企业决定用 AI 之后，第一个绕不开的选择是部署方式：模型放在自己机房，还是直接调云端 API。这个问题经常被简化成"数据安全还是成本"的站队之争，实际决策质量取决于三个更具体的问题。答案不同，选择自然不同。

问题一，数据出域的真实约束是什么。

先弄清楚哪些数据真的不能出域：是客户名单、合同正文，还是只有尚未公开的经营数据。很多团队把"我们有敏感数据"当成默认前提，逐类盘点后会发现，真正需要隔离的往往只是一小部分。

可执行做法：按业务流程列出数据清单，标注密级与来源，把"必须私有"的范围圈到最小。范围清楚了，是全私有、混合部署还是纯 API，答案基本就出来了。

问题二，场景对效果上限的要求有多高。

同等预算下，云端 API 通常能用上更强的模型，效果上限更高；私有化部署受限于本地算力，往往只能跑参数更小的模型。如果场景是高价值的复杂任务，比如深度分析、长文档理解，效果差距会直接决定项目成败。

可执行做法：用真实业务样例，在同一套评测标准下对比候选模型的表现，把"效果差距值多少钱"算成数字，再和部署成本差值比较。用数字决策，而不是用感觉站队。

问题三，团队有没有持续运维的能力。

私有化不是买断制，而是一次部署、长期运营：版本升级、漏洞修复、算力扩容、效果回归，每一样都要有人接住。没有专职运维的中小组织，私有化部署很容易变成"上线即巅峰、三个月后无人维护"。

可执行做法：如果倾向私有化，先明确谁负责日常运维、多久做一次升级、出问题找谁；答不上来就先从 API 起步，把场景跑通、价值验证了，再考虑迁移。

写在最后

部署方式不是信仰问题，而是约束条件下的工程决策。数据边界画清楚、效果差距算明白、运维责任落实到人，这三个问题答完，多数企业会发现：从 API 起步、按需私有化，是风险最低的路径。真正决定 AI 项目成败的，从来不是模型放在哪里，而是场景选得准不准、数据理得顺不顺。

——文/吴佳文，广东省人工智能与机器人学会副秘书长，长期关注AI产业落地与人工智能人才培养。