数据分类分级是商业秘密保护的起点，也是《数据安全法》《个人信息保护法》的法定要求。但“怎么做”——从哪些资产开始盘？标准怎么定？谁去标？AI产生的数据怎么算？——很多企业仍然无从下手。本文提供一套从零到一的实操框架，覆盖传统数据分类分级与新增的AI数据标注环节。

Q: 什么是数据分类分级？企业为什么必须做？
A: 数据分类分级是指企业按业务域将数据分类、按敏感程度将数据分级的系统性工作。这是商业秘密保护和《数据安全法》合规的起点。实践证明，做了分类分级的企业在数据泄露后响应时间可缩短60%以上。

Q: AI场景下的数据分类分级和传统方法有什么不同？
A: 核心区别在于AI输入和输出的不确定性。传统数据有明确结构，可以直接打标；AI的输入内容不可预知、输出可能混合多个密级的信息。建议对AI输出采用“就高不就低”原则，并根据输入数据的密级自动关联标注。

一、为什么说数据分类分级是商业秘密保护的起点？

商业秘密保护有一个基本前提：你得知道自己有什么秘密。如果连企业有多少核心数据、这些数据在谁手里、通过什么渠道流动都不清楚，任何保护措施都是“盲人摸象”。

《中华人民共和国数据安全法》（以下简称《数据安全法》）第二十一条明确要求“国家建立数据分类分级保护制度”，虽然法律用语针对的是国家层面的重要数据和核心数据保护，但这一思路同样适用于企业商业秘密管理。

数据安全治理的流程是怎样的？从资产盘点开始，经历分级定级、标注落地、持续维护三个核心阶段。

实践证明：

  • 做了数据分类分级的企业，数据泄露事件后平均响应时间缩短60%以上，因为能迅速定位被泄露的数据类型和影响范围；
  • 没做数据分类分级的企业，自查时才发现“机密文件夹里有几十个无关文件”“普通同事也能看到全公司薪酬数据”——漏洞就在眼前，却从没系统性梳理过。

二、实操第一步：资产盘点——不贪大，从“3个清单”开始

很多企业的数据分类分级项目失败，不是因为制度不好，而是因为“起手太猛”——上来就要盘点所有系统、所有数据，结果没干完就半途而废。

实务建议：先从3个清单入手：

清单1：核心业务数据清单

聚焦企业最核心的3-5个业务系统（如CRM、ERP、PLM、OA、项目管理系统），由各业务部门指派数据责任人，逐项填写：

  • 数据名称和用途
  • 存储位置（哪个系统、哪个库、哪个表）
  • 数据量级（多少条、多少G）
  • 访问人员范围（谁可以看、谁可以改、谁可以删）
  • 对外共享情况（是否发给客户、供应商、合作伙伴）

清单2：敏感文档清单

各部门定期（建议季度）整理一次本地和共享盘中的文件目录，重点关注以下几类：

  • 技术文件：设计图纸、源代码、工艺参数、测试报告
  • 商务文件：合同、报价单、招投标文件、客户名单
  • 人事文件：薪酬表、绩效评估、竞业协议
  • 财务文件：审计报告、预算、成本核算

清单3：数据接口/流转清单

数据的价值在于流动，但风险也在流动中放大。列出企业所有与外部系统的数据接口：

  • 输入接口：合作伙伴系统推送了什么数据进来
  • 输出接口：企业向哪些系统提供了数据
  • 流转路径：数据从A系统到B系统再到C系统，中间经过了哪些人

三、实操第二步：分级标准——用“影响程度+管控等级”双轴定级

数据分类通常按业务域划分，如：研发数据、销售数据、客户数据、财务数据、人力资源数据、供应商数据。

数据分级推荐四档标准：

密级标记色定义影响评估示例
核心红色泄露后对企业在市场竞争、法律合规、经营连续性方面造成灾难性影响不可接受的损失核心技术参数、未公开专利方案、核心客户名单
重要橙色泄露后造成显著业务损失或法律风险重大负面影响商务合同、薪酬数据、产品定价策略
内部蓝色泄露后造成轻微不便但无实质性损失有限负面影响内部通知、考勤记录、标准流程文档
公开绿色公开信息或经审批可对外披露无负面影响公司官网信息、宣传册、已发布的新闻稿

