一场没有人工核查的数据接力，把治理漏洞摆上台面
11月4日，MIT Technology Review Insights（麻省理工科技评论洞察，该刊的定制内容部门）发布题为《用数据血缘保障智能体企业安全》（Securing the Agentic Enterprise With Data Lineage）的报告，提出数据血缘正在取代传统的安全边界，成为智能体时代企业安全治理的底座。该报告由网络安全厂商Cyberhaven参与制作，其核心判断是：AI安全不是一个工具问题，而是一个数据可见性问题。
报告以一个典型场景开场：一名销售代表向AI智能体询问客户报价，智能体随即从受限定价系统、内部通讯与历史报价存档等多个来源抓取数据；由于输出结果“看起来准确”，第二个智能体直接使用这些数据为销售代表起草报价方案，两次交接均无人工核查。当企业发现方案中混入未经批准的机密与敏感信息时，已经无人能够说清问题数据从何处进入工作流、又如何跨系统、跨文件、跨智能体扩散。
值得注意的是，这一场景并非单纯的技术推演。随着智能体进入企业日常流程，企业需要管理的不再是静态文件，而是持续被摄取、复制、摘要、转换、复用与再分发的“移动数据”。数据一旦动起来，围绕应用、系统、网络或终端构建的传统安全方案便不再足够。报告同时将“治理、问责与信任”的落点指向美国国家标准与技术研究院（NIST）的AI风险管理框架，认为规模化保障智能体安全的前提，是理解数据如何流动。
AI安全不是工具问题，而是数据可见性问题
上述判断与国内知识库研究素材高度呼应。《人工智能安全治理白皮书（2026）》指出，AI数据基础设施为训练、微调、推理和知识增强提供数据支撑，其安全治理重点是保障数据的合规性、机密性、完整性、可用性和可追溯性；其中推理数据防护的重点，正是减少实时输入、上下文和输出在调用链路中的泄露与滥用。
《AI原生数据平台研究报告（2026）》则给出工程侧样本：以统一资产目录将数据表、特征、向量、模型等全类型资产纳入管控，统一配置字段标准、访问权限、数据血缘与合规审计规则，实现数据全生命周期可追溯；同时部署AI网关作为智能体访问数据、调用工具、调用模型的必经关卡，实时校验“智能体—工具—数据”三元组的访问权限。
换言之，智能体企业的安全重心，正在从“守住系统”转向“看清数据怎么流”。谁能先补上数据可见性这块短板，谁就能在智能体落地竞赛中少踩一道红线。
传统防线失效：DLP建立在“数据由人移动”的假设之上
防线失守的逻辑并不复杂。Nightfall AI在《2026年AI智能体数据安全态势报告》中称，二十年来，数据防泄露（DLP）都建立在“数据是由人移动的”这一假设上，传统安全工具的核心也是监控“人的动作”；而拥有权限的智能体能自主调用工具，并以机器速度在系统间移动数据，传统工具对此存在盲区——看不到上传与粘贴，但数据已经被移动了。
真实攻击事件印证了这一判断。2025年6月，微软365 Copilot被发现存在名为EchoLeak的零点击提示注入漏洞（编号CVE-2025-32711），攻击者只需发送一封藏有隐藏指令的邮件，即可让AI在自动摘要时将企业数据悄然外泄；同年9月，Anthropic披露首例几乎全自主的AI驱动网络攻击，攻击者谎称正在进行授权测试便骗过安全护栏，使智能体自主完成约80%至90%的攻击动作。华为《2026 AIFW技术白皮书》进一步提示了更隐蔽的通道：攻击者在智能体自主检索的网页、邮件或非结构化文档中植入恶意提示词，智能体解析该数据流时即被“劫持”，可利用其已被授予的内部权限横向移动、越权访问，沦为驻留企业内部的自动化特权“内鬼”。
不过需注意，自动化并不天然等于安全。有数据显示，如果将安全防护完全交由AI自主判断，高危漏洞的漏判率会高达82.4%——这也是“速度必须建立在控制能力之上”成为业界共识的原因。
