2026-01-30 | 여론독자부

[Rotary] 个人信息利用是“设计”的问题

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

长期以来,数据政策一直被置于保护与利用的二元对立之中。在市民社会看来,利用意味着监视;在产业界看来,保护则是创新的枷锁。然而,在生成式人工智能(AI)分析政策、自动驾驶汽车驰骋城市、医疗AI发现医生遗漏的疾病征兆的时代,数据已成为左右国家竞争力和国民生存的核心战略资产。如今,把数据锁进保险柜式的保护既不现实,也不可取。

关键在于,在何种控制结构之下、如何使用。利用范围越广,越重要的是信任。只有当国民确信自己的信息被安全处理时,数据才能转化为医疗、交通与AI创新。保护与利用并非对立的概念,而是应通过制度设计共同实现的目标。

在这一点上,我们面对AI学习的结构性困境。个人信息保护法的核心原则是同意,这是长期守护个人自决权的强有力装置。然而,在必须训练拥有数千亿参数的大语言模型或自动驾驶AI的现实中,这一原则遭遇了物理极限。为学习道路行驶影像而取得所有行人的同意是不可能的。

为解决这一问题而被讨论的是AI特例。这并非无差别放行。它是一项制度:仅在公益目的明确、仅靠假名化或匿名化处理无法进行技术开发、且已确保强化的安全措施与控制结构的情况下,有限度地允许使用原始数据。其前提是韩国个人信息保护委员会的事前审议与议决、风险评估、物理与技术控制以及强有力的事后制裁。

应对电话诈骗是安全利用的典型案例。只有学习嫌疑人的语音模式才能更好地识别诈骗,但事先取得嫌疑人同意在现实中难以做到。因此,通过监管沙盒,允许电信运营商在严格受控的环境中将涉嫌犯罪的通话语音用于AI学习,仅去年一年就避免了超过700亿韩元的损失。

法律控制与技术结合时完善度更高。隐私增强技术(PET)不是隐藏数据的技术,而是在保留数据价值的同时,结构性地消除个人识别风险的技术。代表性的有在加密状态下进行运算的同态加密、替代真实数据的合成数据,以及无需移动数据即可训练的联邦学习。美国波士顿市利用安全多方计算技术,在不暴露企业薪酬数据的情况下分析了工资差距,结果促使原本反对的多数企业自愿参与并取得政策成效。这是技术信任转化为社会信任的案例。

制度同样只有在现场发挥作用才有意义。为促进公共机构的数据利用,正在提供假名信息利用一站式服务;为减少法律不确定性,运营着不采取措施意见书和事前适当性制度。其结果是,也有通过一次明确的法律解释,使原本几近被埋没的医疗数据重新用于研究与创新的案例。

AI竞争力的核心不是数据的数量,而是能够在信任中加以利用的数据生态系统的水平。国民无法认同的利用无法持续。个人信息利用不是许可的问题,而是设计的问题。而这一设计的标准,始终应是国民的信任。

阅读韩文原文