韩国信息管理技术士양희은：AI项目失败更多因为数据用不了而非数据脏

「数据太乱了。」——AI项目没达到预期时，这是最常听到的解释。韩国信息管理技术士양희은在ZDNet Korea专栏中承认这个说法不算错：Gartner预测到2026年，60%未具备「AI就绪」数据的项目将被中止，63%的组织尚未建立适配AI的数据管理体系，或根本不确定自己是否具备。大量企业因此把预算投向清洗、标准化和质量管控。

但양희은指出，她在公共机构和企业中亲自做数据假名处理时遇到的失败，面孔完全不同。「不是因为数据脏，而是因为用不了，项目就停了。」清洗完毕的数据明明在那里，却因为属于个人信息而无法投入训练；或者投入之后才暴露问题，服务被迫下线。

她区分了两种常被混淆的标准：数据质量（准确性、完整性、一致性）和数据可用性（这个用途能不能用）。以异常交易检测为例，如果把「异常值」当作噪声清除，质量指标上升了，模型却丢掉了它本该捕捉的信号。质量不是数据的固有属性，而是相对于用途而言的。更进一步，即使所有质量指标都达标，如果法律不允许这个用途，对AI来说就等于不存在。

양희은将「用不了的数据」分为三类。第一类是法律上不能使用的：为服务目的收集的客户数据若直接用于AI训练，可能引发目的外利用争议；未事先确认同意范围、合法依据和假名处理要件的项目，在开发末期被法律审查叫停。第二类是拿不出机构的：数据一旦发往外部合作方、云平台或海外大模型API，就触发处理委托和跨境转移问题；网络隔离和集团内数据合并程序同样构成壁垒。她参与过一个交通领域公共机构项目，数据不能离开机构，最终只能把与外网隔离的处理设备搬进现场，在内部完成处理，只带出结果。第三类是最危险的——看不见的：咨询录音、合同、邮件、扫描件中混杂着姓名、联系方式、身份证号和健康信息，但传统以结构化数据库为中心的防护体系根本抓不到它们。她在为一家信息安全机构做咨询语音假名处理时发现，个人信息散落在对话各处而非固定字段中。如果将这些内容原样放入RAG或训练数据，一句提问就可能泄露隐私。

三类问题的共同点是：清洗工具解决不了它们，需要的是让数据「变得可用」的体系。양희은将隐私技术描述为一条光谱而非二选一：原始数据效用最高但只能在同意或法律依据明确的范围内使用；假名信息在统计和科研等目的下无需额外同意，是内部分析和模型训练的现实选择；匿名信息使用自由但信息损失大；合成数据在开发测试、外部协作和稀缺样本增强上有优势，但若与原始数据过于相似则存在再识别风险，必须验证。核心不是选「最安全的方法」，而是选「匹配用途的方法」。

她举了一个具体实验：某地方自治体的CCTV视频需要假名处理。用公开行人数据集测试，对人脸做模糊处理后行人检测mAP从0.595降到0.579；而用生成式AI将人脸替换为虚拟面孔，mAP保持在0.594，几乎无损。同样的假名目标，不同技术路径对数据效用的影响差异显著。金融领域机构的错汇款数据则经过验证后以合成数据形式在韩国公共数据门户上公开。

在治理层面，양희은用了一个比喻：隐私治理不是刹车，而是信号灯。许多组织把个人信息保护当作AI项目的最后一道关卡——做完之后才送法务和安全审查，于是返工和延误反复发生。她引用韩国个人信息保护委员会2025年8月发布的《生成式AI开发与利用个人信息处理指南》，该指南建议从目的设定阶段就确定处理范围，并要求数据保护负责人从项目规划初期就参与。如果「这个用途对应这条处理路径」的规则事先定好，业务团队就不必每次从头申请审批。她的判断是：治理越精细的组织，AI扩散反而越快、越广。

最后她给出五条执行条件：先写数据用途规格书再选模型；绘制包含非结构化数据在内的数据地图并分类敏感度；按用途和风险等级标准化处理路径并预设审批；同时评估处理后的任务效用和再识别风险；保留从原始数据到模型的完整处理记录。她总结道：把AI项目失败只归因于数据质量，解决方案就停留在清洗上；现场的真正瓶颈是数据是否匹配用途、是否允许该用途。成功AI转型的第一个条件不是更多或更干净的数据，而是设计出让数据按用途可用的治理。