【图表：智能体数据安全治理关键数据点】
数据血缘的路线图：一是溯源，二是定位，三是补短板
如何把可见性转化为管控力？报告给出的路径是一个“血缘优先”的五领域路线图，包括厘清智能体为何让数据可见性变成信任问题、以来源与上下文确保AI输出可信、将可见性转化为基于风险的管控等方向，完整框架需获取报告原文。
拆解其治理逻辑，可以归纳为三点。一是溯源：记录数据从采集、处理、数据集发布到模型训练的完整血缘，实现数据模型双向追溯；行业研究建议引入数据水印、标识符与血缘追踪机制，实现全链路可视化，支持合规审计、责任界定与风险溯源。二是定位：人工智能生成的数据血缘关系图谱能够快速定位数据来源和流向，支持合规审计和风险评估——河南移动通过AI技术将元数据人工标注日均处理量从50张表提升至数百张表，数据错误率从2%降至更低水平。三是补短板：向量化存储的动态特性对传统血缘追踪构成挑战，基于图数据库的血缘追踪技术正逐渐成为主流，通过将向量数据的操作和变更记录为节点与边，构建完整血缘图谱，实现对高维数据的可视化和可审计。
对照报告开篇的销售报价场景，血缘的意义正在于此：当敏感信息出现在最终方案里时，系统能够回答它从哪个受限系统来、经过哪些智能体、被如何改写，而不是让安全团队面对一片空白。
中国方案同步跟进：从“外挂式安全”走向“内生安全”
中国市场的实践与这一方向高度一致。学者姜奇平在受访时提出，数据安全体系要发生根本性转变，从过去的外挂式安全转变为内生安全技术体系，并特别强调“要加强数据血缘技术和标准的研究与合理开发”，推进负责任、可信任的数据治理体系。
产业侧的动作更为直接。华为《智能世界2035：从愿景到行动》报告警示，AI智能体作为企业新型数字员工，存在自主执行高危删除、越权访问、敏感数据泄露等风险，企业需通过行为基线建模与实时阻断实现“防滥用”，对高危操作实现99%以上的识别率，并在分钟内主动拦截。启明星辰在2026年半年报中披露，其AI融合数据全生命周期安全治理体系已覆盖AI智能分类、数据资产智能测绘、数据脱敏、水印溯源、近源管理五大核心产品能力，实现敏感数据流转链路可视可溯。国投智能（美亚柏科）在新一代数据操作系统架构中将权限管控前置至数据接入环节，权限标签随数据血缘同步向下游流转，即便数据经过多轮加工处理，原始权限约束持续生效；其AI安全维度还设置入口层、数据层、工具层、执行层四道安全闸门，所有AI操作均需完成权限校验并全流程留痕、可追溯审计。安恒信息发布恒脑4.0，通过数据分类分级、API安全、终端数据防泄漏智能体协同，实现数据流动全程管控。
【图表：AI安全事件中数据安全相关占比】
风险与挑战同样清晰。据Cognizant发布的职场调研，80%的员工希望AI使用权限高于当前岗位许可范围；Gartner预测，到2027年底，超过40%的Agentic AI项目会因成本高企、价值不清晰或者风险难以管控而终止；另一项Gartner预计则显示，2028年将达35%的AI安全事件与数据安全相关。这意味着，数据血缘不是给智能体踩刹车，而是企业敢于把智能体放进业务流程的准入条件——CrowdStrike在其Agentic SOC实践中直言，企业至少要能回答：智能体能访问哪些数据？能调用哪些工具？什么操作必须审批？出错时能否追溯决策过程？速度必须建立在控制能力之上。
结语：考题从“守边界”变成“看清流向”
归结起来，智能体企业安全的考题已经变了：过去守的是静态文件的边界，现在要看清移动数据的去向。数据血缘能否从治理工具升级为智能体时代的“安全底座”，仍有待规模化落地检验；但可以确定的是，在缺乏人工核查的自动交接链条上，任何无法追溯的数据流转，都是留给下一次泄露事件的入口。
