于“门店第四季度促销计划”的公司制度。

结果 AI 给出的内容四平八稳却用不上。复盘下来，主要有两个问题：

  • 直接上传完整的原始资料。
  • 以为脱敏后就可以随意使用。

改进后的提示词

小周按照隐私数据脱敏的思路重写了提示词，核心是判断任务是否真正需要这些信息：

（注意：这条提示词用于生成脱敏规则，不要把真实数据发给 AI）
我是小老板，需要用 AI 处理一类包含敏感信息的资料，资料可能涉及：员工个人信息、公司账目和合同细节。
请帮我：
1. 列出这类资料中常见的敏感信息类型；
2. 为每种类型设计脱敏方式（删除 / 代号替换 / 模糊化 / 虚构替代）；
3. 说明哪些信息删除后会影响任务效果，以及替代办法；
4. 给出一份脱敏后的检查清单。

结果（示意）

下面的效果为虚构演示，用来说明这类改进通常带来的变化：

示例（虚构）：一位 HR 需要让 AI 帮忙分析离职面谈记录中的共性原因。她先把员工姓名替换为“员工 1、员工 2”，删除部门和入职日期等可识别信息，再交给 AI 分析。AI 总结出的原因依然准确，而原始记录始终保存在公司内部。

拿到结果后，小周没有直接转发，而是先检查关键事实和数字，再补上 AI 不知道的背景。

复盘：这次用到的方法

  • 用一致的代号替换，例如“客户 A”“员工 B”，并保留对照表在本地。
  • 对数字类敏感数据，可以按比例缩放或用虚构数据代替。
  • 检查脱敏后的资料，确认没有遗漏。
  • 先判断任务需要哪些信息，删除或替换不必要的敏感信息。

之后小周发现，同样的方法也适用于另一类场景：整理合同、聊天记录、邮件等可能包含敏感内容的文本。

复盘时小周还想到一个问题：有自动脱敏的工具吗？答案是：有一些工具和脚本可以识别常见的敏感信息，但仍需人工检查。

给小老板的提醒

把 AI 当作随叫随到的文员和参谋，先让它起草，再按公司实际修改。劳动用工、税务和合同相关内容涉及法律责任，AI 的回答只能参考，不能替代专业意见。另外，对话里不要出现员工个人信息、公司账目和合同细节。

一个额外的小技巧：对高度敏感的资料，考虑使用本地模型处理。

如果你也是小老板

可以先从“处理一笔逾期应收款”或“更新公司宣传册”这样的小任务开始练习隐私数据脱敏，熟练之后再用到公司制度这类更正式的材料上。每次记录一下哪句提示词最管用，慢慢就有了自己的模板。

相关阅读