企业AI风险分级表构建要点

企业构建 AI 风险分级表，核心不是给某个模型或平台贴“高危”“低危”标签，而是把 AI 嵌入业务后的具体任务拆开评估：谁使用、输入什么数据、生成什么结果、结果会流向哪里、是否触发后续动作，以及最终由谁负责确认。只有以任务为单位，风险等级才会对应真实后果，而不是停留在工具清单层面。

分级对象要足够细

同一个 AI 工具，用于整理公开资料和用于生成面向客户的处理意见，风险完全不同。因此，分级表的最小记录单元应包含任务名称、使用部门、输入数据、输出对象、是否进入正式业务流程、是否自动触发动作、责任人和复核人。企业不宜只记录“使用了某 AI 服务”，否则后续审批、审计和复盘都无法定位风险来源。

维度少，但必须抓住后果

一张可落地的分级表通常不需要复杂评分模型，关键是覆盖四个判断维度：数据敏感度、输出影响、自动执行程度、错误可逆性。每个维度可先按低、中、高判断，并写明依据。风险等级不宜简单取平均值，因为一个高风险维度可能足以改变控制要求。

例如，输入内容可能只是普通内部资料，但输出会影响客户、员工或合作方权益；又或者 AI 表面上只是生成建议，却被后续流程自动采用。这类场景不能因为“数据不敏感”或“AI 不作最终决定”而降低等级。分级的目的，是识别最可能造成实质后果的环节。

等级必须绑定控制措施

风险分级表真正有用，取决于每个等级是否对应审批、留痕和人工复核要求。低风险辅助任务可以由使用者按通用规则自查；涉及内部资料并影响内部流程的任务，应记录数据类型、使用目的、输出去向和最终使用人；面向客户、员工、合作方或参与重要判断的任务，需要业务负责人审批，并由具备业务权限的人员逐项复核；处理高敏感数据、直接影响权益或可自动执行且难以撤回的任务，则应进行跨部门评估，并形成完整审计记录。

人工复核也不能简化为点击确认。有效复核应检查关键事实、对象、金额、结论和执行范围，并留下可追溯记录。留痕同样不只是保存对话，而是要能回答：当时用了什么数据，谁看过结果，最终发生了什么。

分级表还应具备动态更新机制。输入数据变敏感、输出对象变为外部人员、AI 从生成草稿变为自动写入或发送、错误从可撤回变为难恢复，都会触发重新分级。成熟的 AI 治理并不是把所有任务推向最高审批层级，而是让数据边界、输出后果、自动化程度和纠错能力共同决定控制强度。