不能帶真實客戶資料進教室，AI 內訓就只能聽課？用合成資料做出可驗收的實戰成果

教學方法專題｜案例、時程與表單為編輯設計示例，非客戶實績或已完成的產品實測。

核心答案：一家企業願意安排 AI 內訓，卻不允許客戶名單、訂單明細或內部報表離開公司網路。這不是授課障礙，而是課程設計必須先尊重的條件。好的實作不靠資料的真實姓名，而靠任務、例外與驗收的真實結構。

專題編輯：Sylvia Yeh｜HR、資安、IT

圖說：天地人原創編輯流程圖，為教學示意，非真實企業現場或產品操作畫面。

先分清「虛構資料」與「從真實資料加工的合成資料」

最簡單的安全教學做法，是完全人工設計不存在的公司、客戶及交易，讓每一筆資料的欄位、格式與邏輯規則都能公開說明。另一類合成資料是從真實資料學習統計特徵後產生；它不會因為叫作 synthetic data 就自動免除個資風險。NIST SP 800-188 將合成資料列為資料分享方法之一，並要求評估揭露及重識別風險；因此，從真實資料建模產生的教材仍需經資料權限與風險審查。對一般企業教室而言，優先使用完全虛構、而非由真實客戶資料變造的資料，最容易建立可解釋的邊界。

課程設計的四張資料卡

以「從接單到付款」為例，教學包不必保留任何真實客戶，可設計下列四張表：訂單主檔、明細、客戶代碼、付款紀錄。所有公司名及帳號都是教學假資料。刻意放入一筆重複單、一筆負數金額、一筆缺漏客戶代碼、一筆付款時間早於發票日的異常，讓學員能做清理、比對與判讀。

附件的 synthetic_orders.csv 提供完全虛構的小型樣本。學員先用試算表自行算出每筆金額，再請 AI 協助找出未匹配資料，最後比對人工基準答案。不是讓 AI 產生漂亮圖表就算交付。

一堂 3 小時的實作怎麼安排

第 1 段由 HR 與資安說明資料分類、可用工具與禁止事項，學員確認課堂帳號及環境限制。第 2 段發放合成資料與基準答案封存檔，教學「清理規則先定義，再交給 AI 協助」。第 3 段分組執行清理、例外列示、人工抽樣核對。第 4 段回收成果，依結果正確性、可追溯性與異常標示評分。

可複製的指令：

以下資料為完全虛構的教學資料。請先確認 order_id 是否重複，再逐列計算 qty × unit_price，列出負數、空值、未匹配 customer_id 的異常。請輸出 clean_rows.csv 欄位規格與 issue_log.csv 欄位規格。不得刪除異常而不留紀錄；無法確認的資料標示 REVIEW，不得自行補造客戶編號。

驗收不是「都會下 Prompt」

每組最後交出清理後資料、異常清單、核對表及一段說明：哪些工作由 AI 做，哪些由人確認。評分可設定 40％ 資料正確、25％ 異常追溯、20％ 人工驗證、15％ 文件清楚。這是本文建議的課堂評分比例，不是外部研究數據。

如果公司政策連外部 AI 工具都不允許，教材可在內網試算表或核准的本地模型環境進行；若模型不可用，仍可以用同一套資料做人工流程設計、待日後合規環境再驗證 AI 部分。課堂不必為了展示功能而違反資安規則。

如何把合成資料做得像真實工作，卻不模仿真實客戶

教學資料的難點不是填入隨機姓名，而是保留工作規則。例如每筆訂單必須有唯一鍵、每張明細必須找到主檔、付款不可超過開立金額而不標示異常。教材應先列出資料字典與規則，再生成完全虛構的資料，讓學員知道「合理」由什麼標準判定。若只是把真實資料中的姓名改成 A 公司，其他電話、地址、交易日期仍可連結到當事人，並不能當作安全的合成教材。

教師與資安的雙軌驗收

教師在課堂前保存標準答案與錯誤清單，學員在課堂中先嘗試，再看正確結果。資安則核對資料不是來源於未獲授權的真實資料、教材未含可識別個資，以及外部平台使用方式符合公司政策。兩者關注點不同，缺一不可。

練習進入尾聲時，加入一個「新檔案多了陌生欄位」的壓力測試。學員若直接把資料匯入模型，可能讓欄位意義被錯誤推測。正確做法是先讓資料字典標示新增欄位、暫停自動運算，再請資料擁有人確認。

一份成功的教學包可以在不碰企業真實資料的前提下練習核心工作技能，但這不代表已驗證真實 ERP、資安設備、網路環境或資料庫連接能力。課程後若要正式導入，仍需在企業核准的測試環境重新執行驗收。

圖說：依本文工作方法繪製的原創示意流程；並非系統實測畫面。

讀者可立即使用的工作資產

範本：synthetic_orders.csv 教學工作包（ZIP）。此檔案包含教學用的示例資料，不是實際企業統計或已完成測試的證據。

資料來源與適用邊界

• NIST：De-Identifying Government Datasets。

本篇以官方文件與通用流程治理原則為基礎，並提出原創工作方法；不代表對任何企業租戶、ERP 版本或 AI 產品完成實機測試。價格、方案、法規與功能會變動，採購或正式部署前應與供應商、IT、資安及資料責任人查證。教學數據與案例均為模擬。

讀者下一步： 將範本帶回企業，先由實際流程擁有人確認現況與限制，再決定是否需要企業內訓或 AI 導入試點。