新法速递 | EDPB发布网络抓取与数据匿名化最新指引

2026年7月7日，EDPB在同一次全体会议上一口气发布了三项成果：《数据匿名化指南》征求意见稿（截止到10月30日）、《关于生成式人工智能场景下网络抓取的第2026/03号指南》、以及《区块链数据保护指引》。三者放在一起看，可以清晰地感受到EDPB这一轮立法动作的核心指向：为AI时代重新考虑GDPR的适用法律边界。 无论是欧盟还是国内，数据抓取和匿名化问题均为极具争议且很难有定论的复杂问题。总体看来，EDPB这两份指引非常严格，以至于有点超出预期。下面为欧盟的这两份重要指引的简要介绍： 一、《生成式AI场景下网络爬取指引》 2026年7月7日，欧洲数据保护委员会（EDPB）通过了《生成式AI场景下网络爬取指引》（Guidelines on Web Scraping in the Context of Generative AI），就私营主体为开发生成式AI模型而从互联网公开来源爬取数据的GDPR合规问题提供系统性指导。 本指引聚焦于两类核心场景：企业自行或委托第三方从外部互联网来源爬取数据，以及企业获取并使用由其他组织已爬取形成的数据集。需要明确的是，本指引仅针对私营主体，不适用于纯粹的“数据经纪商（Data Brokers）”。以下为核心要点： 1.网络爬取的分类对合规的影响 指引首先根据收集标准的明确性和限制性，将网络爬取划分为“针对性爬取（Targeted scraping）”和“非针对性爬取（Untargeted scraping）”。针对性爬取基于特定的限制标准（如特定域名或主题）进行；而非针对性爬取（如不受限的网页抓取）则允许爬虫程序不断发现并追踪新链接，这会极大增加控制者无法掌握所收集个人数据范围的风险。因此，明确的收集标准对于后续满足数据最小化等原则至关重要。 2.控制者/处理者角色划分 对于AI开发者委托第三方执行数据抓取的情形，如果第三方按照AI开发者的书面指示（特别是关于数据来源和类别的指示）创建训练数据集，该第三方可被视为处理者，AI开发者为控制者。对于AI开发者使用第三方独立爬取形成的数据集开展模型训练的情形，双方原则上构成独立的控制者，需分别对各自的数据处理活动负责，爬取方原则上不对数据的后续复用承担责任。如果双方共同决定爬取标准和AI开发目的，则可能构成共同控制者。具体认定须结合各方对处理目的和关键手段的实际影响力进行个案分析。 3.GDPR核心原则的适用 目的限制原则 ：个人数据应当 为特定、明确且合法 的目的而收集，不得以与该等目的不相容的方式进一步处理。 透明度义务 ：控制者负有向数据主体告知个人数据处理情况的义务。鉴于大规模网络爬取的特殊性，控制者可主张适用GDPR第14(5)(b)条，经适当评估确定向数据主体逐一履行告知义务不具备可行性或需付出不成比例的努力后，通过在官网发布隐私政策等方式公开披露相关信息。该等评估应针对数据集整体进行，并综合考量数据主体数量、数据时效性及已采取的适当保障措施。公开披露的信息须涵盖所涉个人数据类别、处理目的、合法性基础以及数据来源的详细说明（须注明爬虫程序的相关特征等）；最佳实践是披露被爬取网页的域名、网址及爬取时间。若无法提供完整数据来源清单的，须尽最大可能列明已知来源，并注明未披露的原因。此外， 当适用逐一告知豁免时，控制者还可以采取其他适当的保障措施，特别是向公众公开已经开展数据保护影响评估（DPIA），以及实施高水平的安全技术措施。 数据最小化原则 ：该原则并不禁止使用大量个人数据训练AI模型，但要求不处理非必要、非相关或不充分的个人数据。具体要求为： 1) 收集前，控制者应当优先考虑使用合成数据替代个人数据； 2) 定义精确的收集标准，进行数据映射和盘点； 3) 设置过滤器排除特定类别数据（如位置数据）的收集； 4) 排除结构性包含特定个人数据的网站（如主要由未成年人使用的社交平台）； 5) 排除通过robots.txt、ai.txt或CAPTCHA等技术措施明确反对爬取的网站； 6) 收集后，应当应用基于格式的过滤机制过滤掉格式化个人数据；在可行的情况下用合成数据替换真实数据；对个人数据进行匿名化或假名化处理。 准确性原则 ：从不同来源爬取的数据可能难以确保准确性。值得注意的是，如果模型在投入市场后预期会输出构成个人数据的内容，其输出同样须符合准确性原则。指引建议控制者尽量从可靠来源爬取数据、对数据加注时间戳、在用于训练前验证数据准确性。 4. 