> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/data-masking-enterprise-ai-2027.md).

# 数据脱敏处理怎么做？2027年企业AI落地前的四道关

本文整理自 Duaer 文档站，围绕企业AI落地中最先遇到的数据合规问题，讲清AI场景下数据脱敏为什么更难、如何分级、怎样选择方法、如何验证并嵌入调用流程。

## 为什么AI场景里的脱敏比传统报表更难

很多企业在推进AI时，最先遇到的合规问题往往不是模型本身，而是数据。业务人员为了让大模型写出更准的客户回复，直接把客户手机号、身份证号、合同金额整段粘贴进对话框；数据团队为了做测试集，把生产库导出一份副本交给外部标注团队；研发为了调试接口，把带真实姓名的日志原样保留。这些动作每一步看起来都很小，但合在一起，就是企业敏感信息在不知不觉中流出内部边界。

数据脱敏处理，就是在数据被AI系统读取、加工、外发之前，把其中的敏感信息去掉、替换或模糊化，同时尽量保住数据的业务价值。它听起来是一项老技术，但放到AI场景里，难点明显不同。

传统的数据脱敏，多半发生在报表和测试环境里：字段固定，用途单一，脱敏后交给固定的人看。AI场景则不同。大模型接收的是自由文本，敏感信息可能藏在句子中间，比如「张经理上周在杭州的那笔订单」，里面既有人名也有地点和业务线索，靠字段名识别根本抓不全。

另一个难点是多次流转。同一份数据可能先进入知识库，再被向量化，再被提示词拼接，最后写进日志和评测结果。脱敏如果只做了第一步，后面几个环节依然暴露原始信息。所以AI场景里的脱敏，要盯住的是整条数据链路，而不是某一张表。

## 常见误区：把脱敏理解成删列

最常见的误区，是认为脱敏就是删掉身份证号、手机号这几列。这样做在结构化表里尚可，但会带来两个问题。其一，即使删了直接标识符，剩下的组合信息仍可能指向具体个人。比如某个小城市、某个月份、某类罕见病的组合，就足以反推出身份。其二，删列会让数据失去可用性，模型无法学到「同一客户多次咨询」这类关系，测试结果也就失真。

第二个误区是一刀切。有的团队为了求稳，把所有字段统统遮盖成星号，结果数据完全不可用，业务方转身又去拿原始数据。脱敏做得越粗，越容易催生影子数据，合规风险反而更高。

## 先分级，再决定脱敏到什么程度

正确的顺序是先分级，后选方法。建议把企业数据粗分为三档：直接标识符，如姓名、证件号、手机号、银行卡号；准标识符，如出生年月、邮编、职位、门店编号，单独看不敏感，组合起来可能识别个人；业务敏感字段，如价格策略、合同条款、未公开财务数据，它们不一定涉及个人，但泄露同样有代价。

分级之后，再决定每一档用什么强度。直接标识符通常需要不可逆处理；准标识符要检查组合后的唯一性；业务敏感字段则更多靠权限和访问范围控制，而不是单纯替换。这一步做完，团队就知道哪些数据可以直接进入AI流程，哪些必须先处理，哪些根本不该进入。关于这种「可用不可见」的合规思路，可以参考本站的[数据不出域、可用不可见：2027年企业AI合规怎么落地](https://doc.duaer.com/zh/guides/data-no-export-usable-invisible-ai-compliance-2027/)。

## 常用手段怎么选，以及脱敏之后如何验证

脱敏手段不少，关键是按用途匹配。遮盖适合展示场景，比如客服界面只显示手机号后四位；泛化适合分析场景，把具体年龄换成年龄段，把精确地址换成城市；假名化适合需要跨表关联的场景，用稳定的替代编码代替真实标识，同时把映射表单独存放、严格限权；加密映射则用于必须还原的场景，原始值以密文保存，只有在授权流程中才能解密。

对AI应用而言，还要特别处理自由文本。常见做法是先用规则加模型的方式识别实体，再按实体类型替换为占位符，比如「某客户」「某门店」。这种替换要保持上下文一致，同一个人在一段对话里应当始终用同一个占位符，否则模型会把两个人当成两个人，推理就会出错。

