AI 和 Agent 这股潮，挡不住，也不该挡。
写代码时问它一句，看条款时问它一句，写周报顺手让它起个草。到 2026 年，这都不算偷懒，算常规操作。
所以这篇不是劝你别用 AI。它只想提醒一句：有些线，得自己划。
Gartner 给过一组数字。中国企业用闭源模型的比例，从约八成掉到不足三成。这组数字出自《2026 年中国数据、分析和人工智能技术成熟度曲线》。21 世纪经济报道在 2026 年 9 月 10 日报道了它。
掉这么多，原因不复杂：模型随时能换，数据换不回来。
下面写的都是常见场景，不是哪家公司的真人真事。但律师、财务、研发这三类人，每天都在做同一道选择题：这段话，要不要贴进外面的聊天框。
律师：一份材料贴出去，只要三秒
凌晨一点的律所，只剩键盘声和空调的低鸣。她把屏幕亮度调到很低，光标停在一份客户合同上。
贴进外面的聊天框，三秒就够了。这三秒做完三件事：材料离开她的电脑，材料进了别人的服务器，材料很可能被存下来。后两件事，她既不知道，也改不了。
律师对委托人负有保密义务，《律师法》里写得明白。但义务是你的，通道不一定是你的。
这就像把原件复印一份，寄给一个不认识的机构保管。对方答应不拆开看，可你也没办法检查。
所以先别急着问"这个 AI 准不准"。先问一句：这份材料，有没有必要离开我的电脑？
翻条款、比版本、给证据归类，说到底都是在已经拿到手的材料里找东西。把"找"和"查"分开看，很多活根本不用联网。
财务：底稿一出门，先走一遍审批
审计底稿、还没审过的报表、工资表，属于公司里比较敏感的一类材料。要送到外面处理，先得问一圈：要不要做合规评估？谁来评？存在哪？留多久？能不能删掉？
这套流程走下来，短则几天，长则几个星期。可财务想让 AI 干的活特别朴素：把几十张表的科目对上，把两版差异列出来，把说明文字起个草。
为了对齐几张表，先花两个星期走流程，比手工贴一遍还慢。
换个思路就通了。让工具待在那台本来就允许看到这些数据的电脑上，这个环节压根不会被触发。
研发：用 AI 已经是常态，关键是"贴什么"
研发这边，情况跟前两类人不太一样。
律师和财务是"能不用就不用"，研发是"用了回不去"。改一段逻辑、解释一个报错、补一遍注释、造几个测试用例，AI 确实快。到 2026 年，这些已经是开发流程里的常规动作。
趋势拦不住。可越常规的动作，越容易顺手。顺手，就容易过界。
所以要格外小心的东西，有三类。
一是完整的架构设计和技术方案。这类文件写出来，就是为了让人看懂。一旦流出去，看懂它的成本几乎为零。
二是整段、甚至整个仓库的代码。尤其是提交前那批等着 review 的代码——它还没经过内部把关，也还没决定要不要留下。
三是核心算法和密钥。代码是公司的家底，核心算法是家底里最要紧的那一格。
换个比喻：请外面的人帮你改一个函数，问题不大。把整套图纸和账本一起递过去，性质就变了。
关键不是"用不用 AI"，而是"哪一部分贴出去"。一段公共逻辑、一个报错、一份公开文档，贴出去问题不大。核心算法、密钥、还没公开的方案，留在本地更稳妥。
对研发来说，本地模型的门槛反而更低。你不需要它懂全世界的代码，只要它懂你这一个仓库。
一个小模型，配上一份本地索引，够用了。
一张表：谁的活该在自己电脑上干
| 谁 | 不能出门的材料 | 在自己电脑上能干的活 |
| 律师 | 客户材料、案件信息、证据清单 | 条款校对、版本比对、材料归类、文书初稿 |
| 财务 | 审计底稿、未审报表、工资表 | 表格汇总、科目核对、差异抽取、说明起草 |
| 研发 | 核心算法、密钥、未公开的设计、整仓代码 | 代码走查、报错解释、注释补全、单元测试、文档抽取 |
这张表只干一件事：划一条线。线右边的活在自己电脑上干，线左边的才需要联网。
打个比方，能在自家厨房做的菜，没必要先端到别人的后厨去。
用"省订阅费"来论证本地部署，站不住
讲本地部署的文章，多半从省下订阅费讲起。这个理由到 2026 年已经站不住了。
