面向家族企业集团的 AI 治理：在首次事件发生前制定董事会政策

1. 在首次事件发生前制定政策

AI 的采用往往始于提高生产力的选择。员工使用公共助手总结合同。销售团队启用嵌入式写作工具。投资组合公司部署客户机器人。家族办公室分析师测试投资备忘录。供应商在软件更新中加入 AI 功能。每一项操作都可能产生数据、决策、知识产权、网络安全和问责方面的后果。

家族企业集团还带来结构性复杂性。同一个家族名号之下可能涵盖运营公司、房地产、投资载体、慈善事业和个人事务。一些实体共享人员、系统和顾问。另一些实体则有少数投资者、受监管活动或独立董事会。一家公司发布的政策在另一家公司可能不具法律效力。然而，事件仍可能通过担保、共享服务、声誉、传承安排和共同所有权传导。

董事会政策应界定可如何获取、构建、配置、连接和使用 AI。它应在用例投入运营前设定决策权。它还应区分治理与技术保障。政策可以分配权限并规定最低控制要求；但合格团队仍必须结合具体情境测试数据、系统、安全性和影响。

NIST 将 AI 风险管理围绕治理、映射、衡量和管理进行构建。OECD 原则强调人权、透明度、稳健性、安全性和问责制。新加坡的框架为人文参与和智能体系统增添了实践指导。这些来源支持一个共同的运营理念：组织应了解 AI 系统做什么、谁对结果负责、有哪些证据支持其使用，以及何时必须由人介入。

政策边界沿法律实体、共享服务、数据、决策及家族名称划定。

2. 界定边界、角色与政策层级

政策边界应从实体图谱开始。它应识别母公司、子公司、合资企业、受监管业务、投资顾问、家族办公室实体、信托、基金会和共享服务公司。对于每个实体，董事会应记录所有权、治理机构、员工、客户、受监管活动、数据位置和技术依赖关系。

角色很重要，因为同一模型可能处于不同的法律关系之中。一个实体可能开发、提供、部署、分销、进口 AI 系统，或使用其输出。云供应商、系统集成商、集团技术团队和运营公司可能各自承担不同义务。该图谱应识别个人数据的控制者与处理者关系，并明确训练、配置、监控和事件方面的合同责任。

集团政策应设定最低原则和升级触发条件。实体董事会应采用本地附录，涵盖适用法律、行业规则、劳资委员会、雇佣实践、客户义务、数据驻留和监管机构期望。当共享系统无法可靠区分实体或用户时，应以更严格的规则为准。

该层级应将 AI 政策与信息安全、隐私、记录、可接受使用、模型风险、采购、雇佣、知识产权、市场行为、金融犯罪、健康与安全、危机管理和授权权限衔接起来。冲突应由承担问责的法律负责人解决，并根据问题性质获取适当建议。

表 1. 董事会 AI 政策边界与问责角色

各组头衔不同；每项职责都需要一名问责负责人和具名支持人员。

3. 建立 AI 系统与用例登记册

集团无法治理尚未识别的系统。清单应覆盖内部开发的模型、供应商应用、内嵌的 AI 功能、公开工具、含 AI 组件的机器人流程自动化、分析模型、计算机视觉、推荐引擎、合成内容、决策系统以及自主或代理式工作流。还应记录涉及集团数据或决策的非正式试验。

发现应结合申报与技术证据。采购与应付账款记录可识别订阅。身份与网络日志可识别应用。浏览器与端点控制可在合法前提下检测未受管服务。软件清单可揭示内嵌能力。问卷调查、访谈和研讨会可发现技术扫描遗漏的用例。目标是形成可审计的边界，员工监控需依据适用法律和政策设计。

系统记录与用例记录应分开。一个模型可能支持多个不同风险的用途。写作助手用于公开营销与用于法律建议或员工评估时，后果不同。系统记录描述模型、提供商、版本、托管、访问和技术控制。用例记录描述目的、受影响人员、决策影响、数据、负责人、部署和监控。

每条记录都需要生命周期状态：发现、沙盒、评估、获批试点、生产、暂停或退役。未经授权的系统应进入整改路径。董事会应看到重大未知事项和逾期审查，而管理层负责实际运作的登记册。

一个系统可支持多个用例；每个用例都有各自的分类和负责人。

表 2. AI 登记册最低字段

登记册应保留证据日期、来源和未解决的缺口。

4. 在批准系统之前对用例进行分类

分类应依据用途及其后果。董事会政策可采用四个层级：禁止、受限、受控和常规。这些标签是内部治理工具；法律类别必须单独评估。当数据、自主性、用户、受影响人员或关联行动发生变化时，系统可以在不同层级之间移动。

禁止用途应包括集团不愿或无法治理的活动，以及适用法律禁止的任何用途。示例可能包括隐蔽操纵、非法歧视、伪造证据、未经批准的身份冒用、规避控制，以及将受保护或机密信息输入未经授权的公共服务。政策应避免员工无法适用的宽泛措辞。

受限用途可包括影响就业、信贷、保险、健康、安全、法律权利、客户、投资或获取基本服务的重大决策。它们需要强化法律审查、影响评估、数据治理、测试、人工决策权、文档记录和监控。涉及资金、代码、外部通信或生产系统的自主行动也应进入受限路径。

受控用途包括影响较低的支持职能，使用经批准的数据、工具和人工审核。常规用途可涵盖低后果任务，例如在已批准系统内格式化公开文本。分类应考虑严重性、规模、可逆性、受影响人员的脆弱性、数据敏感性、自动化、不透明度、外部依赖和检测错误的能力。

