很多老板以为：买个模型、接个 API、做个知识库，AI 化就完成了。
真实情况是——模型跑起来，只是风险的开始。
门一：数据从哪来，得说得清
训练语料、微调数据、检索知识库，任何一个来源不干净，模型输出就可能带偏。
成熟做法不是"先跑再管"，而是建立三本账：
数据来源台账（哪来的、谁授权的）；
清洗标注台账（怎么处理的、去没去敏）；
使用流向台账（进了哪个模型、用在哪个业务）。
数据合规的本质，是留好每一段轨迹。
门二：模型不是"黑盒"，要能测评
上线前至少做五类测试：
提示注入测试（能不能被一句话带偏）；
越狱测试（能不能突破系统设定）；
对抗样本测试（输入扰动后还稳不稳）；
数据投毒复现（脏数据会不会影响结果）；
内容标识与溯源（生成内容能不能追到源头）。
参考业内一些 AI 安全白皮书里的思路：风险要"看得见、管得住、测得出、追得回"。
门三：权限要给"最小"，别让 AI 当管理员
智能体（Agent）一旦能调接口、发邮件、改数据库，就必须有边界：
人和 AI 双主体认证；
高危动作人工确认；
按角色粒度授权，不给完整权限；
每次工具调用留日志。
否则一个被劫持的 AI 助手，比一个离职没收回权限的员工危险得多。
门四：责任要有人接，不能甩给"技术中立"
AI 出错了，谁负责？
模型方：训练数据、安全测试、异常处置机制；
平台方：内容标识、审核、申诉通道；
使用方：业务场景里的边界设定和人工复核。
"技术中立"不是免责牌。能力越强，责任越重。
CCRC-AISO人工智能安全官，授权单位，北京青蓝智慧科技
马老师13521730416
丁老师13522094648
给管理者的三句实在话
别再问"要不要上 AI"，要问"上完之后谁来管"；
安全团队要提前进项目，别等出事再救火；
未来评估人才，不光看会不会用 AI，还要看懂不懂给 AI 设边界。
智能时代，真正稀缺的不是会写提示词的人，是能让 AI 安全跑在业务里的人。
