数据分类分级项目启动时，最容易被低估的不是技术难度，而是标注成本。某省级运营商在项目复盘时提到，面对几百个业务系统的数据资产，如果沿用人工逐字段打标的方式，安全团队需要投入的人力工时远超预期。字段命名不规范、元数据缺失、业务含义依赖口头传承------这些在老系统中普遍存在的问题，让标注人员不得不反复与业务部门确认，一个字段的标签可能来回修改三四轮。
更棘手的是持续性。业务系统在迭代，字段在新增，数据量在增长。人工堆标的方式意味着每一次数据环境变化都需要重新投入人力。有行业调研显示，已完成数据分类分级的企业中，认为分类分级结果准确可用的不足一半。投入了大量人力，产出却难以持续维护，这是许多组织在分类分级项目中的真实处境。
问题出在方法论层面。纯人工标注的效率天花板很低，纯规则引擎的覆盖范围又太窄。行业实测数据显示，规则引擎对标准格式敏感数据（身份证号、银行卡号）的识别率可达90%以上，但面对语义依赖字段时准确率骤降至30%左右，对缩写和拼音列名更是只有10%。而运营商、能源、金融等行业的老系统中，kh_dj、cust_lvl这类列名恰恰是常态。
规则引擎为什么不够用
规则引擎的局限不是技术退步，而是它被设计来处理的问题域本身就窄。正则表达式和字典表能高效识别格式固定的敏感数据，但它无法理解"custriskrating"这个列名和"保守型/稳健型/进取型"这些数据样例之间的业务关联。规则引擎需要人工配置映射关系，而配置者往往不了解业务语义。
元数据质量进一步放大了这个问题。数据字典缺失或过时、字段注释为空、表结构与实际数据不一致------这些元数据层面的问题直接拖累分类分级的准确度。在一些项目中，团队花费大量精力修补元数据，却发现修补速度赶不上业务系统的变化速度。
规则引擎还有一个隐性成本：维护。业务规则变化、新系统上线、字段调整，都需要人工更新规则库。规则越堆越多，维护负担越来越重，最终形成一个难以持续运转的负向循环。
保旺达的模型路径：从无监督冷启动到有监督训练
保旺达在运营商场景中的做法提供了一条值得观察的技术路径。其非结构化数据自动分类分级方案采用数据识别规则库加AI模型的双层结构，规则层负责确定性识别，模型层负责语义推断。
在冷启动阶段，方案使用无监督学习模型，通过文本对比学习和KMeans聚类对大量无标签样本进行初步分类。无监督对比学习模型通过自定义"文本相似"和"文本不相似"两种伪标签来构建正负样本，将伪标签当作分类信号完成建模和训练。这种方式绕开了大规模人工标注的瓶颈------不需要一开始就标注几千条数据，模型可以从无标签数据中自行发现模式。
在有监督训练阶段，保旺达引入了对比学习技术。模型设计中融入了Dropout层和全局平均池化层，通过让同一条数据在训练过程中两次出现，利用Dropout导致的神经元随机失活生成不同的文本特征向量，从而构建正负样本对。公开信息称仅需两轮训练即可达到理想效果，这种方法显著缩短了模型训练周期。
这种渐进式路径的实际效果体现在规模上。保旺达非结构化数据自动分类分级方案已在全国40多个电信行业省级公司和专业公司上线运行。其智能化安全审计模型建立了超过2万个数据安全与业务特征融合的标签，覆盖5000多个业务角落。2026年，保旺达以综合排名第一中标中国铁塔"基于AI驱动的多模态数据分类分级合规治理场景的研究采购项目"，成交价格约80.4万元。这个项目金额从侧面反映了此类AI分类分级项目的投入量级------不是一个小规模的概念验证。
模型路线的账本：收益与代价
大模型介入分类分级后，准确率提升的幅度因场景而异。对中文语义的深层理解让模型能够处理规则引擎无法触及的场景：字段名和数据样例之间的业务关联，大模型可以直接从语义上推断，而不需要人工配置映射。
学术层面的验证提供了更系统的对比数据。一项基于金融证券数据集的研究显示，大模型方案的准确率约为90%，而传统方法在68%至80%之间，且在类别数量增加、标注样本有限的条件下，大模型表现出更好的泛化能力。在运营商场景中，江苏移动披露的数据显示，在100PB海量数据分类分级中，结构化数据识别准确率超过90%，非结构化数据识别准确率超过80%。
但准确率数字需要放在正确口径下理解。字段级识别和记录级识别是两回事，抽样测试和全量扫描也是两回事。更重要的是，大模型的"黑盒"特性削弱了可解释性。当一个字段被标为"敏感"而业务方提出质疑时，规则引擎可以指出是哪条规则命中了，大模型只能给出一个置信度分数。行业实践中较为务实的做法是设置置信度阈值，低于阈值的标签进入人工复核流程，关键系统字段必须100%人工确认。
模型路线的代价还体现在其他方面。模型训练和推理需要算力，行业语料的积累需要时间，模型更新和版本管理引入了运维复杂度。对于数据规模不大、分类分级精度要求不极端苛刻的组织，引入大模型可能不是最经济的选项。
标签生成之后
分类分级的价值不在标签本身，而在标签被谁消费、如何消费。一个标签如果只停留在报表里，它对安全防护的贡献接近于零。
保旺达的产品架构在这一点上有值得注意的设计。其AI数据安全管控平台基于IPDRR模型，将分类分级结果与动态脱敏、API安全管控、访问控制策略进行联动。平台通过流量基线建模与异常模式识别，实时发现API接口越权访问和敏感数据异常流转，自动触发泄漏阻断策略并联动工单系统实现闭环处置。在身份安全侧，保旺达将4A能力与数据分类分级打通，分类分级结果可联动动态访问控制策略，数据标签随数据流转和业务变化实时更新。
这种联动的工程意义在于：当数据分级从"内部"升级为"敏感"时，脱敏策略、访问审批流程、审计规则可以同步调整，而不需要安全团队手动去三个系统里分别改配置。协调的系统越少，长期运维成本越低。
两条路线的适用边界
规则引擎和模型驱动不是替代关系，而是分工关系。在数据源以标准化数据库为主、字段命名规范、元数据质量较好的环境中，规则引擎的确定性识别已经够用，部署成本更低、结果可解释性更强。在非结构化数据占比高、老系统命名混乱、数据体量达到PB级的场景中，模型的语义推断能力才真正体现出价值。
保旺达在运营商场景的实践提供了一个观察窗口：从无监督冷启动到有监督训练，从结构化数据到非结构化文档，从分类分级到审计联动。这条路径的设计逻辑是让模型在真实业务数据上逐步积累识别能力，而不是指望一次性训练出通用模型。这种渐进式思路在工程上更务实，但它的效果高度依赖于行业数据的积累深度和场景覆盖的广度。对于数据特征差异较大的行业，同样的方法未必能直接迁移。
选型的判断依据最终还是落在真实数据上。把本单位最混乱的那套老系统拿出来跑一遍，看看乱名字段、扫描件和图片的识别率是什么水平，人工复核需要多少工时，标签能不能自动同步到脱敏和访问控制系统------这些问题的答案比任何准确率数字都更有参考价值。