AI 時代，企業機密面臨哪些新的外洩風險？

從 AI 模型、AI Agent 到企業文件，當 AI 開始「替你工作」，資料保護也需要重新思考。

一隻龍蝦，讓我們重新想像 AI 資安風險

看起來很好笑，但這種情境其實離企業並不遠。當生成式 AI 與 AI Agent 開始進入企業工作流程，AI 不只是幫員工回答問題，也可能開始讀取文件、整理資料、撰寫報告，甚至操作其他工具。問題也因此從過去的：

「員工會不會把資料傳出去？」

變成另一個更值得思考的問題：

「企業究竟允許 AI 接觸哪些資料？」

過去談企業機密外洩，我們很容易想到 USB、私人雲端硬碟、電子郵件或通訊軟體。但 AI 的出現，正在讓「資料外洩」這件事變得更加複雜。因為現在的 AI，已經不只是等待使用者輸入問題，而是逐漸具備讀取資料、使用工具、執行任務，甚至長時間自主工作的能力。

AI 已經不只是「聊天機器人」

近年的 AI 發展，很明顯地往兩個方向前進：

更強的模型能力，以及更強的 Agent 能力。

例如 OpenAI 最新的 GPT-6 Astra 強化了電腦操作、瀏覽、軟體工程、科學與專業工作等能力；Anthropic 在 2026 年 9 月推出 Claude Opus 5.5，也將複雜專業工作與程式開發列為主要能力。

但對企業資安來說，更值得注意的可能是 AI Agent 的發展。OpenAI 在 2026 年 9 月推出 Agents API，讓開發者可以建立能夠長時間執行、處理檔案、執行程式碼、使用工具並協調子 Agent 的系統。Meta 同期推出的 Muse，也直接展示了另一種 AI Agent 的使用方式。Muse 可以在使用者授權下，透過專用的虛擬環境與瀏覽器執行工作，例如寄送電子郵件、安排旅程，以及處理更複雜的任務。

這代表一個重要的轉變：

AI 正從「幫我回答」逐漸變成「幫我完成」。

而當 AI 開始替企業完成工作，「它可以接觸哪些資料」自然就成為新的資安問題。

企業機密可能面臨哪些新的 AI 外洩風險？

01｜員工主動把機密資料交給 AI

這是目前最容易理解，也最直接的情境。

員工可能只是想請 AI：

• 分析一份客戶名單

• 摘要尚未公開的財務資料

• 修改產品設計文件

• 分析競爭對手資料

• 撰寫尚未公開的企劃案

• 檢查程式碼中的問題

從使用者角度來看，這些都可能只是「提高工作效率」。但從企業資安角度來看，真正需要確認的是：

這份資料是否允許被交給這個 AI？

當企業內部開始同時使用多種 AI 工具時，單純依靠員工自行判斷，也會讓資料管理變得更加困難。

02｜AI Agent 開始主動取得與處理資料

傳統聊天機器人的資料流動相對簡單：

使用者 → 輸入資料 → AI → 回覆

但 Agent 的工作流程可能變成：

使用者 → AI → 搜尋資料 → 開啟文件 → 使用工具 → 執行程式 → 產生結果

當 Agent 擁有更多工具與權限後，企業需要管理的就不只是「員工輸入了什麼」。還包括：

AI 被允許讀取什麼？

AI 可以操作什麼？

AI 可以把資料送到哪裡？

AI 可以替使用者完成哪些動作？

因此，AI Agent 的導入不只是軟體採購問題，也逐漸涉及企業的權限管理與資料治理。

03｜資料進入 AI 平台後，企業仍需要理解資料如何被處理

這是一個容易被忽略的問題。目前部分企業級 AI 服務，已經提供相當完整的資料保護機制。例如 OpenAI 表示，ChatGPT Business、Enterprise 與 API 等商業服務中的輸入與輸出，預設不會用於訓練模型；企業也可以使用存取控制、資料保存期限等相關功能管理企業資料。

