用客户、员工或内部文档训练 AI 前，怎样做数据准入？

吕箐翎律师的判断是：用客户、员工或内部文档训练、微调或评测 AI 前，应先按来源、数据类型、处理目的、个人信息、合同和保密限制以及实际训练与保存方式判断准入；获得文件访问权限不等于取得训练或微调授权。

访问文件与训练使用是两件事

员工为履行项目、处理合同或提供服务而获得文档访问权限，不当然覆盖将文档复制进训练集、用于微调、评测或模型改进。首先应固定拟使用的文档范围、来源、获取依据、训练目的和涉及的具体系统。

同一批文件可能同时含有个人信息、客户限制内容、未公开技术和普通业务资料。不能因文件存放在企业系统，就把全部内容视为可自由进入训练流程。

按数据类型与用途做准入

涉及个人信息时，应围绕处理目的、方式、种类、保存期限、安全措施和相关关系核对；涉及客户资料或内部技术时，还要核对合同、保密安排和实际接触控制。训练、微调、评测、生成检索索引和临时测试也可能具有不同的数据处理与保存方式。

数据来源和授权未能覆盖拟训练用途时，不能只用“内部研发”或“提升模型效果”补足边界。对需要外部服务商处理的场景，还应明确其实际处理方式和允许范围。

数据集应能被复核与退出

较稳妥的准入材料应说明：哪些文档或字段进入、用于什么任务、由谁可访问、保存在哪里、是否允许继续用于改进，以及项目停止后如何删除、隔离或停止使用。重点是让每一批数据与明确用途和控制措施对应，而不是为所有文件添加一个笼统标签。

若发现来源不明、授权范围不清或误入的资料，先固定数据集版本、可见范围和使用状态，再按已有合同与处理规则判断处置。事实未清前，不宜断言数据已经合法训练或必然造成泄露。

下一步先补哪些事实

先列出训练目标、候选文档、来源和授权依据、数据类型、使用系统、保存与删除方案。无法确认训练用途是否被允许时，结论应停在“该文档暂不准入”，并优先采用脱敏、合成或已明确授权的材料。