# 客户的影子 AI 不是事故现场，而是需求清单

> 一次不追责的访谈，能把数据外泄风险变成项目的第一份用例清单。

原文: https://fdetimes.net/zh/guides/shadow-ai-client-requirements-interview/

设想你在一家保险公司的第一周。你正在访谈理赔团队，准备设计一个内部助手，团队负责人随口说了一句：“报告我们早就在做摘要了，直接粘贴进 ChatGPT 就行。”

会议室安静了几秒，有人瞟了一眼 IT 部门的同事。你在这几秒里的反应，决定了这次需求调研还能不能继续。只要你露出惊慌或责备的神色，之后就没人会对你说真话了。

这种场景并不少见。TELUS Digital 的一项调查发现，68% 的员工在工作中使用个人 AI 账号，其中 57% 承认输入过敏感信息。

PagerDuty 2026 年的影子 AI 调查发现，34% 的办公室员工曾把客户数据或信息输入公共 AI 工具，31% 输入过财务信息或机密文件和战略。

前线部署工程师（FDE）把 AI 引入一家公司时，这样的粘贴几乎总是早已发生。

## 禁令收不回已经粘贴出去的数据

最常见的反应是禁用。2023 年，三星一名工程师把内部敏感源代码上传到 ChatGPT，造成意外泄露，公司随即发布备忘录，禁止使用生成式 AI 工具。公司给出的理由是：发送给聊天机器人的数据会留存在服务运营方的服务器上。

这种担心有道理，但禁令只能阻止以后的粘贴，收不回已经发出的数据。每天早上那一摞等着做摘要的报告也不会因此消失。没有替代工具，需求依然存在，大家很可能会转向更隐蔽的变通办法。

通常也没有现成的政策可依。IBM 发布的《2025 年数据泄露成本报告》发现，63% 发生数据泄露的组织没有 AI 治理政策来管理 AI 或防范影子 AI。你很可能是第一个系统地提出这个问题的人。

如果需要说服项目发起人，还有一个成本上的理由。同一份报告发现，影子 AI 程度高的组织，数据泄露的全球平均成本要多出 670,000 美元。因此，让 AI 的使用公开化，比禁用后任其转入地下更有价值。

## 每一次粘贴都是一个用例

核心思路很简单：影子 AI 既告诉你风险在哪里，也告诉你用户真正需要什么。

员工每次把数据粘贴进聊天机器人，都会给你四样任何研讨会都很难挖出来的信息：哪项任务最耗时间，涉及什么数据，发生得多频繁，以及他们已经认为够用的结果是什么水平。

**要点:** 悄悄使用聊天机器人的员工，就是一份客户还没写出来的产品需求文档。

换个角度看，你的角色也变了。你不是来抓错的，而是来盘点用户已经在做的事，再把这些事迁移到受控的环境中。

## 提前估一个数字

假设理赔团队有 40 人。把 TELUS 的比例当作粗略估算，而不是实测数据：40 人的 68% 约为 27 人在使用个人 AI 账号。其中 57% 输入过敏感信息，约为 15 人。

这个数字不是写进报告用的，而是帮你问对问题。一旦假定可能有多达 15 人粘贴过敏感数据，你就不会再问“有没有人在用”，而是问“用来做什么，涉及哪类数据”。

## 访谈话术

访谈前，先与项目发起人和客户的安全对接人约定边界：你只收集任务和数据类型，绝不记录姓名。

如果遇到受严格监管的数据，例如病历或账号，你只向事先约定好的那一个人报告。正是这条边界，让你“不追责”的承诺可信。

开场先用一句话打消戒备：“我不是来检查谁的。我想知道哪些任务繁重到大家不得不自己找工具，这样新工具就能把这些活儿准确地接过去。”

然后按顺序问五个问题。“你最常让 AI 做什么？”“你会往里粘贴什么：报告、邮件还是表格？”“大概每周几次？”“什么样的结果你觉得能用？”“如果从明天起不能用这个工具，哪些工作会慢下来？”

