公共服务AI如何保障可审计性?

“AI生成”四个字出现在活动照片角落这件事，本身就值得聊聊。2024年上半年开始，百度在多地大型活动与社区服务场景试点推出“AI志愿助手”，把大模型、语音识别、知识库检索和移动端小程序组合在一起，目标是把重复性的志愿服务信息自动化。这个产品名字听起来很具体，但它背后牵出的问题其实很通用：当AI开始介入公共服务，我们凭什么信任它，又怎么追责？

先看它到底解决了什么。传统志愿管理有几个很实在的痛点：招募和资格核验要花大量人力，现场信息一变，给志愿者的指引常常跟不上，还有大量重复性的咨询把专业志愿者的时间占掉了。AI志愿助手做的就是把语音交互、动态排班、知识库检索和后台调度整合起来，志愿者在线报名、路线引导、常见问题应答，甚至突发事件的初步处置建议，都交给系统来跑。组织方反馈说，减少重复咨询、加快信息分发、提高新手上手速度，这些效果符合直觉，没什么意外。

但效率红利背后，制度性问题一个都绕不开。首先是隐私和数据最小化。志愿服务往往涉及身份证明、健康码这类敏感信息，系统设计必须守住数据最小化原则，加密存储、分级访问、明确数据留存期限和用途边界，一条都不能含糊。其次是责任归属。AI给了错误指引，或者在突发事件里没处理妥当，这个责任算谁的？必须有预设的应急裁定和人工覆盖机制，不能等出了事再扯皮。第三是公平性。自动化筛选和匹配算法可能带偏见，招募和任务分配里一旦出现不公，比人工失误更难被发现和纠正。

技术架构上，它采用端云协同的思路：隐私敏感或低延迟的场景优先在端侧处理语音和部分意图识别，复杂问答和跨场景调度才交给云端大模型和后台规则引擎联合决策。这个设计本身就是在回应合规压力——不是什么都往云端送，而是能本地处理的先本地消化。服务流程上强调三步闭环：信息采集、智能匹配、人工复核，也就是常说的Human-in-the-loop。某个城市文化节的试点里，组织方把常见问答纳入知识库，并设定人工复核阈值，AI答复置信度低于阈值就自动转人工。这个做法值得记一笔：明确置信度阈值和人工接手策略，是可复制、可治理的手段，而不是靠运气。

行业分析师的说法更直白：AI向社会服务领域下沉是趋势，但可持续运营得靠制度建设，一是统一的操作规范和数据保护白皮书，二是独立的外部审计体系检验模型行为，三是和地方政府、志愿组织做接口标准化，保证系统互操作性。这三条本质上是同一个意思——不能把公共服务完全外包给一个闭环模型，必须留出外部能看见、能检查、能接管的缝隙。

说到底，AI志愿助手这类工具的价值不在于替代人，而在于把专业志愿者从重复劳动里释放出来，去做机器做不了的高价值判断。但这一步需要法规、技术和组织三方面一起推，才能在提效的同时守住隐私和公正。对企业、监管方和社会组织来说，真正该做的不是急着铺开AI，而是先搭好“可审计、可控、以人为本”的治理框架——日志留痕、人工兜底、数据克制，这几点做到了，AI进公共服务才不算冒险。