随着智能体获得访问权限，Teradata AI Security 增加隐私控制

Teradata 于 10 月 20 日宣布新的 AI 安全措施，旨在应对自主智能体获得企业系统访问权限后可能造成的敏感数据暴露。此次 Teradata AI 安全更新将隐私保护与安全及恢复能力结合起来。其核心挑战在于：既保留有用的数据关系，又限制自动化系统能够识别和执行的内容。

这让企业采购方在相互竞争的需求之间作出权衡。智能体需要上下文才能完成有价值的工作，但授予更广泛的访问权限也会扩大失误的后果。保护底层信息有所帮助，但这并不能解决由谁授权某项操作，或该操作是否应继续执行的问题。

Snowflake 已将受治理的数据访问定位为其智能体平台的一部分。因此，Teradata 面临一个实际的采购问题：客户能够在多大范围内将这些保护措施部署到现有环境中？对安全团队而言，这项公告提供了减少暴露风险的机会，同时也促使其审视围绕能力日益增强的软件所设置的权限。

Teradata AI Security 将隐私与运营恢复联系起来

Teradata 的公告涵盖身份保护、加密、不可变备份和数据库可用性。不可变备份是受到保护、无法被修改或删除的恢复副本。该公司将这些能力定位为维持企业 AI 运行所需的相互关联的要求。

通过 Anonomatic，Teradata 提供 Poly-Anonymization，该功能以稳定标识符替换个人可识别信息（PII），同时将其与底层身份分离。该公司表示，这能够保留分析所需的数据关系。其保格式加密可在保护数值的同时，保留下游应用程序所预期的数据结构。

这些数据保护能力还包括后量子传输保护，旨在应对未来量子计算机对传统密码技术构成的威胁。不同能力和部署方式的可用性有所不同。采购方应区分目前可用的云功能与计划在其他环境中提供的能力。

该公告的实际价值取决于客户能够将哪些保护措施应用于其真实工作负载。

以一个示例性的客户分析工作流为例。某个智能体可能需要关联购买记录、支持互动和账户历史，以识别反复出现的服务问题。它或许无需获得客户姓名也能完成这项任务。

这种区别让隐私团队能够作出比批准或拒绝整个数据集更具体的决策。他们可以询问任务需要哪些关系、需要哪些识别字段，以及这些需求在哪些地方存在差异。

同样的区别也适用于恢复。获得有用答案需要可用的信息，但可恢复的数据库并不自动意味着可恢复的业务流程。组织还必须了解中断发生前执行了哪些操作。

设想某个智能体正在准备服务建议时，其数据连接中断。恢复底层记录将有助于恢复工作。但要确定该智能体是否已经提交该建议，则需要单独记录其操作。

这些示例描述的是评估场景，而非已有文档记录的 Teradata 客户成果。它们说明了为什么隐私和韧性应纳入采购讨论，同时仍应为每项能力保留独立的验收标准。

隐私测试会问：智能体是否收到了不必要的识别信息？恢复测试会问：运营能否从可信状态恢复？除非组织审查完整工作流，否则通过其中任何一项测试都难以说明另一项的情况。

这正是将这些能力结合起来的运营意义。客户因此有理由审查跨团队的依赖关系，而这些团队原本会分别评估隐私、应用程序行为和恢复能力。

不过，将采购讨论结合起来不应混淆证据。每项保护措施都需要明确的适用范围、负责的所有者，以及用于确定其是否有效的方法。

安全团队继承了智能体构建者无法独自作出的决策

直接压力落在批准敏感信息访问权限的企业团队身上。智能体开发者可以定义任务，但无法独立决定对底层数据的每一种可接受用途。

开发者合理地可能会请求足够的信息来改善智能体的回答。隐私官必须审查组织是否有正当目的来暴露这些信息。运营团队则必须考虑失败的影响。

这些职责在部署环节交汇。演示可以借助精心挑选的输入和宽泛权限取得成功。生产环境则会带来不断变化的用户、陌生的请求，以及后果超出回答窗口的业务流程。

智能体访问权限会将技术集成转化为一项关于授权委托的决策。

授权委托是指代表他人采取行动的权限。对于企业智能体而言，这提出了一个直接问题：每项请求附带的是谁的授权？

NIST 在其 2026 年 2 月关于智能体身份的工作中强调了这一问题。其概念文件就软件智能体的身份识别、授权、审计和问责征求意见。这项工作为评估供应商主张提供了背景，而非为任何特定产品背书。

