聚焦CIAS丨广汽集团数字化部专业总师江泽鑫：企业数据要素可信流通思考与实践
2026-07-28
CIAS 2026第九届中国新能源汽车产业数智峰会已于广州成功举办。本届峰会，来自整车和零部件等企业数智化相关部门的120+专业嘉宾，围绕多个核心议题，带来20+前沿主题报告。这场深度融合交流的盛会，不仅为行业提供了洞察趋势、链接资源的高价值平台，更加速了数智技术与汽车产业的深度融合。
开幕式论坛上，广州汽车集团股份有限公司 数字化部专业总师 江泽鑫先生为大家带来了"企业数据要素可信流通思考与实践"这一主题分享。现将精彩内容整理如下，供参考。
江泽鑫 广州汽车集团股份有限公司 数字化部专业总师
主题分享 企业数据要素可信流通思考与实践
广汽是A+H股整体上市的汽车集团，也是广东省新能源汽车、智能网联汽车两大产业链链主企业。我们不只是整车制造主机厂，业务覆盖七大板块，现有员工10万人，带动上下游就业超80万人，最新全年产销规模约170余万辆。
集团全球布局四大研发中心、五大海外生产基地；每年新增车辆相关数据达数十万乃至百万级，数据体量仍在逐年持续增长。
我们十分荣幸在2025年入选国家数据局可信数据空间创新发展试点。整体建设严格遵循国家数据局相关规范、行业标准以及《可信数据空间发展行动计划（2024-2028 年）》的指导推进。
我们打造的企业级可信数据空间，核心是发挥链主企业责任，打通集团内部、产业链上下游、跨领域主体间的数据流通通道，落地各类数据流通创新探索。从整体架构来看，我们搭建了统一的可信数据流通技术基座，规划落地五大典型应用示范场景，配套上线一系列业务应用。截至目前，试点建设推进一年有余，累计落地29个跨主体、跨领域数据流通应用场景，实现参与主体可信、全流程流通可信。
接下来深度探讨数据流通这一核心议题。企业数字化转型历经多年发展，从早期信息化建设，到搭建 SOA、ESB企业服务总线架构，再到统一平台、数据中台、数据治理、用户体验中心建设，直至当下全面AI转型。梳理下来，我们数十年数字化建设持续攻坚的核心命题，始终是数据流通：打破数据孤岛，实现全域数据互联互通，支撑跨部门、跨企业高效业务协同。
但行业发展至今，数据流通落地依旧饱受各方诟病。很多新业务开展时，业务侧存在明确数据需求，却无法调取所需数据——各业务系统数据标准不统一、数据归属分散，跨部门、跨领域内部数据共享阻力极大；企业间数据流通难度更是成倍提升，即便要打通合作数据链路，也需要高层领导多方协调，沟通过程磕磕绊绊，协调成本极高。
基于行业普遍痛点，我们追本溯源，深挖数据流通落地困难的底层根源。站在企业经营视角，企业数字化建设长期借鉴头部企业成熟实践，主流建设思路以流程驱动为核心。我们从流程架构视角切入，梳理流程体系与数据流通的内在关联：
从流程架构维度看，企业全部业务数据均沉淀于各类业务流程活动中：或是业务自主采集、系统自动生成，或是外部采购、用户授权采集，或是业务执行过程中实时产生。流程活动沉淀交易类原始数据，经标准化梳理形成公共主数据，再基于主数据开展数据分析应用，这是企业完整的数据生成链路。
拆解单条业务流程后，从数据视角可将流程内数据划分为两类：过程性数据和结果数据。
基于流程架构底层逻辑，我们将企业全部数据流通场景划分为几类：
业务数据集成流通：A业务流程产出的数据，直接供给下游B业务使用。例如研发、制造环节生成的产品BOM清单，需要同步推送至采购部门用于物料采购，同步推送至工艺部门用于生产工艺匹配。这类基础数据流通是企业正常运转的基础，落地不存在明显阻碍，也并非行业普遍吐槽的痛点，真正难题集中在第二类场景。
创新业务数据资产交易流通：业务创新、新业务沉淀的数据具备资产价值，企业希望对外开展数据资产交易、数据价值变现，这是当前行业流通痛点最集中的场景。
结合上述分类逻辑，我们找到了流通难的核心矛盾：流程架构本质是成熟业务活动的标准化最佳实践总结。但创新业务、不确定业务场景，没有成熟流程可以标准化沉淀，无法依靠现有流程体系支撑数据流通落地，由此衍生出一系列现实阻碍。
行业内针对流通难，普遍存在四类片面归因，我们逐一拆解辨析：
第一类观点：流通受阻根源是安全合规限制，隐私计算落地后即可解决。但我们实践后认为，隐私计算实现的“数据可用不可见”仅解决多方合作的信任问题，无法覆盖全链路合规管控需求；同时现行法律法规并未一刀切禁止数据流通，合规约束是场景化、条件性的，并非流通的绝对壁垒。
