企业引入 AI 的数据合规边界

合规是设计约束，不是收尾工作

企业推进 AI 项目时，合规问题常被安排在最后：系统先做出来，上线前再补一份评估。这样做的代价是改动范围大——数据流向、权限设计、日志留痕往往需要重新调整。

更有效的做法是在需求阶段就把合规条件写成设计输入，与技术方案一起评审。下面围绕三个最常被问到的方面展开：个人信息怎么处理、数据怎么分级、最小必要怎么落地。

个人信息：区分一般与敏感

《中华人民共和国个人信息保护法》对个人信息处理提出了一系列要求，其中"告知—同意"和"最小必要"是两条经常被引用的原则。落到 AI 项目上，需要先做一件事：把将要使用的数据按是否包含个人信息、是否包含敏感个人信息分开。

• 不含个人信息：例如设备运行参数、脱敏后的工序数据，处理约束相对少；
• 含一般个人信息：例如姓名、工号、联系方式，需要有合法性基础并控制使用范围；
• 含敏感个人信息：例如生物识别信息、医疗健康信息、金融账户信息、行踪轨迹，以及不满十四周岁未成年人的个人信息，处理条件更为严格。

实践中的一个难点是"看上去不含个人信息"的数据里藏着个人信息。比如一段客服录音、一份维修工单、一张现场照片，都可能带有可识别到具体个人的内容。建议在数据接入环节设置一道检查，明确哪些字段需要脱敏、脱敏后是否仍能满足业务需要。

对生成式人工智能服务的提供者，《生成式人工智能服务管理暂行办法》提出了相应要求；《中华人民共和国数据安全法》则从数据分类分级保护的角度提出要求。企业如果不确定自身属于哪一类角色，建议在项目立项时先明确。

数据分级：先分清楚，再决定怎么用

数据分级的作用是让"哪些数据可以进 AI 流程"变成一个可以查表回答的问题，而不是每次临时讨论。一种常见的分级方式如下：

分级确定后，要把它和具体环节对应起来：哪些等级的数据允许进入外部模型接口，哪些必须留在内网，哪些需要脱敏后才能跨域使用。这份对应关系应当写成可执行的策略，而不仅是原则性表述。

需要提醒的是，分级不是一次性的工作。业务变化、合作方变化、模型服务变化，都可能改变原有的判断，建议设定固定的复评周期。

最小必要：把原则拆成动作

"最小必要"听起来抽象，实际上可以拆成几个具体问题，在需求评审时逐条回答：

1. 这个场景真的需要这个字段吗？去掉之后能不能达到同样的业务目的？
2. 能不能用统计值、区间值或脱敏值替代原始明细？
3. 数据保留多久？到期后的删除或匿名化由谁执行、如何验证？
4. 有多少人能访问？访问是否需要审批、是否留痕？
5. 数据提供给外部服务商时，传了什么、传了多少、能否减少？

一份需求文档里如果能清楚回答这五个问题，通常就不会出现"为了保险先把全量数据都接进来"的情况。事实上，数据接得越多，合规成本、存储成本和后续维护成本都会同步上升。

可验证才是真合规

合规不能只靠承诺。建议在项目里留下几类可以被检查的记录：

• 审批记录：谁在什么时候批准了数据使用范围；
• 访问日志：哪些账号在什么时间访问了哪些数据；
• 脱敏与删除记录：处理了什么、用什么方法、如何验证结果；
• 对外提供记录：向哪些外部服务传递了数据，传递内容与用途；
• 员工承诺与培训记录：涉及数据使用的岗位是否完成过相应培训。

同时建议定期做一次自查，重点看四件事：数据清单是否与实际一致、权限是否与岗位匹配、留存期限是否被执行、外部传递是否在授权范围内。自查发现的偏差要回到流程上去修补，而不是只修正这一次。

合规最终要解决的问题是：当有人问起"这笔数据是怎么用的、依据是什么"，企业能够拿出记录来回答。把这件事在项目开始时就安排好，比上线前集中补救更省力，也更能保护业务本身。