AI 治理策略：超越合规“外衣”

AI 正在推动董事会层面的紧迫感，并在市场中引发一个定义层面的问题。 2026 年 6 月，Gartner 发布了首份 Magic Quadrant for AI Governance Platforms，为企业用于监督其 AI 资产的相关平台提供了评估框架：对 AI 用例进行编目、管理模型风险、执行负责任 AI 政策，并展示对诸如欧盟《AI 法案》（EU AI Act）等新兴法规的合规情况。 但任何完全围绕模型监督构建的治理策略，都缺少关键的基础。 在你能够治理 AI 系统之前，你必须先治理这些系统“能够触达”的对象与边界。

在与 CIO 和 CISO 的交流中，数据与身份治理方面的担忧不断浮出水面。他们需要治理 AI 所摄取并重复使用的敏感数据，以及在其环境中不断扩散的“代理式身份（agentic identities）”。这些虽各不相同但同样迫切的问题，并非 Gartner 报告关注的重点。

风险是真实存在的：Netwrix 的 2026 Data & Identity Security Report 对全球 2,317 位安全与 IT 主管进行的调查发现，在过去 12 个月中 AI 显著扩大了身份影响范围的组织中，泄露（breach）率达到 43%。这几乎是那些未发生此类变化的组织中 11% 泄露率的近 4 倍。仅靠合规框架无法弥合这一差距。

组织在数据与身份控制不足的情况下扩大 AI 的规模

AI 治理有两个维度，而大多数框架只覆盖其中一个

Gartner 的定义是准确的，但不完整。

根据 Gartner 的定义，AI 治理平台旨在治理 AI 系统本身：正在使用哪些模型、它们如何表现、是否符合政策，以及组织能否向监管机构证明其承担责任。这是 AI 治理的一个维度。

对大多数组织而言，最需要优先处理的紧迫问题是：(1) 将数据管理整理到位，以及 (2) 加固身份控制。在 AI 场景中，这包括治理 AI 能访问哪些数据，以及 AI 在其环境中所采用的身份。每一项 AI 计划——从简单的 Copilot 部署到复杂的 agentic 工作流——都在处理数据。如果这些数据暴露过度、分类错误，或可被权限过高的身份访问，那么仅靠任何程度的模型卡（model-card）文档或偏差测试（bias testing）都无法阻止数据泄露（breach）。而当 AI 代理被授予其自身的访问权限（包括服务账号、令牌和持久权限）时，它们就会成为自身意义上的身份（identities），并承担由此带来的一切攻击面（attack surface）。

非人类身份：攻击者最先发现的治理漏洞

有一个问题值得特别关注：你对非人类身份的治理做得有多好？AI 代理不再是未来才需要担心的事项。它们今天就已经在部署，而且正以大多数身份治理方案并未被设计用于跟踪的速度，获取对数据、系统和 API 的访问权限。拥有对敏感数据“常驻、永续（always-on）”访问能力的 AI 代理，是一种与任何特权人类用户一样真实的身份风险；而在许多环境中，它们还远比人类更缺乏审查。如果你的身份治理计划没有明确覆盖非人类身份和 AI 代理，那么就存在一个攻击者会在你的审计人员之前发现的漏洞（gap）。

我们的调查数据凸显了紧迫性：74% 的组织并没有对敏感数据以及哪些身份可以访问这些数据的“单一、统一视图”。 在这一基础之上急于部署 AI 的组织，或许能加速业务发展，但同时也在放大自身风险。

数据与身份安全：AI 治理战略的前提条件

尽管 Gartner 的报告聚焦于对 AI 使用进行治理，但对于着手启动 AI 治理计划的 CIO、CISO 和合规官而言，务必将数据安全与治理，以及身份安全与治理置于优先级。每一位 IT 与安全负责人都应从今天开始，对自身的 AI 准备情况进行评估；首先从审查其数据和身份态势（posture）开始。