对采购方而言，其含义很直接。将智能体识别为获批应用程序，并不能解释该应用程序应执行的每一项操作。审批需要将行为主体、任务和所涉信息联系起来。

一个示例性的账户支持智能体可以具体说明这一差异。访问交易模式可能有助于排障。在另一个经过单独批准的验证步骤中，访问身份记录可能才变得合适。

如果两项操作使用相同的宽泛凭据，这种分离就更难执行。即使当前任务并不需要，系统在技术上仍可能允许检索身份信息。

反过来，限制也可能过于粗糙，以至于员工无法完成正当工作。随后，他们会面临寻求例外或将信息移入控制较弱的工作流的压力。

这带来了一项组织层面的权衡。安全团队需要反映真实任务的限制，而应用团队需要在这些限制生效时获得可预测的行为。

因此，被拒绝的请求应当是可理解的。员工需要知道该限制是由于缺少权限、数据不可用，还是操作不受支持。否则，安全边界可能看起来像产品缺陷。

这种影响还会延伸到跨文档和业务记录使用 AI 的知识工作者。一个个人知识库与一个共享企业存储库具有不同的访问预期。将其中任一方接入自动化，都需要明确谁的信息会变得可用。

Teradata 的公告让这些决策更贴近数据平台讨论。在扩大智能体可访问范围之前，客户仍需要在隐私、安全和业务团队之间达成一致。

保留数据关系会带来隐私权衡

核心权衡在于智能体为保持实用性所需的信息。移除身份信息可以减少暴露，而保留关系则能让分析继续进行。这些关系本身也可能仍然敏感。

假设一个示例性的零售智能体研究各门店和购买历史中的重复退货。稳定标识符可让它识别重复活动，而无需显示客户姓名。

这种设计限制了直接身份暴露。但这并不意味着每一种由此产生的模式都适合向每位员工、每个应用程序或用于每种目的披露。即使没有明显标识符，详细的行为历史也可能带有敏感含义。