第二类观点：等企业完成完整数据治理，明确数据 Owner 归属，流通难题自然化解。但实践证明，即便完成完善的数据治理、清晰界定数据权属，反而会进一步抑制数据流通：数据Owner权责完全压实后，对外提供数据将承担更高合规、安全风险，主观共享意愿会持续降低。
第三类观点：数据对外流通后企业无法管控副本，流通失控，需依靠数据使用控制技术解决。但我们判断，数据副本管控属于数据主权技术落地问题，并非数据流通本身的底层矛盾。
第四类观点：核心阻碍是企业内部部门墙，各部门主观不愿共享数据。我们深度调研后推翻这一认知：站在数据Owner视角，多数部门并非抗拒数据共享，而是存在三大核心顾虑：我为何要对外共享数据？对外提供数据是否存在合规门槛？数据对外使用后产生风险，责任是否由我承担？
综合全维度实践复盘，我们将制约数据流通的核心要素总结为十个字、五大维度：责任、合规、信任、安全、成本。其中合规与安全拆分独立维度，二者管控目标、约束逻辑完全不同。
▶首先拆解责任维度的核心矛盾。
前面提到，成熟法定流程内的数据流通可顺畅落地，矛盾集中在跨领域、跨主体的创新流通场景。从数据治理定义来看：数据由业务流程产生，业务负责人即流Owner，流程Owner同步为数据 Owner，数据Owner天然承担数据安全主体责任。
但当数据脱离企业内部法定流程，对外流转至其他业务、外部合作主体时，责任边界会完全模糊：数据Owner无法管控外部业务的使用场景、使用方式，外部业务链路也不归其管辖，但数据Owner却要为数据全生命周期风险承担责任，权责不对等直接导致流通链路无法打通。
针对这一矛盾，我们提出全新的责任划分思路——从安全管控视角重新切分权责边界：谁运营业务，谁管控对应数据；管控数据，就要对该环节数据安全负责。将数据全生命周期拆分为“数据产生源头”与“数据使用末端”两大环节，源头方仅承担数据生成、对外提供环节责任，使用方独立承担数据使用环节全部责任，权责完全切割，以此化解Owner 的责任顾虑。
▶权责拆分后，衍生出第二大核心难题：合规。
合规约束的核心痛点集中在个人信息类数据：自然人相关个人信息数据商业价值最高，同时也是流通环节合规管控最严苛、挑战最大的数据类型。现行《个人信息保护法》采用场景立法、使用目的约束的管控逻辑，举个车企实际场景举例：整车厂自有车主数据，能否对外提供给数据分析机构，用于用户画像、车辆精准定价？其中存在多层合规约束：
数据采集环节：采集车主个人信息的合法性基础严格遵循《个人信息保护法》第十三条，数据后续使用不得超出采集时约定的使用目的；
创新场景数据流通：若对外流通用于全新业务目的，属于使用目的变更，企业必须同步更新隐私政策，并按照《个人信息保护法》第十七条完成对车主的清晰告知；
跨主体合作角色界定：若数据交付外部机构使用，需先界定双方属于共同处理者还是受托处理者：
若为共同处理者，需按照《个人信息保护法》第二十条签订书面协议，明确双方权责；
若为受托处理者，管控要求相对简化，但数据对外提供环节，仍需按照《个人信息保护法》第二十三条向车主告知接收方信息、处理目的、处理方式，并取得车主单独同意。
数据对外流通时，企业必须完整厘清所有合作角色、权责边界、告知义务，任意环节缺失都会触碰合规红线；同时流通场景存在不确定性时，企业无法预判数据接收方的使用范围，进一步加剧合规管控难度。
▶第三大维度：信任。
行业内普遍形成 “原始数据不出域” 的通行规则，多数企业将其定义为安全管控手段；但我们实践后认为，该规则本质是信任管控方案，而非安全方案。从合规逻辑来看，原始数据不出域可隔离过程性原始数据，仅对外输出脱敏结果数据，结果数据仅适配预先约定的确定业务场景，以此固定数据使用边界，消除数据Owner对未知使用场景的合规顾虑，核心解决多方主体间信任缺失问题。
但该方案仍存在短板：站在数据使用方视角，无法核验输出结果数据的真实性、完整性，数据结果可信性无法保障，信任难题并未完全闭环。针对这一短板，我们依托密码学、隐私计算技术开展落地探索，其中隐私计算的临时授权机制，可有效补齐结果可信核验能力，完善信任管控体系。
▶第四大维度：安全。安全与合规严格区分：合规是遵循法律法规的强制性动作，安全聚焦数据全生命周期潜在风险。数据流通场景下，安全风险分为两大板块：
业务流程链路遭受网络、系统攻击的风险；
数据作为可复制资产，对外流通衍生的新型安全管控挑战。
针对系统攻击风险，传统企业数字化系统搭建三层基础安全防线，适用于企业内网闭环场景：
网络边界防线：云服务器、业务内网划分独立安全分区，隔离网络访问权限；
