Beberapa waktu lalu DeepSeek disebut dalam diskusi Dewan Keamanan PBB tentang keamanan AI, hal ini menyebar cukup cepat di kalangan teknologi. Reaksi pertama saya bukanlah "model dalam negeri akhirnya unjuk gigi", melainkan pertanyaan lain yang lebih praktis: ketika model besar ditempatkan pada agenda keamanan internasional, bagaimana perusahaan yang ingin mengakses API model besar harus menghitung biaya kepatuhan. Sinyalnya sangat jelas, kemampuan AI bukan lagi sekadar pilihan teknologi, ia mulai membawa atribut diplomatik dan regulasi.
1. Di mana sinyal sebenarnya dari hal ini
Diskusi Dewan Keamanan tentang keamanan AI, intinya bukan menilai model mana yang kuat, melainkan negara-negara mulai menetapkan aturan untuk "aliran lintas batas kemampuan AI". Bagi perusahaan Tiongkok, dampak langsungnya adalah: di mana model yang Anda panggil ditempatkan, ke mana data mengalir, berapa lama log disimpan, hal-hal yang sebelumnya tidak ada yang meneliti secara detail, sekarang akan diawasi oleh departemen kepatuhan. IDC dalam survei AI perusahaan tahun 2025 menyebutkan, lebih dari enam puluh persen perusahaan yang disurvei menempatkan "kepatuhan data" sebagai kekhawatiran utama dalam mengadopsi AI generatif, berada di depan biaya.
2. Tiga jenis masalah kepatuhan yang tidak terhindarkan saat perusahaan mengakses API model besar
Jenis pertama adalah transfer data lintas batas. Anda memanggil model luar negeri, informasi pelanggan dan teks kontrak yang dibawa dalam prompt akan keluar dari wilayah. Regulasi tingkat perlindungan dan "Langkah-langkah Penilaian Keamanan Transfer Data Lintas Batas" sangat ketat mengenai hal ini, terutama dalam skenario keuangan, medis, dan pemerintahan.
Jenis kedua adalah penyimpanan log. Regulasi mengharuskan dapat ditelusuri, tetapi log itu sendiri mengandung informasi sensitif. Penyimpanan dan desensitisasi adalah sepasang kontradiksi, banyak tim langsung menyimpan permintaan lengkap dalam teks biasa, jika terjadi masalah maka masalahnya besar.
Jenis ketiga adalah penyaringan keamanan konten. Layanan AI generatif memiliki kewajiban audit konten yang jelas, apa yang dikeluarkan model harus Anda tanggung, tidak bisa sepenuhnya dilemparkan ke pihak hulu.
3. Bagaimana lapisan teknis menangani tiga jenis masalah ini
Ketika kami melakukan agregasi AI API dalam proyek, yang paling menghabiskan energi sebenarnya bukan akses model, melainkan lapisan kepatuhan. Secara sederhana, lapisan agregasi harus melakukan tiga hal: isolasi data, desensitisasi permintaan, log audit.
Isolasi data berarti permintaan dari penyewa berbeda dan lini bisnis berbeda dipisahkan di lapisan gateway, jangan dicampur dalam satu aliran log. Ketika kami melakukan isolasi di lapisan agregasi SiCore TokenWorks, kami membaginya berdasarkan dua dimensi: penyewa + label bisnis, data lintas penyewa diisolasi secara fisik di lapisan penyimpanan, tidak mengandalkan kesadaran lapisan aplikasi.
Desensitisasi permintaan adalah melakukan pembersihan sebelum permintaan keluar dari gateway, field yang dapat dikenali oleh regex seperti nomor telepon, KTP, kartu bank diganti terlebih dahulu sebelum diteruskan. Log audit hanya mencatat metadata: siapa, kapan, memanggil model mana, berapa konsumsi token, tidak mencatat konten teks biasa. Dengan demikian memenuhi persyaratan dapat ditelusuri, tanpa membentangkan data sensitif di log.
Sekilas tentang biaya. Setelah akses terpadu multi-model, perhitungan biaya berdasarkan penggunaan akan jauh lebih jelas. Kami membandingkan, kumpulan tugas yang sama dijadwalkan melalui lapisan agregasi, yang dihemat bukan hanya uang, tetapi juga tenaga kerja untuk memelihara lima logika autentikasi. token8341 dalam hal ini melakukan pemilihan model otomatis berdasarkan tugas, model dalam negeri diprioritaskan, model luar negeri sebagai cadangan, format log juga diseragamkan.
4. Beberapa saran praktis untuk pengembang dan perusahaan
Jangan langsung terhubung ke API resmi sejak awal. Gunakan lapisan agregasi untuk memusatkan pemanggilan terlebih dahulu, strategi kepatuhan, pembatasan laju, desensitisasi semuanya dapat dilakukan sekali di gateway, mengubah satu baris base_url dapat mengganti model, biaya migrasi rendah.
Tetapkan strategi log lebih awal. Field mana yang dicatat, berapa lama disimpan, siapa yang dapat memeriksa, tuliskan dalam spesifikasi akses, jangan menunggu audit datang baru melengkapi.
Skenario yang dapat dicakup model dalam negeri diprioritaskan menggunakan model dalam negeri. Pangu, DeepSeek, Qwen, ERNIE, Doubao, Spark ini cukup untuk tugas berbahasa Mandarin, data tetap di dalam wilayah, tekanan kepatuhan lebih kecil.
5. Melihat ke depan
Keamanan AI masuk ke Dewan Keamanan, hanya awal dari pengetatan regulasi. Gartner memprediksi hingga tahun 2027, akan ada proporsi yang signifikan dari aplikasi perusahaan AI generatif yang diminta melakukan perbaikan karena masalah kepatuhan. Penilaian saya adalah: kemampuan model akan semakin konvergen, yang benar-benar menciptakan perbedaan adalah siapa yang dapat menjaga kepatuhan dan biaya secara stabil pada saat yang sama. Persaingan API model besar, selanjutnya adalah lapisan akses, bukan lapisan model. Siapa yang melakukan isolasi data, desensitisasi, audit dengan solid, dialah yang dapat menangkap gelombang kebutuhan perusahaan berikutnya.