合法性基础与利益平衡测试 私营主体为生成式AI训练实施网络爬取时，通常以GDPR第6(1)(f)条规定的合法利益作为处理个人数据的合法性基础。其适用须同时满足三个累积条件：追求合法利益；为实现该利益而有必要处理个人数据；进行利益平衡测试（数据主体的利益或基本权利不优先于合法利益）。 在必要性条件方面，指引指出，缩窄收集标准以排除不必要的个人数据收集，优于无差别地大范围爬取；使用假名化数据或合成数据也可能构成侵入性更小的替代方案。 在 利益平衡测试 方面，指引提供了丰富的场景化评估维度： 1） 数据主体利益与处理影响 ：指引特别指出大规模无差别数据收集可能产生“寒蝉效应”（chilling effect），导致个人自我审查、抑制表达自由；深度伪造也是潜在风险。评估时须考量 数据主体的特征 ，收集未成年人的数据或高度隐私数据会显著增加侵入性，在利益平衡测试中具有更高权重。此外，由于互联网信息很少被删除，爬取数据具有“长尾效应”，爬取大量网站意味着对隐私权的干涉随之增加。 2） 数据主体合理预期 ：需区分 数据来源网站 的性质 。例如，发布在自由访问的博客上的文章，相较于设置了访问限制的社交网络帖子，更具公开性质，数据主体更可能合理预期被第三方抓取。反之，如果网站通过robots.txt或CAPTCHA明确反对爬取，数据主体不能被认为合理预期此类处理。值得注意的是，网站未设置robots.txt本身不构成GDPR意义上的同意。 3） 缓释措施（Mitigating      measures） ：指引列出了具体措施，如：排除需登录才能访问的非公开数据；建立增强透明度的保障措施（如定期更新被爬取网站清单）；建立事先退出机制（opt-out list）；尽快删除或匿名化；以及采取去重等技术措施限制模型记忆和回吐训练数据。如果未采取充分缓释措施且数据主体利益占优，则不得依据合法利益处理数据。 5. 特殊类别个人数据的处理 特殊类别个人数据（如种族、健康、性取向数据）的处理原则上被禁止。 唯一的豁免是：网络爬取场景下，即使控制者无意收集，也难以在爬取前确定是否会收集到此类数据，且技术无法完全杜绝残余收集。对此，EDPB援引了欧洲法院C-136/17（GC & Others）判决逻辑，认为其适用于网络爬取中对特殊类别个人数据的“附带性和残余性收集”（incidental and residual collection）。在此情形下，禁令仅在控制者“其责任、权力和能力的框架内”适用。 指引将该测试具体化为四个条件：处理活动与搜索引擎具有相关相似性；仅涉及附带性和残余性收集；难以或不可能在收集前评估是否涉及此类数据；控制者实施了防止数据传播的措施。具体要求控制者在四个阶段落实措施： 1） 收集前 ：定义精确标准并设置过滤器，排除结构性包含此类数据的网站。 2） 收集后 ：立即删除可能被收集到的特殊类别数据，并在数据主体提出合理请求时予以删除。 3） 模型开发阶段 ：防止提取特殊类别数据，确保模型对隐私攻击具有抗性，设置输出过滤器。 4） 模型部署后 ：持续监控输出，发现泄露立即采取措施（更新过滤器、限制提示词等），长期应考虑采用模型遗忘（machine      unlearning）等技术。 控制者须依据问责原则证明上述条件的适用性，并定期验证和评估保障措施的实际效果。EDPB强调，这并非一般性豁免，仅适用于与判决中处理活动具有相似特征的情形。 二、《数据匿名化指南》征求意见稿 该指引的核心目的是提供一个实用的框架，以确定数据是否被成功匿名化。指引总体分为两大板块：法律分析（第2章）与技术分析框架（第3章）。 (一) 法律分析部分：两步测试法、视角相对性与过程合规 指南明确了匿名化测试不能一蹴而就，而是必须遵循严格的法律逻辑链条。 1. 核心测试的两步前提（基础定性） 评估数据是否匿名，核心是回答两个递进的问题： 1）第一步：信息是否“关联”到自然人？ 信息可能因为其内容（直接描述个人）、目的（用于评估或影响特定个体）或效果（处理结果导致个人被区别对待）而与自然人产生关联。即使是聚合数据，如果能通过特定技术揭示单一自然人信息，也属于“关联”。 2）第二步：该自然人是否“被识别或可识别”？ 只有在关联的前提下，才继续评估相关实体能否通过“合理的手段”识别出该人。 2. 核心原则：视角的相对性。数据是否匿名，取决于评估的视角。同一份数据对实体A可能是匿名的，但对实体B可能仍是个人数据，这并非绝对判断。围绕这一原则，指南提出了三个场景规则： 1）受托处理的“传染”效应： 如果实体是代表控制者处理数据（即处理者角色），该数据对其是否匿名，必须以控制者的视角为准。