工信部“人工智能+软件”新政落地丨AI规模化应用，数据安全如何合规破局？

近日，工业和信息化部正式发布《“人工智能+软件”专项行动实施方案》（以下简称“方案”），明确了我国软件产业智能化升级的发展路径与阶段目标，提出坚持应用牵引、创新驱动、安全可控、生态协同四大原则，推动AI重塑软件产品形态、开发模式与服务模式。

值得注意的是，《方案》还重点提出要提升安全保障能力，为智能体规模化落地划定安全红线。

《方案》核心要点

创新为引擎，安全为底线

《方案》中多处隐含对数据要素治理的要求：无论是智能编程的训练语料、智能体软件的业务输入输出，还是行业场景的标杆应用，都高度依赖企业内部业务数据、行业敏感数据。数据是AI能力的 “燃料”，燃料的采集、流转、使用、留存如果缺少管控，创新就会伴随巨大的安全隐患。

将安全可控纳入顶层原则

《方案》把安全放在与创新同等重要位置，要求在技术迭代、场景落地的同时，统筹模型安全、供应链安全、数据安全风险，构建适配AI时代的安全保障体系。

推动软件产业全流程智能化改造

推广智能编程、智能开发平台，赋能软件企业研发提效，实施智能化技改项目，改造传统软件生产模式

培育智能体软件等全新产品形态

鼓励面向行业场景打造标杆应用，探索大模型、智能体与业务软件的深度结合，催生软件新业态

AI融合现状

效率提升，暗藏多重安全风险

当前不少企业已经开启AI +软件的实践，借助大模型、智能体工具提升研发、办公、业务系统能力，但在实际落地中，数据安全风险正在集中显现，这也正是专项行动强调安全可控的现实背景。

敏感数据非可控投喂带来泄露风险

员工在使用智能编程工具、AI助手时，很容易将源代码、设计图纸、客户资料、经营财报、商业合同等核心内部数据直接输入大模型。一旦缺少管控，企业高价值数据会流出内部环境，造成商业秘密泄露，同时违反《数据安全法》《商业秘密保护规定》等合规要求。

AI全生命周期的数据流动风险复杂化

区别于传统软件，AI场景下数据流向更加多元：训练阶段语料来源不可控、推理阶段输入输出数据不可控、智能体插件调用第三方接口造成数据外传；模型迭代过程中，历史会话、中间计算结果如果未做清理，也会带来敏感信息留存、二次泄露隐患。

传统安全防护体系对AI场景适配不足

很多企业现有安全手段更多针对传统业务系统，面对智能体、AI插件、智能编程工具这类新型应用，存在管控盲区。传统监控只能做到事后告警，难以在源头实现敏感数据 “可用不可见”，无法适配AI时代数据防护的新诉求。

合规与业务效率的平衡难题

很多企业陷入两难：放开AI使用，就要承担数据泄露风险；一刀切禁用AI，又无法享受专项行动鼓励的智能化转型红利。如何建立 “不阻碍创新、又守住安全底线” 的防护框架，成为众多企业的现实考题。

以数据安全能力

敏感数据资产梳理与分类分级

依托AI智能定密大模型能力，可以帮助企业完成海量文档、图纸、源代码等数据资产的智能识别、分类分级，解决传统人工梳理效率低、错漏多的痛点，为AI场景下的数据治理打好基础。

建立制度+技术双轮驱动的治理机制

一方面完善内部AI使用管理制度，明确员工使用规范；另一方面通过技术手段落地制度要求，避免单纯依靠人员自觉。定期开展风险评估，针对智能插件、第三方AI接口开展供应链安全核查，持续迭代安全策略。

《“人工智能+软件”专项行动实施方案》吹响了我国软件产业智能化升级的号角，人工智能正在重塑软件行业的生产力。但技术红利释放的前提，是守住安全的底线。

数据安全不是AI创新的阻碍，而是产业行稳致远的压舱石。对企业而言，拥抱AI转型，应当做到创新与安全两手抓。