1
scope项目范围与目标
厘清想处理的工作场景、期望成果，以及是否属于流程改善而非单一工具安装。
AI 数据处理与实施原则
AI 数据处理与实施原则
这页不是法律文件，也不是一份制式规范；而是 iGears 在规划 AI 项目前，通常会先与客户确认的数据范围、权限、部署方式与实施边界。
- 先厘清数据来源与可用范围，再谈模型与功能
- 先确认访问权限与部署方式，再安排整合与 rollout
- 先建立合理期望，避免把 AI 项目误解为一次性安装
实务范围
AI 项目一般会讨论的范围
以下六项并非固定检查清单，而是多数项目在前期会逐步厘清的方向；实际次序与深度视乎机构情况而定。
2
data数据来源与可用性
了解数据来自哪些文件、网站、内部系统或数据夹，以及现阶段是否适合直接使用。
3
access访问权限与角色安排
按部门、角色、查阅需要及内部政策，讨论谁可以使用、谁可以管理、谁可以查看结果。
4
deployment部署方式与保安要求
按实际情况讨论公有云、私有化、On-prem 或混合模式，以及相关保安与审批要求。
5
monitoring记录、监察与追踪
是否需要保留查询记录、使用纪录、错误追踪或内部覆核数据，以便后续管理。
6
rollout分阶段 rollout 与责任分工
建议先以较小范围试行，再逐步扩展，并明确界定内外部协作与后续维护安排。
通常不会一开始就假设的事
- 不会假设所有内部文件都已可直接给 AI 使用
- 不会假设所有部门都适合同一权限设定
- 不会假设 AI 项目上线后毋须持续调整
- 不会假设只靠模型能力就能取代流程梳理与数据整理
这不是法律文件，而是实施对话的起点
每个机构的数据政策、保安要求、审批流程和部署限制都不同。此页目的，是帮助双方在项目前期先建立共同理解，厘清会讨论什么、不会一开始假设什么。真正方案仍需按实际环境、数据状态与内部流程去确认。
方便技术与持份者对齐理解
把「数据从哪里来、谁能看、部署放哪里、上线后如何跟进」讲到同一张枱上，减少各说各话或只谈功能名词。
支持前期评估与准备
让你在正式投入开发或采购前，先整理要带入会议的数据清单、权限问题及试行范围，避免后期才发现前提不成立。
建立合理预期与分阶段共识
AI 项目多数要迭代知识来源、流程及权限；我们会倾向用试行与分阶段 rollout，令调整有节奏，而不是假设一次到位。
想先厘清 AI 项目的数据、权限与部署要求？
如果你正规划内部知识检索、文件处理、私有化 AI、AI Agent 或部门试行，建议先从数据来源、访问方式及 rollout 范围开始讨论，再逐步收窄方案。