企业不能以“我方无法识别”来规避处理者义务。 2）数据转移的“污染”效应： 如果实体合理可能将数据转移给第三方，且不能排除第三方有能力识别个人，那么这次转移及后续处理都属于处理个人数据，即使转移方自身完全没有识别能力。 3）混合数据集的“整体感染”： 如果匿名化技术仅对部分个体有效，导致数据集混合了匿名数据和个人数据，在未有效隔离的情况下，整个数据集都必须被视为包含个人数据，适用GDPR。 3. “合理可能使用的手段”测试的关键要素 判断某种识别手段是否“合理可能被使用”，需考量五个客观因素：数据本身属性、发布处理场景、额外信息的获取途径、获取成本与时间、以及现有/可预见的技术水平。 1）动机无关论： 明确排除“缺乏动机”作为豁免理由，因为动机难以客观证明且随时间变化，价值或风险收益才是考量标准。 2）违法手段的推翻假设： 原则上假设人们不会使用违法手段；但如果法律禁令未被有效监管、违法收益远超成本，或数据极易被非法访问，该假设可被推翻。此外，纯粹的合同约定不构成“法律禁止”，只能作为技术补充。 4. 动态时间因素与过程合规（极易被忽视的重点） 1）时间的动态性： 匿名状态不是永久的。随着技术进步和额外信息的增加，再识别风险会上升，企业应定期重新评估。 2）匿名化操作本身的合规： 匿名化处理过程本身就是一种个人数据处理行为。它必须具备GDPR第6条（或第9条）的合法性基础 ，履行透明度义务（明确告知且不得使用误导性词汇），并做好过程与测试结果的记录归档以满足GDPR合规要求。 （二） 技术分析框架：前置排查、三种标准与两条路径 这可能是指引最具操作价值的部分，提供了一个直接套用的测试框架。 1. 前置步骤：简单情形排查与数据映射 在套用复杂标准前，先进行“快速排查”。如果数据明显包含直接标识符（如姓名、极易破解的假名），或者明显被用于评估特定个体，则直接认定为个人数据，无需再进行后续测试。建议在早期就对数据及可能有助于再识别的“额外信息”进行全景映射。 2. 评估有效性的核心技术指标 评估（再）识别技术是否可能成功，重点看三个维度： 1）维度： 单个个体的属性数量。 2）分辨率： 特征的细节程度（如完整出生日期 vs 仅年份）。 3）多样性： 数据间差异的大小。 针对高维度、高分辨率的记录级数据，再识别技术往往更容易成功。 3. 两种评估路径（可结合使用） 1）情境化方法（Contextual      approach）： 针对每个相关实体的具体能力分别评估，更精确但易产生假阳性（误判为匿名）。 2）简化方法（Simplified      approach）： 不区分实体差异，按“最强手段可能被使用”假设，更保守但结论确定。 3）实操建议： 先用简化方法快速排查，若发现理论上可能被识别，再降级转入情境化方法，精细分析当前场景下的特定实体是否真的有能力去识别。 4. 三项核心标准（必须同时满足） 数据必须同时通过以下三项测试，才能被安全地认定为匿名。 1）No Record Isolation（无法孤立记录）： 数据中不应存在能唯一对应到单一个体的属性组合。记录越大、属性越多，被孤立的可能性越高。 2）No Linkage（无法关联）： 数据不能与其他数据集中确定关联到同一个体的记录相拼接。 3）No Inference（无法推断）： 不能从数据中得出既“具体”（指向单一可识别个体）又“有意义”（影响主体权益且无法从常识得出）的结论。常见的违规推断包括： a) 为记录添加推断属性（如从轨迹推断出家庭住址并补充到记录中）。 b) 从聚合数据推断出记录级数据（如通过工资总额和团队人数推断出某 特定员工的工资）。 c) 成员推断（Membership inference）（推断某人是否被包含在原始数据集中）。 5. 未通过标准后的分析降级逻辑 三项标准全部通过即视为匿名。如果任一项未通过，数据不一定直接被判定为个人数据： 例如，未能通过“无法孤立记录”标准时，需进一步分析被孤立的记录是否会实际导致“个体识别锁定（singling out）”。如果虽然记录独特，但在当前情境下相关实体无法通过合理手段将其与具体身份或其他关联信息匹配（无法 singling out），该数据仍可能被视为匿名。 往期精彩 新法速递|EDPB发布《关于认证作为一种数据跨境工具的07/2022号指引》 ✦₊ 本期作者：中伦蔡鹏律师团队 本期编辑：熙宇 期待您的 “赞” 和 “分享”