两家运营商的落地，代表两种典型路径，也对应不同的协同结构。它们的起点不同、卡点不同，但解题方向却指向同一件事——让模型走到数据所在的地方去，而不是先把数据搬到一个统一的位置再谈分析。

某省级分公司的痛点是"数据散、历史久"：十多套独立平台、近十年通信原始数据、人工梳理要半年工时。解法是先用 AI 治理工具做全域自动清洗，三周产出基础梳理；再让 AI 自主匹配跨系统关联字段，把基站流量、宽带用户、政企专线打通。业务人员查区域经营分析，不用再跨五六个部门对接，效率提升八成以上。这套路子的关键是"先通后精"，先让数据流动起来，再谈精度。这个转向不是技术偏好，而是被三件事逼出来的：数据越搬越多，合规风险越搬越大，跨主体协调也越搬越难。过去是模型去找数据，如今是数据不动、模型动。

中卓盛安把这种跨主体、跨系统的协同抽象为"模数共振空间"——借鉴工业可信协同平台的做法，配合隐私保护联合建模环境，让原始数据不搬家、只在本地参与计算。基站流量与政企专线若要联合分析，不必把原始数据搬到一起，而是在可信环境内完成建模，既打通孤岛又不碰合规红线。这一层解决的是协同边界问题，而不是单点效率问题。

南方某地市电信的痛点是"合规悬顶"：用户信息属监管重点，人工脱敏既慢又易漏。它搭建 AI 动态脱敏引擎，自动识别敏感字段，对内对外采用不同脱敏强度，全程留痕。监管现场核查一键导出完整溯源记录，合规检查耗时直接压缩七成。这套路子的关键是"合规前置"，把红线画在采集端，而不是等到数据要出域时再补救。

两条路径都印证同一件事：AI 治理工具能完成九成标准化工作，但涉政企涉密数据、定制报表仍需合规人员二次校验，末了那道签字还得由人来完成。

城投类主体参与联合建模，和运营商的关注点不太一样：城投手里的多是停车、管网、政务运营这类本地化数据，价值在于区域属性，参与前要先想清楚哪些字段能拿出来、拿出来之后的用途边界在哪。运营商侧关注的则是通信行为数据的合规使用，敏感程度高，通常只在可信环境内参与计算。两类主体的诉求都满足，联合建模才推得动——任何一方觉得风险不对称，协作都会停在试点。

AI 干活、人签字，是当前稳妥做法。