但企業需要理解：

「不拿去訓練模型」不代表「AI 沒有處理這些資料」。

AI 必須接收並處理使用者提供的資料，才能完成摘要、分析、翻譯、程式撰寫等工作。因此企業真正需要了解的，不只是：

「AI 公司會不會拿我的資料訓練模型？」

還包括：

• 資料會被如何處理？

• 保存多久？

• 哪些服務或功能可以存取？

• 哪些人可以使用？

• 是否會與其他系統串接？

• 是否有適當的權限與管理機制？

這些才是企業導入 AI 時需要進一步確認的資料治理問題。

一個最近的案例：AI 研究與「資料邊界」的問題

2026 年 9 月，一起數學研究事件讓這個問題變得更加具體。紐約大學數學家 Tristan Buckmaster 與 Anthropic 數學家 Levent Alpöge，先前曾使用包括 OpenAI Codex 與 Claude 在內的 AI 工具協助數學研究。之後 OpenAI 發布其 AI 系統針對 Navier–Stokes 千禧年問題所取得的研究成果，引發 Buckmaster 對研究資料是否可能影響 OpenAI 工作的疑問。相關報導指出，Buckmaster 曾擔心自己與研究夥伴放入 Codex 的未公開研究內容，是否可能以某種方式影響後續結果。

但這裡必須特別區分：

目前沒有證據可以直接證明 OpenAI 取得並使用了這些私人研究資料。OpenAI 後續表示，經過調查，Buckmaster 在相關公告前兩個月提交給 Codex 的 prompts，不可能以任何方式影響該系統，包括透過訓練產生影響；OpenAI 也表示雙方的證明存在重大差異。

因此，這起事件真正值得企業思考的，不是直接下結論認定資料是否被使用。而是：

當高度機密、尚未公開的資料進入 AI 平台後，企業或研究機構究竟能多大程度確認這些資料的使用邊界？

這個問題，未來可能會越來越重要。

企業現在可以怎麼做？

AI 資安並不只是「禁止員工使用 AI」。比較實際的做法，是從幾個層次同時管理。

第一層：建立 AI 使用政策

企業可以先定義：

• 哪些 AI 工具可以使用

• 哪些資料可以輸入

• 哪些資料禁止輸入

• 哪些部門可以使用哪些 AI 功能

• AI Agent 可以取得哪些權限

這是最基本的治理層。

第二層：選擇具備企業資料保護機制的 AI 服務

企業導入 AI 時，除了比較模型能力，也應該了解服務供應商提供哪些資料保護與管理機制。例如 OpenAI 的企業方案提供企業資料控制、身分驗證、存取控制與資料加密等機制。因此企業選擇 AI 工具時，不應只問：

「哪個 AI 比較好用？」

也應該問：

「這個 AI 的資料處理方式，是否符合公司的資安與資料治理要求？」

第三層：控制誰可以取得機密資料

企業除了管理 AI 可以接觸哪些資料，也需要思考另一個更基礎的問題：

如果這是一份機密文件，誰有權限取得其中的內容？

對重要文件進行加密，並透過權限控管限制解密與使用，可以讓企業不只是管理「資料要去哪裡」，也能管理「誰能取得資料內容」。這和單純禁止員工把文件上傳到某個 AI 平台，是兩個不同層次的保護。

前者關注的是：

「誰可以取得資料內容？」

後者關注的是：

「資料可以被送到哪裡？」

在 AI 應用快速增加的環境下，這兩個問題都值得企業重新檢視。因為即使企業允許員工使用 AI，也不代表所有機密文件都應該隨時以未受保護的形式存在，或讓所有使用者都能任意取得。

從 AI 資料治理，到檔案本身的保護

AI 時代的資料保護，不一定只能從 AI 平台或網路傳輸開始。企業也可以從更基礎的一層思考：

如果一份文件本身就是機密資料，它是否應該從一開始就受到保護？

goPatrol 以檔案加密作為重要的保護機制，並可依企業的權限設定管理不同使用者對受保護文件的使用；同時搭配檔案操作紀錄、外部裝置管理、Web 上傳控管及列印控管等功能，協助企業降低機密文件被未經授權取得或帶出的風險。換句話說，企業可以同時思考兩件事情：

AI 可以接觸哪些資料？

以及：

誰有權限取得這些資料？

前者屬於 AI 使用與資料治理；後者則是企業既有的檔案安全問題。

兩者並不是互相取代，而是可以從不同層次共同建立資料保護。

結語｜AI 越會工作，資料權限就越重要

過去企業談機密保護，常問的是：

「員工有沒有把機密檔案傳出去？」

AI 時代，我們還需要多問一個問題：

「AI 有沒有被允許接觸這份機密檔案？」

因為 AI 正從「回答問題的工具」，逐漸變成可以讀取資料、使用工具並替人完成工作的數位代理人。真正需要改變的，不一定是企業要不要使用 AI。

而是：

在讓 AI 幫我們工作的同時，我們是否也清楚知道——它能看到什麼。

至於文章開頭那隻龍蝦，如果希望它看不到的資料真的不能被看到，還是先把資料保護好比較實際。