最后一个问题最有价值。它能告诉你哪些工作真正值得优先处理，也能让发起人看到禁令会拖慢什么。把答案记录到如下清单中：

| 任务 | 工具及账号类型 | 数据类型 | 频率 | 风险 | 下一步 |
|---|---|---|---|---|---|
| 为定损员报告做摘要 | 公共聊天机器人，个人账号 | 投保人信息 | 每天 | 高 | 内部助手的第一个用例 |
| 起草客户回复 | 公共聊天机器人，个人账号 | 姓名、保单号 | 每周数次 | 中 | 提供带数据脱敏的现成模板 |
| 改写表格公式 | 公共聊天机器人，个人账号 | 不含客户数据 | 偶尔 | 低 | 记录在案，暂不处理 |

## 从清单到经批准的工具

清单整理好后，按风险和频率两列排序。风险高且每天都做的那一行，就是第一次部署的范围。理由很实际：替换掉它，既消除了最大的风险，又能立刻获得每天使用的用户。

至于已经发出的数据，交给客户的安全团队评估并决定如何处理。把清单交给他们即可，不要自行判断后果，也不要向任何人保证数据安全。

构建替代工具时，从一开始就设计访问控制，不要留到项目收尾。IBM 的数据显示，在发生过 AI 相关安全事件的组织中，97% 表示缺乏完善的 AI 访问控制。这个数字涵盖的是一般意义上的 AI 事件，但它说明了漏洞通常出在哪里。

最后一步是与客户一起写一份简短的政策：哪类数据可以放进哪些工具。基于真实清单写出的政策，会比凭空起草的更贴合实际。

## 让你失去信任的错误

最常见的错误是记录姓名。只要有一个名字流入给管理层的报告，之后的每次访谈都只会得到稳妥的答案。第二个错误是以“超出范围”为由把一切推给安全团队，而恰恰是这份清单界定了真正的范围。

第三个错误是为了省事随口提议禁用，却不提供替代工具。第四个错误最容易犯，因为是你自己造成的：为了调试更快，把客户日志或样例数据粘贴进个人 AI 账号。这时，你自己就成了清单里的一行。

## 如何把这项技能写进简历

如果你瞄准的 FDE 招聘启事提到 AI 治理、安全评审或与客户安全团队协作，就把这项技能放在靠前的位置。在简历上要用结果来表述：例如，你在多大规模的团队中盘点了未经批准的 AI 使用情况，以及哪些用例被迁移到了受控工具上。

在行为面试中，这也是一个很有说服力的故事：一个敏感局面，一个你兑现了的不追责承诺，以及由此促成的一次部署。面试官会看到，你既能完成工程交付，也能守住客户的信任。

听到“我们早就粘贴进 ChatGPT 了”之后那几秒的沉默，是整个需求调研中你能获得最真实信息的时刻。别让它在皱眉中溜走。

**本周动手试试:**

- 用访谈话术中的 5 个问题询问你所在公司的 3 位同事，不记录姓名，并填写清单
- 起草一份 3 句话的边界约定，在下一次需求调研前发给项目发起人和安全对接人
- 检查自己本周是否把客户数据粘贴进了任何个人 AI 工具

## 信源

- [2025 Cost of a Data Breach Report: Navigating the AI rush without sidelining security](https://www.ibm.com/think/x-force/2025-cost-of-a-data-breach-navigating-ai)

- [Shadow AI: The Hidden Threat to Enterprise Security](https://www.telusdigital.com/insights/fuel-ix/resource/2025-ai-at-work-report-shadow-ai)

- [Samsung bans ChatGPT among employees after sensitive code leak](https://www.forbes.com.au/news/innovation/samsung-bans-chatgpt-among-employees-after-sensitive-code-leak/)

- [L'intelligence artificielle parallèle est à l'œuvre au sein de votre organisation.](https://www.pagerduty.com/fr/blog/ai/shadow-ai-workplace-survey-2026/)
