從今天起三篇，是我全系列最在乎的範圍：我自己是國小老師，手上會碰到學生與家長的資料。這三天的每一篇，發布前我都逐字重讀過一遍，這裡公開的是我自己也放心的版本。

去識別交給 AI 的一個實例

九月五日的一份筆記。我把一份共學聚會的逐字稿整理成筆記，丟給 AI，指示裡有「去識別」三個字。回來的成品很完整：內容在、結構在、引用在，看起來每一項都合規。

真正的問題藏在一個判斷上。聚會筆記的正常樣子，是每個人的發言依時間歸屬在段落標題上。AI 執行「去識別」的結果，把發言者的名字整批拿掉了，每一段變成沒有歸屬的內容區塊。從規則層面完全說得通：名字是可識別資訊，去識別當然包含拿掉名字。

但這份筆記的用途恰恰建立在「這句話是誰說的」上。名字全拿掉之後，每個「某某當時提出的方法」都變成無主句，我要用筆記回頭對照人的時候，對不上。去識別做到了「保護」，把「可用性」一起拿走了。

復盤：去識別的目標不是「讓名字消失」

這次事件我寫下的原則是：去識別的對象是「可識別性」，不是「可歸屬性」。把結構一起抹掉，不是正確的去識別，是殺傷過大的摘要。

實際的做法變更是，我的筆記格式裡，發言段落的標題被固定了下來：時間加上代號。需要匿名的場合，我在整理時用「代號」而不是「真名」，歸屬的結構保留，識別性也確實降低。而在原來的場景──我的私人共學筆記、成人的聚會──真名本來就不在去識別範圍內。AI 只是指令的字面執行者，它忠實地做了一件錯事。

AI 不會替我做模糊的判斷

這件事的根因有一層在我身上。我把「去識別」當成足夠清楚的指令，但去識別的哪一層要動、哪一層不能動，是一個判斷，不是一個動作。判斷的意思是：我決定，把結果寫成規則，再把規則交給模型執行，而不是把判斷本身一起外包。

後來我把這個任務寫進規則，就不只是一個動詞：真名、代號、移除，三種處置、各自的適用情況開列成表。模型看到的不再是含糊的字，而是一份可核對的操作表。

語意層是自動閘門擋不住的

這一部分也和閘門有關。我的去敏腳本管得到：學校可識別字串、內部主機名、本機路徑。它管不到語意層面的可識別性。「三年前那位常在校門口值週的老師」沒有任何一個字命中規則，但它明確指向某個人而 AI 未必知道要改。

所以閘門的適用範圍，我目前的界定是機械性的字串規則；語意層，每篇發布前我逐字自己讀。這個成本我不打算外包出去，也是我把這三天列為高風險篇目的原因。

還沒解決的

代號與真名的對照表，只能由我保管，不能留在任何 AI 的上下文裡。這件事很瑣碎，但我還沒有找到一個比「我自己是唯一持有者」更好的方案。

明天

今天寫的是成人世界去識別上的小坑。明天寫我這個職業的真紅線：學生資料。