敏感数据交给大模型，要过三道关：落点、通道、逻辑复用。
“表发我，我帮你跑一下。”这句话在工作群里出现过很多次，然后被合规一句话否掉。金融、医疗、政企的 Excel 里不只有数字，还有身份证号、未披露的成本结构、未结案的赔付明细。
真实约束不是“想不想用 AI”，而是“用了谁签字”。IBM《2025 年数据泄露成本报告》给出的全球数据泄露平均成本是 444 万美元；Gartner 统计，企业里约 80% 的未授权 AI 使用来自内部人员。风险最大的入口，是员工图方便把表丢进对话框。
本地处理，要拆成三层看
于是本地处理被当成解药，但它包含三件分量不同的事。一是数据落点：文件不上传、不进对话、不经过第三方服务，解决“副本在哪”。二是模型通道：支持 Qwen、DeepSeek、Kimi 等多种接口，按合规要求选通道，而不是被绑在一朵云上。三是逻辑沉淀，最容易被跳过，却决定下个月要不要重来。
三个层次里，只有第三层能把一次性投入变成资产
分水岭：分析逻辑能不能留下
月度经营分析的固定动作就几个：剔汇总行、统一口径、按区域透视、算同比、挑异常。第一次交给大模型，它会把清洗和透视写成脚本跑出结果。但多数产品把脚本当一次性产物，用完即弃，数据一换，指令重述、token 再烧。
把脚本固化，逻辑才成为资产：口径写在代码里，不依赖谁的记性；同类报表只换数据源，一键复用，不再调用模型、不再消耗 token。按每月 20 份报表、每份约 3 万 token 估算，一年省下的是一整块可预测的成本，而且结果可复算、可审计。
处理逻辑以脚本形式保存在本地，任务名与文件名都可追溯
数以轻舟把这条路走得更彻底：装在本机，数据文件在本地完成清洗、关联与异常排查；第一次用自然语言描述需求，模型生成的脚本会留存，之后同口径任务直接复用，不再依赖网络、也不再消耗 token；成稿阶段再联网输出可编辑的 Word、PPT 或 HTML 看板。常用口径还能定义成语义规则，下次只说“按老规矩出”。
三条可落地的判断标准
一看落点，问清文件存在哪、有没有副本；二看沉淀，确认分析逻辑能不能保存、复用；三看交付，报告要能改、PPT 要能汇报，而不是一张截图。
像数以轻舟这样把本地处理与逻辑固化打通的工作流，价值不在模型多强，而在逻辑留得下来。数据敏感不是不用 AI 的理由，用错方式才是。