应用边界防线：Web 应用、系统功能配套权限管控、接口安全校验等防护措施；
数据底层防线：数据库、文件存储配套数据访问、导出管控策略。
传统业务数据仅在企业内网闭环流转，三层防线可实现完整防护；但数据对外流通意味着数据脱离内网安全堡垒，原生三层防线防护能力大幅弱化，叠加外部合作网络环境不可控，衍生大量全新攻击风险，传统安全架构适配性不足。
针对数据资产泄露管控风险，企业资产管控核心关注两点：数据副本总量、副本存储位置；确保所有数据副本留存于指定可信存储环境，杜绝无关人员越权访问。但数据具备极易复制、无限流转的特性：数据从主体A流转至B，B可无限制复制并流转至C、D等多方，企业无法追溯数据副本流转链路，无法区分副本原始来源。当前行业各类数据溯源、标识技术均无法实现完美管控，相对成熟的落地方案以微软相关数据标识体系为代表，但仍存在落地成本高、适配场景有限的短板。
我们总结数据安全管控的底层难点：数据无法像服务器、硬件等物理资源实现独占式管控，副本复制、跨主体流转门槛极低，且副本之间无法有效区分；而所有安全管控策略落地的基础，是精准识别管控对象、区分正常 / 异常访问行为。当管控对象无法区分、流转链路无法追溯时，全链路安全管控难以落地。
▶第五大维度：成本。
很多企业片面认为，数据调取、对外流通仅需简单接口对接，无需额外投入；即便企业落地数据湖、数据中台后，完整走完“责任划分—合规改造—安全防护” 全链路，仍需要定制化方案设计、系统开发、接口改造、合规材料梳理等大量人力、技术、时间成本。
大量创新业务在规划阶段未核算数据流通配套成本，数据Owner侧需要投入额外资源配合数据对外供给，且多数场景无对应的价值收益，反而需要承担合规、安全风险，多重因素叠加导致Owner主观共享意愿极低。同时数据Owner的核心主业为自有业务研发、生产运营，数据对外流通并非其核心工作职责，额外开发、协调工作进一步加重部门负担，流通推进阻力持续加大，成本是制约数据流通落地的重要隐性因素。
综合责任、合规、信任、安全、成本五大维度，我们提炼数据流通落地的底层逻辑，从数据确定性、业务确定性两个维度划分四类场景：
数据确定、业务确定：对应企业内部成熟法定流程场景，数据流通可顺畅落地，无明显阻碍；
数据确定、业务不确定；
数据不确定、业务确定；
数据不确定、业务不确定。
行业流通痛点集中在后三类场景。我们整套责任、合规、信任、安全配套解决方案的核心目标，是将 “数据/业务不确定” 的创新场景，逐步转化为 “数据、业务均确定” 的标准化场景。只要完成场景标准化转化，数据流通落地难度会大幅降低，若始终停留在不确定场景，各类管控难题无法根本性解决。
其中第四类“数据不确定、业务场景双重不确定” 场景，行业目前普遍束手无策，典型矛盾为供需信息不对称：数据需求方不清楚供给方拥有哪些可用数据，无法精准提出数据需求；数据供给方无法预判需求方业务场景，无法主动匹配对应数据，双方陷入循环沟通僵局，严重制约创新业务落地。针对该场景，我们同步开展可信数据目录、数据资源编制技术落地探索，打通供需信息壁垒。
经过一年多试点落地，集团累计落地29个跨领域数据流通应用场景，企业级可信数据空间平台正式上线，广汽集团成功入选国家数据局可信数据空间创新发展试点；整套数据流通管控体系通过汽车行业数据安全管理体系认证，我们自主研发的隐私计算设计方案、全链路合规管控方案，在全国行业数据要素大赛中斩获一等奖，同步沉淀一批相关领域发明专利、软著成果。
最后，和各位分享AI时代数据流通面临的全新挑战。
随着大模型、智能体等AI技术规模化落地，各行业对高质量训练数据、场景化业务数据的需求持续爆发，海量数据跨主体、跨领域流通成为常态，数据流通、数据安全管控难度进一步提升。
传统数字化系统三层安全防线适配性持续弱化：传统应用系统架构以前后端分离、固定业务权限管控为核心，第二道应用边界防线依托固定业务权限实现管控；AI辅助业务阶段，原有权限管控体系尚可适配；但全面AI驱动业务、智能体应用规模化落地后，传统前后端架构被颠覆，智能体无固定业务边界、访问逻辑动态变化，原有应用边界权限管控防线直接失效。
应用防线失效后，若底层数据防线未配套用户级精细化权限防御能力，原本由应用防线承担的访问管控、行为校验工作，必须全部下沉至底层数据防线，大幅加重数据安全管控压力。目前行业内尚未形成成熟、标准化的 AI 智能体数据安全管控解决方案，通用落地范式仍处于探索阶段。
以上梳理了当前数据可信流通领域存在的各类风险、底层难题与现实挑战，仍有大量行业共性问题亟待全行业协同攻克。