为支持这一工作，Netwrix 汇总了一份可向团队提出的问卷清单：

面向数据安全与身份安全准备度的 AI 治理清单

• 我们是否已发现并对所有数据进行了分类？
• 我们是否已经拥有一份完整的清单，明确敏感数据在整个环境中的存放位置？
• 我们是否拥有单一、统一的视图，能够清楚地看到敏感数据存放在哪里，以及哪些身份（人类、服务帐户、AI 代理等）可以访问这些数据？
• 我们能多快确定哪些身份可以访问某一特定的敏感数据？
• 我们是否能够识别过度或不必要的数据访问权限？
• 我们的数据访问权限是否尽可能严格（例如，是否应用了最小特权原则，或者是否存在一定程度的过度配置）？
• 在我们的环境中，非人类身份（非自然人）获得对敏感数据的访问权限会有多快？
• 我们能在多大程度上发现、跟踪和监控具有数据访问权限的身份？
• 我们在治理非人类身份方面有多成熟？
• 我们对非人类身份（包括 AI 代理）的数据访问控制，是否和对人类身份一样受到同等严密的管理？
• 当不再需要敏感数据时，我们能否立即撤销对其的访问权限？
  • 针对人类？还是针对 AI 代理？
• 我们能否持续发现数据以及哪些 identity 可以访问它？还是仍在进行定期审查，从而可能留下潜在的暴露空白？
• 我们能否识别高风险或有害的访问组合（例如：批准 + 修改 + 删除）？
• 一旦发现过度或高风险的访问，我们能多快完成整改？
• 特权账号被授予对敏感系统或数据的“常设/始终在线”访问权限的频率有多高？
• 我们是否有把握确认目录环境（例如 Active Directory、Entra ID 等）中不存在可能导致权限提升的错误配置？
• 我们能否在端点上阻止敏感数据和源代码流向未获批准的 LLM？
  • 除了 Windows 呢（例如面向 Mac 或 Linux 设备）？
• 我们是否能够清楚了解 Copilot 可以访问哪些数据？并且数据是否得到了恰当的治理，从而避免敏感数据通过 Copilot 无意间暴露给员工？
• 我们是否拥有 对 AI 编程环境中明文令牌和凭据使用情况的可视化与控制（一种常见做法，攻击者可以借此加以利用）？
• 我们有多大把握能够证明符合新兴的 AI 监管要求（例如《欧盟 AI 法案》，或其他国家/本地/行业法规）？
• 在我们的组织中，谁对与 AI 相关的风险承担责任？
  • 他们是否具备足够的可视性和控制能力，以应对董事会或审计人员的提问？

对这类问题的回答能够让您清楚了解自身的差距所在，以及哪些领域需要优先投入，以确保 AI 的就绪能力。

IT 和安全团队已被压到极限

在 Netwrix 的调查中，我们了解到：目前有 60% 的组织将预算约束或技能与人员配置方面的差距，视为提升身份与数据安全的最大障碍。尽管 AI 带来了新的紧迫性，但资源受限的 IT 和安全团队仍然可以选择对身份与数据治理以及安全进行更高效的优化。

无论是小型还是大型团队，都面临一个迫切的挑战：工具碎片化（tool fragmentation）。20% 的调查受访者将其列为提升身份和数据安全的最大障碍，仅次于预算受限以及技能与人员配置方面的缺口。

减少工具蔓延（tool sprawl），强化您的 AI 治理（AI governance）策略

Netwrix 正在通过减少工具蔓延（tool sprawl），让资源紧张的团队更容易取得成功。Netwrix 1Secure™ 它在一个 SaaS 环境中统一关键的数据与身份安全以及合规能力。1Secure 最快可在 20 分钟内生成报告，突出暴露风险，并提供修复指导。

您还可以使用免费的 Security Maturity Assessment 工具，将自己的安全成熟度与同类组织进行对标。想了解 Netwrix 如何为 Copilot 和 LLM 数据保护开展 AI 治理，请访问 AI Governance 平台页面。

没有数据与身份安全的 AI 治理只是一种合规“表象”。

只治理 AI 系统、却不治理 AI 能访问的数据以及 AI 所假定的身份的 AI 治理计划是不完整的策略。走在前面的组织并不等待某个治理平台告诉他们模型表现如何。他们从今天开始，通过理解自身的数据态势（data posture）、加强身份控制，并将 AI 代理当作它们本质上所代表的身份来对待。正是这种工作，才让“符合审计员勾选项”的治理计划与真正降低风险的治理计划拉开差距。