有用的数据关系与可接受的信息披露需要分别判断。

这就是为什么应根据预期工作负载评估隐私主张。公司应同时审查智能体获得的字段，以及其获准查询可能支持的推断。

相关问题不止于姓名是否消失。还包括智能体能否拼凑出不必要的详细画像、输出是否泄露敏感模式，以及谁会接收这些输出。

这些是拟议架构的分析性影响，而非 Teradata 实施存在缺陷的证据。它们之所以重要，是因为即使保护措施成功实施，仍可能留下超出其预期范围的决策。

例如，将身份与分析分离，围绕直接身份识别建立了一道边界。组织随后必须决定何时跨越这一边界才服务于正当业务目的。

经过批准审查后的欺诈调查，可能有理由恢复身份信息。日常趋势分析则未必如此。相同的底层记录可以支持两类任务，但授权应反映它们不同的目的。

工作流还需要处理部分成功的情况。某个智能体可能正确总结了某种模式，却未能识别出后续步骤需要额外权限。

在此处停止的系统保留了这一边界。静默替换为更广泛凭据的系统，则改变了原始审批的含义。

这种区别有助于解释，隐私保护不能完全依赖一条要求模型正确行为的指令。周边应用程序必须在缺少权限时，使未经授权的信息和操作不可用。

这也解释了为什么保留分析实用性需要独立的证据。隐私控制可以保护身份，同时改变某项特定任务的质量。采购方需要对两种结果进行具有代表性的评估。

这些评估应反映员工实际提出的问题。通用演示无法证明受保护的数据集是否支持特定调查、预测或客户服务流程。

目标是就可接受的能力达成明确协议。智能体应获得足以执行获批任务的上下文，同时具备清晰的流程来请求超出该范围的任何内容。

这项协议让采购方能够评估 Teradata 的方法，而无需假定隐私与实用性总是冲突。有些任务所需的识别信息比现有工作流通常暴露的更少。

机会在于识别这些任务，并改变其默认访问权限。剩余的挑战是，随着智能体职责扩大，如何保持这种纪律。

竞争对手将受治理的访问权限设为采购基线

Teradata 正进入一场已经确立的竞争性讨论：如何保护供 AI 使用的企业数据。此次公告让现有客户能够在当前平台关系中审查更多能力。

在 TechTarget 的企业隐私分析中，TreeHive Strategy 创始人 Donald Farmer 将这些新增功能描述为具有重要意义的运营升级。他还认为，这些功能在很大程度上让 Teradata 与现代云数据平台站在了同一起跑线上。

BARC 分析师 Kevin Petrie 同样欢迎这些功能与企业优先事项保持一致，同时指出其他平台也具备类似能力。这些评估支持一种审慎的解读：对客户有益的改进，并不必然意味着确立了竞争领先地位。

买家应比较同等任务中可强制执行的实际行为，而非比较功能名称。

Snowflake 的文档将 Cortex Agents描述为在其受治理环境中运行。数据访问取决于平台权限以及每项已配置工具的执行上下文。文档还警告称，回答的准确性和引用内容并不受保证。

这提供了一个有用的比较参照点，但并不能证明两个平台具有对等性。共享一套治理术语，并不意味着部署覆盖范围、控制措施或运营责任完全相同。

比较供应商的企业应从同一项业务请求开始。智能体应面对等效的源信息、用户权限和允许执行的操作。否则，表面上的差异可能只是配置造成的。

例如，获得不受限制记录访问权限的智能体，可能显得比仅在狭窄权限范围内运行的智能体更有能力。这一结果衡量的不仅是智能体能力，也包括授予它的访问权限。

比较还应涵盖访问权限变化后会发生什么。被调往其他部门的员工，不应仅因先前的对话仍然打开，就继续保留敏感访问权限。

同样，能够访问智能体界面，并不意味着有权使用每一个已连接的工具。一个工作流可能涉及多个系统，而这些系统拥有不同的所有者和规则。

买家现有的环境使这些差异具有商业相关性。与现有身份体系和运营流程集成的能力，可能比孤立功能更容易得到一致应用。

然而，熟悉感不应替代验证。现有客户仍需要证据证明，新引入的控制措施能在其部署条件下按预期运行。

功能差距也不应自动决定整个平台的选择。客户在评估智能体能力之外，还会权衡数据位置、应用依赖、员工专业能力和恢复要求。

因此，竞争压力具有明确指向性。Teradata 需要说明，其保护措施如何支持客户已在运行的各类环境中的受治理工作。

对竞争供应商而言，同样的标准也适用。当客户能够从身份、数据访问一直追溯到最终操作时，治理主张才更具说服力。

这会让采购讨论转向可观察的行为。最有力的比较应明确每个系统允许什么、阻止什么，以及事后保留哪些证据。

数据保护并不能决定智能体是否应当行动

隐私、加密和恢复应对的是不同的故障模式。它们都无法独立决定智能体是否正确理解了请求，或是否选择了恰当的行动。

当智能体遭遇恶意内容时，这一区别就变得重要。提示词注入，是指嵌入在智能体本应作为数据处理的材料中的指令。

NIST 关于智能体劫持的研究说明，此类内容如何将智能体引向有害任务。该研究强调适应性评估，以及对特定任务攻击结果的审查。

保护一条记录，与控制智能体如何使用该记录，是两项不同的安全要求。

一个说明性的支持工作流展示了这种差异。智能体在准备内部摘要时读取客户消息。该消息中包含要求其检索无关账户信息的指令。

加密可以保护传输中的信息。身份隔离可以限制智能体接收到的信息。但这两种能力本身都无法证明嵌入的请求具有合法授权。

因此，应用需要在工作中遇到的信息与执行额外工作的权限之间建立边界。否则，不受信任的内容可能影响超出其正当角色的决策。

这并不意味着 10 月的公告声称能解决所有智能体安全问题。它意味着客户应避免将数据保护组合解读为对自主行为的完整答案。

Teradata 此前曾将 Tera Harness描述为一个执行层，在智能体工作流内部提供策略控制和人工审批。其 9 月公告称，Tera Context Engine、Tera Harness 和 Agent Skills 将于 2026 年第四季度推出。

