乍看之下，这似乎是个好消息：一项针对企业决策者的最新调查显示，98%的领导者对其组织在AI和机器学习（ML）工作流中保护敏感数据的能力充满信心。然而，深入分析结果便会发现，这些领导者中有84%会批准数据合规例外，51%对审计表示担忧。正是在这种“口头宣称的安全”与实际行为之间的落差中，企业的风险敞口可能悄然扩大，且未被察觉、未被处理。

上述发现源自Perforce Delphix发布的《2026年AI与数据隐私现状报告》。该报告汇集了来自各行业518位高管的洞察，其发布恰逢一个关键节点：长期以来行之有效的数据保护策略，已难以适配当前软件构建方式的变革。

数十年来，数据保护依赖人工交接流程：团队对生产数据副本中的敏感信息进行脱敏，批准使用后，再将其交付给需要的开发人员。然而，代理式开发（agentic development）的推进速度远超该模式的设计预期。

“合规曾被设计为工作流中的检查点，”Perforce Delphix合成数据与AI合规产品经理Mayank Ahluwalia表示，“但代理不会等待数据通过检查点，因此合规不能再被视为一道关卡。相反，它必须在每一次数据交接时强制执行。”

近期监管变化进一步抬高了风险门槛。美国已有超过20个州通过了全面的消费者隐私立法，且数量仍在增加。在欧盟，《人工智能法案》下的首批企业义务已于上月生效，违规行为最高可面临年营业额3%的罚款。这些法规叠加全球范围内覆盖近80%经济体的数据保护法律，使得任何处理敏感数据的企业都必须准备好应对快速变化的规则。

当自信是假设而非实证

高信心水平与频繁的例外看似矛盾，但Ahluwalia解释称，并非所有信心都相同——存在“假设的信心”与“实证的信心”之分。

“如果有一项政策，你问某人数据是否安全，对方指向政策文件，那就是假设的信心，”他说，“只有当你有证据表明政策被实际执行时，信心才成为实证。实证的信心体现在审计追踪中——你拥有可向任何审计方展示的证据，精确记录某份数据副本是如何被保护的。”

假设的信心易于维持，因为孤立的例外很少显得危险。受控路径缓慢，企业希望数据流动速度与AI工作流同步。于是，开发团队请求“仅此一次”绕过流程，请求获批。单独来看，这些变通尚可接受。但在代理式开发中，数据从多个系统同时拉取，风险随之累积。

一个数据集中未脱敏的邮政编码，与另一个数据集中未脱敏的年龄，单独看可能均无危害；但两者结合，就可能识别出特定个人。代理进一步放大了风险敞口：由于它们自主行动，跨系统调用其他工具，可能发现人类未曾想到的危险关联——或将其记忆并在下游复现，从而放大微小例外的“爆炸半径”。

AI如何重新定义“可用”

传统的数据脱敏方法多年来行之有效：用格式匹配的假值替换真实值，使开发人员能够在测试和构建软件时使用逼真数据而不暴露敏感信息，因为测试仅需正确类型和字段的数据。

AI模型则有不同需求。它们被训练以理解数据集中的模式与关系。若将年龄替换为随机但格式有效的数字，软件测试可能通过，但AI模型将学到不真实的统计属性，导致错误的预测行为。

“市面上许多工具在结构性数据安全方面表现出色，”Ahluwalia说，“但没有一种工具被设计为保留数据的统计属性。这才是难题——使其对AI保持可用。”

这正是受访者将“保护非结构化数据”列为AI/ML采用首要挑战的原因，也是“参照完整性”（即跨系统保持数据准确关联）成为核心关注点的原因。若缺乏关系保留与真实性，错误数据对AI工作流、测试和应用开发而言可能毫无用处，甚至带来危险。

真正的AI就绪状态

Ahluwalia区分了真正准备好迎接代理式开发的组织与仅领导者自信的组织：真正的就绪始于确切了解敏感数据位于何处——覆盖所有系统，而不仅是AI管道。训练数据并非源自管道，而是从源系统流入。

“人们关注模型训练管道，但那些数据已在相同系统中存在多年，”他说，“如果你只保护管道而留出上游缺口，就像修好了前门却让后窗敞开。”

关闭那扇“后窗”意味着保护数据所在的一切位置。首先，发现敏感数据的存放位置及其流动方式；其次，通过脱敏真实数据或生成逼真的合成数据来自动保护；再次，通过虚拟化快速交付数据；最后，维护审计追踪，使你的信心不再需要假设。Perforce Delphix将上述能力整合于单一平台。

实证的信心并非来自政策文件，而是来自随时可用的审计证据。拥有它，你便无需在创新与合规之间做出取舍，而你的数据实践也终将配得上你可能已拥有的信心。

想了解更多？请访问完整AI与数据隐私报告。