DeepSeek V4.1 Flash 把空闲时段的调用单价压到两分钱一百万字这个量级。降幅可达 60%。这是新浪财经 2026 年 9 月 14 日报道的数字。云端的价钱还在往下走。你拿省钱当卖点，等于把话说在一个自己会往下掉的天平上。
硬件那头也不便宜。一台跑得动大模型的电脑，价格在 1 万到 6 万元之间。这条同样来自新浪财经 2026 年 9 月 14 日的报道。上万的一次性投入，对每月几十块的订阅费，这笔账怎么算都不好看。
所以本地部署得换一根柱子来撑：责任边界。
云端方案的本质，是把数据交给别人保管一段时间。本地方案的本质，是数据一直待在你管得着的那台机器上。前者未必不安全，但它把一部分责任转移出去了。真出了事，被叫去解释的人还是你自己。
省钱是账面上的事，责任是能不能说清的事。这两件事没法互相替代。
这一代本地模型，已经能干到什么程度
很多人对本地模型的印象，还停在"能聊天，干不了活"。
硬件在往下压。元空 AI 在 2026 年 9 月发布的本地方案 Boxer 就走这条路。它用一块 40TOPS 的消费级电脑芯片跑起来，内存占用约 8GB。这也是新浪财经 2026 年 9 月 14 日报道的数字。它不追求把体量很大的模型塞进机器，求的是"这台电脑买得起"。
效率那头也在动。仙踪问道在实测中发现，同一台苹果芯片的电脑，换一套专门为它调过的运行组件，手感差别很明显。以 oMLX 这类为苹果芯片优化的组件为例，算得比通用方案快 2 倍以上。从敲完问题到屏幕上开始出字，等待时间少了六成，内存占用降低三成。翻译成人话——原来是"得等一下"，现在是"基本不用等"。
五个问题，给自己划一条线
拿不准的话，用五个问题过一遍：
- 你手上有没有一份材料，被外人看到一次就会惹麻烦？
- 这份材料被外面的系统存下来，你能说清它存在哪、留多久吗？
- 你要贴出去的，是整份方案、整个仓库，还是一段能公开的逻辑？
- 里面的核心算法和密钥，你确定不该留在本地吗？
- 你有没有一台电脑，本来就允许看到这些数据？
前面四个问题，只要有一个答"是"，本地部署就值得算一笔账。反过来，如果"去外面找信息"占了大头，先把云端用好，不必急着添硬件。
仙踪问道的建议是，别一上来就买机器。先拿云端跑一个月，摸清"哪些活必须留在本地"这条线，再决定要不要投硬件。摸这条线，比买机器便宜得多。
还有一句得说清楚：不同地方、不同公司的规定并不一样。具体的保密要求和数据处理边界，以当地规定和合同约定为准。真遇到个案，还是要问专业机构。
常见问题
哪些活，该留在自己的电脑上干？
律师的条款校对、版本比对、材料归类、文书初稿；财务的表格汇总、科目核对、差异抽取、说明起草；研发的代码走查、报错解释、注释补全、单元测试。
研发用 AI，哪几类内容要格外小心？
三类：完整的架构设计和技术方案；整段、甚至整个仓库的代码；核心算法和密钥。贴出去顺手，收回来很难。
用"省订阅费"来论证本地部署，站得住吗？
站不住。云端单价已经压到每百万字两分钱这个量级，一台跑得动大模型的电脑要 1 万到 6 万元。本地部署真正该算的是责任边界。
我现在就该买机器吗？
先别急。拿云端跑一个月，摸清"哪些活必须留在本地"这条线，再决定投不投硬件。
安全边界不是让你不用 AI。它只是让你用得踏实一点。
本地部署也不解决"AI 会不会犯错"。它解决的是另一件事：真犯错的时候，材料在谁手里。
说到这里，如果你也想搭一个数据不出门的工作台，可以试试仙踪问道·智能助手。它是 macOS 上的桌面套件，一键装、一键卸，自带国内网络加速和图形化面板。装模型不用敲命令，Qwen3.8 和 Gemma4 两个系列都能在界面里点着装好。它专门为苹果芯片做了调校；里面的 pi 智能助手能帮忙诊断和修复环境问题，比如依赖缺失、配置写错、端口冲突。另外还有 40 多个工具和 MCP 插件，按需接上就行。
关注这个账号，我每周拆几个具体场景，讲清哪些活该留在本地、哪些可以交给云端。
你所在的行业里，有没有哪一类材料是"坚决不能出机房"的？欢迎在评论区说说你的顾虑和做法。
