产业 / 媒体
数据溯源如何成为关键防线
随着企业将AI智能体引入日常工作流程，一种新型安全隐患正在悄然形成。销售代表向AI智能体询问客户定价，智能体从受限系统、内部通讯和历史报价中抽取数据，另一个智能体随即用这些数据起草提案——全程无人审核。当提案被发现包含未经授权的机密信息时，没有人能追溯问题数据从何而来、如何在系统与智能体之间扩散。这一场景揭示了当前AI治理面临的核心挑战：企业需要管理的不再是静态文件，而是被持续摄取、复制、汇总、转换和再分发的动态碎片化数据。传统的以应用、网络或终端为中心的安全体系已无法应对这一现实。MIT Technology Review与数据安全公司Cyberhaven联合发布的报告指出，在智能体规模化部署的背景下，建立数据溯源能力是实现有效治理、问责与信任的前提条件。
企业AI应用正在从单一模型问答快速演进为多智能体协作工作流。在这类场景中，一个智能体的输出会直接成为下一个智能体的输入，数据在系统之间流转时几乎不经过人工审核。这种自动化链条极大提升了效率，但也在每一个交接节点埋下了安全隐患——任何一处数据污染都可能在整个流程中无声扩散。
传统企业安全体系的设计逻辑建立在「数据静止」的假设之上：文件存放在固定位置，权限边界清晰可控。然而，AI智能体打破了这一前提。数据在被摄取后会经历汇总、改写、嵌入向量数据库等多重变换，原始来源的访问权限标签往往在这一过程中丢失。结果是，即便原始数据受到严格保护，其衍生内容却可能以无标记的形式流向不该到达的地方。
MIT Technology Review与Cyberhaven联合发布的报告将这一问题定性为「数据可见性问题」而非「工具问题」。这一判断意味着，单纯叠加更多安全产品并不能解决根本矛盾。企业真正需要的是能够追踪数据从产生到消费全生命周期的溯源能力，即在任意时间点回答「这条数据从哪里来、经过了哪些处理、被哪些智能体使用过」。
数据溯源（Data Lineage）并非新概念，但在智能体工作流中其重要性被显著放大。有效的溯源体系需要在数据流动的每个节点打上可追踪的标记，并在智能体之间的交接过程中保持这些标记的连续性。这不仅是技术问题，也涉及组织层面的流程设计：哪些交接需要人工审核节点，哪些数据类别禁止进入智能体工作流，都需要在治理框架中明确规定。
报告强调，随着人机混合工作流成为常态，问责机制的设计必须同步升级。当一份包含敏感信息的提案由AI智能体生成时，责任归属往往模糊不清。建立清晰的数据溯源记录，不仅有助于事后追责，更能在事前通过可见性约束智能体的行为边界，从而在效率与合规之间找到可持续的平衡点。
要点
- 多智能体工作流中数据在无人监督下跨系统流转，传统以终端或网络为中心的安全体系无法有效拦截数据泄露风险
- AI安全的核心矛盾是数据可见性不足，而非缺乏安全工具——叠加产品无法替代对数据流动路径的系统性追踪
- 数据溯源能力是智能体规模化部署的治理基础，需要在技术实现和组织流程两个层面同步建立
- 人机混合工作流要求企业重新设计问责机制，明确哪些数据类别和交接节点需要人工审核介入
原始标题：Securing the agentic enterprise with data lineage
本文由 DataHub 基于公开来源整理，用于信息发现与摘要阅读；具体事实、数据和后续更新以原始来源为准。