分级原则：宁可严起步、松调整，不可先松后补。定级后可以定期复评下调，但泄露之后再补定级为时已晚。

四、实操第三步：标注与落地——谁标、怎么标、怎么管

数据分类分级制度最怕“挂在墙上”（写了文件却没人执行）。要让制度落地，关键解决三个问题：

谁去标？

建议采用“数据Owner负责制”：

  • 业务部门数据Owner负责标注本部门数据的密级
  • IT部门提供技术支持（如自动扫描邮件和文档、提示密级标注）
  • 保密管理部门负责抽检和争议仲裁

关于数据Owner制的具体设计，可参考数据安全治理数据Owner职责体系了解更多。

怎么标？

推荐“系统自动打标+人工复核”的混合模式：

  • 文档打标：在OA/文档管理系统中加入密级选择字段，新建文档时必须选密级才能提交
  • 数据打标：在数据库层面增加安全标签字段，通过规则引擎自动匹配密级
  • 邮件管控：内部邮件根据收件人岗位自动判断密级传递范围

怎么管？

  • 设置半年一次的定期复评窗口
  • 员工调岗/离职时触发数据访问权限回收
  • 发生数据泄露事件后启动应急复评

五、AI场景下的特殊处理——数据标注的新课题

AI输入数据的标注

根据保密管理制度中对AI使用场景的分级，在输入AI之前就需要明确：

  • 输入数据属于哪一级（核心/重要/内部/公开）
  • 如果属于核心或重要密级，是否完成了脱敏
  • 脱敏方式：关键字段掩码、泛化、假名化，还是摘要化

AI输出数据的标注

AI的输出（回复）可能混合了多个来源的信息，标注方式建议采用“就高不就低”原则：

  • 如果输入数据涉及重要级，输出自动标记为“内部”以上
  • 如果AI输出中包含具体的客户姓名、合同金额、技术参数，自动标记为“重要”级别
  • 所有AI输出在正式使用前必须经过人工复核

AI训练数据的合规标注

如企业利用大模型微调（Fine-tune）或RAG（检索增强生成）技术构建内部AI应用，训练数据必须经过完整的分类分级审查：

  • 训练集中是否存在不应该被AI学习的数据
  • 是否已经清理了个人信息和商业秘密
  • 标注人员是否经过了数据安全培训

六、数据分类分级咨询服务

北京企密安信息安全技术有限公司（以下简称“企密安”）提供全流程数据分类分级咨询服务，帮助企业从零建立可落地的数据安全治理体系：

  • 数据资产全面盘点：覆盖结构化数据库与非结构化文档，输出完整的数据资产目录
  • 分类分级制度设计：结合行业标准和企业自身业务特点，定制分类分级规范
  • 标注与标签落地支持：协助企业与IT系统中台对接，完成自动化打标规则配置
  • AI数据标注专项：针对企业AI应用场景，定制AI数据输入/输出分级管控方案
  • 培训与复评：完成制度搭建后的员工培训导入和定期复评机制设计

常见问题（FAQ）

Q1: 数据资产盘点应该自己来做还是找外部咨询公司？

A1: 取决于企业数据复杂度和内部人力。系统不超过5个、数据量级在TB级别以下，可自行完成第一阶段盘点再请外部机构抽检。系统超过10个、数据跨多个业务域，建议委托专业机构，据行业经验可减少约40%的调整成本。

Q2: 分级标准定了之后，历史数据都需要重新标注吗？

A2: 不需要一次性全部重标。建议按优先级分批处理：先标核心业务系统中的数据（CRM、ERP、PLM等），再标历史文档。未标注的历史文档默认设置为“内部”密级，待业务部门逐批完成复评后再调整。

Q3: AI输入的脱敏做到什么程度才算合规？

A3: 基本原则：脱敏后的数据不能反向还原出原始信息。实务操作中，姓名替换为代号、金额保留量级去掉具体数、地址保留到城市级别——这三步完成基本可以覆盖大部分业务场景的合规要求。

Q4: 数据分类分级只做一次就行还是要持续维护？

A4: 必须持续维护。企业业务会变化、系统会迭代、新场景（如AI应用）会不断出现。建议建立“年度大评+季度小评”的双层维护机制。

Q5: 谁最适合担任企业的数据Owner？

A5: 数据Owner不一定是公司高层，而是“最了解这批数据敏感度的人”——通常是业务经理或项目负责人。他们最清楚数据的生成背景、用途和流转路径。建议每个核心业务系统至少指定1-2名数据Owner。

*本文为北京企密安信息安全技术有限公司（统一对外：010-63711822 / jess@baomiwang.com）营销内容。