很多项目做完脱敏就结束了，这其实是半途而废。脱敏后至少要验证两件事。第一是不可还原：用抽样的方式检查，能否仅凭脱敏后的字段，结合公开或内部可得的其他信息，反推出具体个人。第二是仍然可用：用脱敏数据跑一遍原定的业务任务，比如分类准确率、检索召回、报表口径是否一致，确认损失在可接受范围内。

这两件事需要互相制衡。只追求不可还原，数据会变得无用；只追求可用，又可能留下泄露口子。验证报告应当写明每类字段用了什么方法、抽检了多少样本、发现了哪些问题，并由数据安全和业务负责人共同确认。

## 把脱敏嵌进调用链路，并用指标衡量效果

靠员工自觉遵守脱敏规范，通常撑不过一个季度。更可靠的做法，是把脱敏写进系统流程：数据进入模型网关之前自动识别并替换敏感字段；提示词模板里禁止直接拼接原始证件信息；日志和评测集默认走脱敏通道，只有审批通过的任务才能访问原始库。这样脱敏变成默认行为，而不是例外。

如果团队暂时没有成熟的工程能力，也可以先从一个高频场景切入，比如客服知识问答，把进入模型的字段先统一过一遍规则。Duaer这类平台可以帮助企业把数据接入、字段处理和调用审计串成一条可跑通的流程，适合想快速验证脱敏方案是否可行的团队；但平台只是工具，字段分级和验收标准仍需要企业自己定义。

衡量脱敏，不要只看覆盖率。建议至少跟踪四类指标：敏感字段在进入AI流程前的拦截率，用抽检方式估算；脱敏数据的业务可用性，即关键任务指标相对原始数据的变化幅度；违规外发事件的数量和处置时长；以及日志和评测集中敏感信息的残留情况。每个季度复盘一次，把抽检中发现的漏网字段回填到规则库里，形成闭环。

## 本周可以做的一件事

本周最值得做的，是挑一个正在使用AI的业务场景，盘点它从数据源到模型、再到日志输出的完整路径，在每个节点标注出现了哪些敏感字段。你会很快发现，真正的风险点往往不在模型，而在某个被遗忘的导出脚本或某份没人清理的测试集。把这张图画出来，就是脱敏工作的起点。

如果你希望把这套流程在实际业务里跑起来，欢迎注册 [Duaer](https://www.duaer.com)，直接体验从数据接入到脱敏调用的完整链路，先用一个小场景验证效果，再决定是否扩展。

我们也可以免费给你一份这个场景的落地路线：说明你的业务场景和数据情况，我们会据此整理一份书面的落地路线。https://api.duaer.com/form/1fea7709-3f8a-47f7-b4e3-eb5fb90e3213

脱敏不是为了让数据变得毫无用处，而是为了让AI在安全的边界内发挥作用：先分级，再选方法，最后用验证和流程把它固定下来。

## 常见问题

### AI场景下的数据脱敏和传统报表脱敏有什么区别？

传统脱敏多发生在字段固定的报表和测试环境中，用途单一。AI场景处理的是自由文本，敏感信息可能藏在句子中间，并且同一份数据会经过知识库、向量化、提示词拼接、日志和评测等多个环节，因此需要覆盖整条数据链路，而不能只处理某一张表。

### 脱敏只删除手机号和身份证号就够了吗？

通常不够。即使删除了直接标识符，地区、时间、职位等准标识符组合起来仍可能指向具体个人；同时，简单删列会让数据丧失关系信息，影响模型和测试结果。更稳妥的做法是先对字段分级，再按级别选择遮盖、泛化、假名化或加密映射等方法，并检查组合后的可识别性。

### 脱敏后的数据如何验证既安全又可用？

可以从两方面验证：一是抽样检查仅凭脱敏字段结合其他可得信息能否反推出具体个人，确认不可还原；二是用脱敏数据跑一遍原有业务任务，比较分类准确率、检索召回、报表口径等指标，确认损失在可接受范围内。验证结果应记录方法和样本情况，并由数据安全与业务负责人共同确认。

