为 AI 治理营销数据，归结为模型看到任何东西之前你做出的四个决定：它可以看什么、可以在哪里运行、谁拥有产出、以及你保留多久。在建记忆层之前做出这些决定，它们就会塑造架构。跳过它们，你之后会重建这一层，通常在律师的监督下，在某样东西已经出错之后。
我在系统里搭过记忆，也看过团队以速度为名跳过这一步。模式是一致的：模型看到的比任何人本意的都多，一次复盘里有人问了问题，然后是一次匆忙的补救。治理不是对有趣工作征收的税；它是安全地做有趣工作的前提。
四个决定
模型可以看什么？ 不是每一块营销数据都平等。公开调研、内部表现数据、客户 PII、以及受监管品类，各自带着不同的义务。在模型碰任何东西之前决定分类，因为一旦数据进了上下文窗口，「取消看见」它不是一个真实选项。
它可以在哪里运行？ 一个在你环境里运行的模型，与一个你通过 API 把 prompt 发给它的模型，风险不同，而两者又与一个团队成员粘贴进去的公开工具不同。决定哪些数据类别可以去哪种模型，并让答案可执行、而不是空想。
谁拥有产出？ 当模型产出一份方案、一段文案或一个受众定义，得有人拥有它。治理意味着点名那个人，并明确责任不转移给工具。这与执行车道里的审阅标准是同一个原则。
你保留多久？ 保留是团队推迟、后来后悔的决定。如果上下文让模型变好，你想保留它。如果它包含个人或受监管数据，你可能被要求删除它。按数据类别决定保留，并让删除是真的。
先给数据分类
分类是另外三个决定的基础，所以先做它并保持简单。一个可行的方案是四桶：公开、内部、机密、受监管。公开数据几乎可以去任何地方。内部数据——表现、花费、战略——留在批准的模型里。机密数据——特定客户的上下文、未发布的方案——留在控制之内。受监管数据——任何触及个人或法律保护信息的东西——接受最严格的处理，往往根本不进一个通用模型。
分类的价值在于它让规则对所有人都可读。一个知道桶的营销人能知道什么可以粘进哪个工具，不需要为每一种情况写一份政策备忘。简单在这里胜过全面，因为一条没人记得的规则不是治理。
模型在哪里运行
托管决定是大部分真实风险所在。一个部署在你自己的环境里、配你自己的控制的模型，是最受约束的选项，也最费功夫运行。一个通过供应商 API、在一个数据处理协议下访问的模型，是常见的中间路径，而条款极其重要——输入是否训练供应商的模型、数据存在哪、删除保证是什么。
然后还有公开工具那个情形，是必须明确关掉的那个。如果团队成员能打开一个浏览器、把客户数据粘进任何工具，其余这一切都不重要。点名批准的工具，封堵或劝阻其余的，并解释为什么。未被治理的路径几乎总是那条方便的。
谁拥有产出
每一个 AI 辅助的交付物都需要一位点名的负责人，而负责人是人，不是工作流。这不是技术细节；它是让产出站得住的东西。如果一个模型起草了一份媒体方案而没人签批，机构或团队实际上就发布了机器的猜测。治理分配签名。
这直接连接到采购。当你买一家机构的 AI 原生服务，合同应该说谁拥有产出、出错时谁负责。那里的含糊，是一个质量事故变成法律事故的方式。治理答案和审阅标准是同一条纪律应用到不同风险上。
保留与删除
保留是会复利的记忆收益与删除义务相撞的地方，没有绕开它的办法。上下文让模型有用，所以你想保留简报、结果和决定。同样这批数据的一部分可能受删除要求或合同限制。答案是按类别保留：无限期保留衍生、去标识的上下文；只在被允许的范围内保留原始个人数据；并明确两者之间的边界。
要在建之前做这件事，是因为把删除后补进一个记忆层很痛苦。如果原始数据和衍生上下文混在一起，之后分离它们是一次迁移。从开始就设计好分离。这是没有记忆的 AI 只是一个昂贵的聊天机器人的实际核心——记忆是价值，也是治理面。
一次分类演练
拿一场典型活动，把输入排序。品类研究和竞品格局是公开的——可以去任何地方。客户的花费、表现历史和内部战略是内部的——只用批准的工具。未发布的创意概念和客户名单是机密的——留在控制之内。而任何识别到个人的、或落在受监管品类里的东西，接受最严格的处理，往往完全留在通用模型之外。
一旦这个排序存在，规则自己就写好了。公开数据可以进公开工具。内部和机密数据只进签约、批准的模型。受监管数据没有一次专门复盘就不去任何地方。分类是把一份含糊的政策变成营销人能在十秒内做出的决定——那是唯一能经受住一个忙碌一周的治理。
重要的供应商条款
当你评估一个模型供应商时，四个条款决定大部分风险。供应商是否用你的输入训练，还是你的 prompt 被排除在训练之外？数据存在和处理在哪，如果你有数据驻留义务，这一点很重要？删除保证是什么、你如何执行？以及合同结束时你的数据会怎样？把答案要成书面，因为营销网站不会告诉你。
大多数企业供应商如今提供不训练选项和合理的删除条款；要点是确认它，而不是假设它。对一个把客户数据粘进聊天窗口的团队，这些条款一个都不适用，这正是为什么批准工具清单必须明确而短。
操作的顺序
给数据分类，决定每一类可以在哪里运行，点名产出的负责人，按类别定保留。按这个顺序做，在第一个触及真实数据的 prompt 之前。然后把它写在团队找得到的地方，并让批准的工具成为那条容易的路。依赖人们记得一条规则的治理不是治理；是希望。
FAQ
我们需要一份正式政策，还是一个团队约定就够了？
从一份一页的决定记录开始，覆盖四个问题，之后如果你的规模或监管者要求再正式化。一份简短、被执行的约定，胜过一份冗长、被忽视的政策。要点是决定，不是产出一份文件。
我们能用公开 AI 工具处理内部营销数据吗？
只有当内部数据不是机密或受监管、且工具的条款允许时。对大多数团队，诚实的答案是把内部和客户数据通过批准、签约的工具路由，公开工具留给公开或合成数据。
我们如何设定数据边界本身？
按分类，不按工具。把每一个输入排进四桶之一——公开、内部、机密、受监管——让桶决定它可以去哪：公开数据去公开工具，内部和机密去批准、签约的模型，受监管数据没有一次专门复盘就不去任何地方。边界就是分类，一旦它存在，营销人就能在十秒内做出判断，不需要政策备忘。
如果我们说不清某样东西属于哪个桶呢？
默认到更严格的桶，把它放进一个短的复盘清单，而不是猜。模糊的数据通常是个人、特定客户或受监管的，正是你不想之后发现被错处理的数据。一张两行的、列着人们实际会标记的案例的清单，每月复盘一次，能解决灰色地带而不拖慢工作。
简短版
用四个决定治理营销数据、在模型看到任何东西之前：它可以看什么、可以在哪里运行、谁拥有产出、保留多久。先分类、刻意托管、点名负责人、按类别定保留——然后在这个之上搭记忆层。执行指南覆盖其余运营问题，面向内部团队的车道把治理贯穿到衡量。
如果你在自己的团队上搭过这套，我想听听四个决定里哪一个最难达成一致。
祝好， Chandler
本文提供简体中文版本。课程材料（视频、模板和配套指南）以英语和日语提供。本网站提供13种语言版本。