这些公司声明确立了预期的产品方向。但它们并不能独立证明能够防御每一种未经授权的操作或恶意输入。

不同公告之间的区分很重要。买家应验证哪些能力可共同使用、支持哪些集成，以及组合工作流如何运行。

一项请求在完成前，可能跨越隐私边界、应用边界和审批边界。某一阶段的证据无法证明后续每个阶段仍处于控制之下。

人工审批也需要有明确的对象。员工批准一份摘要，并不必然意味着批准账户更新、向客户发送消息，或导出数据。

如果拟议操作在获得批准后发生变化，系统需要有明确的响应方式。自动继续执行，可能使最终操作脱离审查者所理解和批准的内容。

恢复还带来另一个问题。事故发生后恢复数据，并不能撤销已经发送的电子邮件，或撤回已传达给其他系统的决定。

因此，组织需要识别哪些操作可以重试、哪些操作需要审查，以及哪些操作的后果无法撤回。

这些观察界定了安全主张的边界，但并未否定底层改进的价值。即使仍需额外控制措施，减少不必要的暴露依然很有价值。

更恰当且更有用的结论是：Teradata AI security 为买家提供了更多可评估的能力，而对完整智能体工作流的责任仍需共同承担。

部署证据将塑造下一轮采购决策

未来数月，最有价值的证据将涉及部署覆盖范围、真实工作流中的强制执行，以及运营条件下的恢复。这些信号将说明该公告如何转化为可用的保护能力。

客户验收证据将比发布说明的覆盖广度更重要。

第一个信号是具体的部署覆盖范围。客户需要明确哪些保护措施可在其环境中运行的文档，包括依赖关系和可用性条件。

若有证据表明客户能够在预期工作流中应用所需控制措施，将增强扩展部署的理由。未解决的覆盖缺口则会缩小适用范围。

这并不要求所有环境立即支持完全相同的功能。它要求买家在批准对敏感信息的访问前，理解其中的边界。

明确的限制有助于做出稳健的部署决策。含糊的可用性声明，则会让应用团队作出安全审查人员无法可靠评估的假设。

第二个信号是可观察的策略强制执行。有效演示应展示智能体完成已批准任务、遇到受限请求，并在正确边界停止。

证据应标明执行操作的用户、适用权限和尝试执行的操作。一个精致的最终回答无法证明所采取的路径获得了授权。

在权限变化情况下成功执行控制，将增强对更广泛部署的信心。依赖广泛特权凭据的工作流则会削弱这种信心。

同样的评估还应考虑合法工作。一个会阻止未经授权请求、却反复阻碍已批准任务的系统，会带来要求例外处理的运营压力。

这种张力使真实工作流证据尤其有用。买家需要了解，当员工面对不完整信息或异常请求时，限制措施是否依然清晰且实用。

第三个信号是覆盖智能体工作流及底层数据的恢复证据。一项有意义的演练应明确哪些信息得到了恢复，以及哪些操作已经发生。

它还应展示组织如何决定恢复、审查或放弃中断的工作。只有在相关权限和假设仍然成立时，自动继续才是恰当的。

能够保留这些区分的恢复演练，将增强韧性论证。恢复记录却让操作历史仍不确定，只能体现较为狭窄的运营收益。

这些是评估信号，而不是 Teradata 已排定的里程碑或对未来客户成果的预测。它们提供了一种方法，用于判断新证据出现时的价值。

对企业买家而言，眼下的行动是选择一个具有代表性的工作流，并在扩大访问前定义其验收条件。明确它所需的信息、可采取的操作，以及仍然必要的审批。然后要求供应商在正常使用、被拒绝的请求和中断情境下演示这些边界。Teradata AI security 值得在这一细节层面接受评估。决策应将可用保护措施与组织能够观察和治理的业务流程联系起来。贵团队能够清晰授权哪一个智能体工作流，以便解释每一次敏感读取、每一项重要操作和每一项恢复决策？