在数据要素价值加速释放的背景下，数据安全正从“配套环节”转向“关键基础设施”。
多地加快推进数据资源开发利用，企业跨系统、跨部门、跨地域的数据流转更频繁，叠加云化、移动化与接口化带来的开放性，敏感数据“看不清、分不准、管不住”的问题更加凸显。
如何在不影响业务效率的前提下，持续识别、分类、分级并跟踪敏感数据流向，成为政企数字化转型绕不开的必答题。
问题在于，数据资产规模快速扩张与安全治理能力之间存在结构性落差。
IDC在报告中指出，近一半企业的数据资产可归入敏感或机密范畴，且数据在生产、调用、共享、交换等环节的风险点增多。
现实中，不少单位仍依赖关键词匹配、正则规则与经验模型进行识别：一方面面对非结构化内容、图片文档、日志流量等类型时适配不足；另一方面在业务迭代与数据格式变化后，需要频繁调整规则，成本高、周期长、误报漏报难以避免，进而影响安全管控的有效性与可持续性。
原因可从三方面理解：其一，数据形态正从以结构化为主转向结构化与非结构化并存，多模态数据增长明显；其二，数据调用方式由“库内存取”走向“接口调用、服务化流转”，敏感信息可能在链路中多次复制、加工与衍生，传统静态盘点难以覆盖；其三，行业合规要求与安全责任持续压实，数据分类分级、最小权限、可追溯审计等能力需要更强的自动化支撑。
技术上，面向语义理解与上下文推断的智能化能力，正在推动相关产品由“单点检测”向“可持续治理”演进。
在上述背景下，IDC首次对中国敏感数据识别智能体开展实测评估，采用厂商调研访谈、技术能力场景验证、真实用户使用反馈等方法，对检测能力进行多维度对比。
报告显示，市场正从“工具化竞争”走向“智能体化竞争”：不仅看识别准确率，也看多场景适配能力、数据类型覆盖、与现有系统联动效率以及真实落地效果。
报告中提到，深信服科技在敏感数据识别效果、多模态数据支持、行业适配等维度获得较高评价，并在多个维度表现领先。
从影响看，敏感数据识别能力的提升将直接改变企业数据治理路径。
一是治理视角更全面：将静态数据库与动态接口流量纳入统一识别与分析框架，有助于形成“数据资产一张图”，为分级分类、访问控制、脱敏与审计提供基础底座。
二是治理节奏更快：通过自动化识别与批量处理，缩短摸底周期，减少对人工抽检的依赖，提升治理从“阶段性”向“持续性”转变的可行性。
三是投资更精准：如果能够将数据流转与身份、业务场景关联起来，安全管理者可据此判定高风险链路与重点资产，提升安全投入的优先级判断能力，避免“重建设、轻运营”的低效投入。
对策层面，行业普遍需要从“技术、流程、组织”协同发力。
技术上，应推动动静态一体化识别、接口链路可视、策略自动化生成与校验等能力融合，减少系统割裂造成的盲区；流程上，应将分类分级与数据全生命周期管理打通，把识别结果落到权限管理、共享审批、脱敏规则、审计告警等具体动作上，形成闭环；组织上，应明确数据资产责任边界，推动业务部门与安全部门共同参与，建立可量化的治理指标与持续改进机制。
以厂商实践为例，报告提及相关产品通过动静态深度识别提升效率、通过“流量身份化”实现链路可追溯，并在不强依赖行业专属数据集的情况下提升泛化能力，以降低落地门槛、缩短部署周期。
面向前景，敏感数据识别智能体仍处于快速演进阶段。
IDC认为，未来的发展方向主要集中在智能化水平持续提升、多模态识别能力增强、与行业场景深度融合，以及与数据安全全流程联动能力加强。
可以预期，随着合规要求细化、数据流通场景增多以及企业对数据价值挖掘的进一步加深，敏感数据识别将不再是单一环节的“点能力”，而将成为数据治理体系的“底层能力”。
同时，模型能力的可控性、稳定性与合规遵循将成为衡量产品能否规模化应用的重要门槛，行业也将更关注真实场景的效果验证与长期运营能力。
数据安全技术的突破既是数字经济发展的必然要求，也是科技自立自强的生动体现。
当技术创新与产业需求形成良性循环，我们不仅看到企业防护能力的提升，更窥见数字经济时代安全体系建设的中国路径。
这场始于技术测评的观察，最终指向的是国家数字竞争力的深层构建。