升级依据影响、自主性、敏感性和可逆性；法律分类仍保持独立。

表 3. 针对允许、有条件允许和禁止用途的董事会政策

示例在采用前需进行针对具体实体的法律和行业审查。

5. 设定决策权与有意义的人工权限

人工审查应围绕决策进行设计。当人员缺乏时间、信息、权限、能力或替代方案时，就无法提供有意义的监督。政策应明确谁可以批准、拒绝、推翻、暂停和申诉受 AI 影响的结果。政策还应说明哪些决策仍仅由人工作出。

董事会设定风险偏好和重大阈值。管理层在授权范围内批准用例。业务负责人对结果负责，包括因过度依赖而产生的错误。技术部门负责系统运行。数据负责人治理数据来源和权利。法律、隐私、风险、合规、安全和人力资源部门审查各自领域。内部审计或合格保证职能部门评估控制的设计和运行，但不承担管理责任。

审查设计应与后果和可逆性相匹配。低影响的草稿可能要求有能力的用户检查准确性和语气。重大的雇佣或信贷决策可能需要独立证据、说明理由、偏见评估、记录留存和可访问的复议途径。能够执行操作的智能体可能需要预先批准的边界、双重授权和即时暂停能力。

政策应处理自动化偏差。用户需要接受培训，以理解流畅的输出也可能错误、不完整或缺乏依据。审查界面应展示来源、置信度限制、例外情况和变更。管理层应测试审查人员是否真正质疑输出，而不仅仅是确认输出。

6. 治理数据、保密与知识产权

AI 数据治理始于输入提示词之前。组织应对信息进行分类，确定合法所有者，确认目的和权限，并了解提供商存储、使用、传输或暴露哪些信息。客户、员工、交易、健康、财务、法律、家庭、安全以及未公开的投资信息可能需要加强控制。

政策应区分经批准的企业环境与公共或消费者账户。合同和配置应涉及提示词和输出是否用于训练模型、保留、删除、子处理者、位置、访问、加密、审计日志、事件通知和退出。技术控制应在合法且相称的情况下，通过身份、数据丢失防护、端点管理和访问限制来强化该规则。

个人数据义务取决于司法管辖区和角色。英国信息专员办公室将问责制、合法依据、公平性、透明度、安全性、数据最小化、个人权利和数据保护影响评估确定为相关考虑因素。欧洲数据保护委员会2024年12月的意见涉及匿名性、合法利益以及非法处理训练数据的后果。每种用途都需要针对具体情况进行评估。

知识产权审查应涵盖输入权利、输出权利、许可、开源义务、保密专有技术、第三方内容、品牌资产、训练条款和赔偿。生成内容在外部使用前应检查来源和清权。法律特权和职业保密要求经律师批准的明确处理方式。

7. 控制第三方模型和嵌入式 AI

采购应评估提供商和拟议用途。知名供应商并不能证明特定配置、集成或用例是适当的。尽职调查应涵盖企业身份、服务说明、模型依赖关系、训练和评估、安全、数据条款、子处理者、知识产权、可用性、监控、事件、审计权、责任和终止。

模型和功能变更会带来特殊风险。提供商可能改变能力、保障措施、数据实践或接口。合同应界定通知、重大变更、版本控制、测试、回滚和终止权。系统负责人应监控发布说明，并在接受变更前重新测试重要工作流程。

需识别嵌入式 AI。

集中度同样重要。多家集团公司可能依赖同一基础模型、云平台或集成提供商。共同的故障、政策变更或服务中断可能影响多个实体。登记册应披露共享依赖关系和替代安排。

表 4. 第三方 AI 尽职调查与合同矩阵

深度应与用例、数据和依赖程度相称。

8. 保障 AI 生命周期和连接工具的安全

安全应覆盖数据投毒、提示注入、不安全输出处理、模型提取、凭证暴露、过度权限、依赖项受损、拒绝服务及滥用。威胁模型应反映系统是内部系统、面向客户、连接工具、基于集团数据微调，还是暴露于不可信内容。

开发和配置应使用独立环境、经批准的组件、机密管理、代码审查、测试和变更控制。检索系统应管理来源集合和权限。传递给代码、数据库、电子邮件、财务或工业系统的输出应在执行前经过验证。日志应支持检测和调查，同时尊重隐私和保密性。

红队测试和评估应与用途相匹配。测试集需要包含预期答案、边缘案例、对抗性输入和受影响用户的视角。衡量指标可涵盖准确性、无依据的主张、有害内容、拒绝、偏见、安全性、延迟、韧性和人工覆盖。部署前，负责人应设定验收阈值并记录局限性。

生产监控应检测漂移、异常访问、不安全输出、政策违规、投诉、事件和提供商变更。一次通过的部署前测试有其日期和范围，并不提供永久保证。

9. 对生成式和智能体式 AI 施加更严格的边界

生成式 AI 可以生成看似合理的文本、图像、音频、视频和代码，但无法确立真实性或权利。NIST 的《生成式 AI 概况》指出了可能新颖或加剧的风险，包括虚构、危险内容、隐私、偏见、信息完整性、知识产权、网络安全和价值链整合。政策应要求来源核查、适用情况下的内容标注、溯源控制和人类问责。

智能体 AI 增加了行动能力。智能体可以规划步骤、使用记忆、调用工具、沟通并更改系统。新加坡于 2026 年 1 月发布的《模型 AI 治理框架：面向智能体 AI》强调限制自主性、分配人类问责、控制访问、测试、透明度和监控。这些原则可为内部治理提供参考，而当地法律和具体情境决定要求。

智能体应仅获得所需的最小权限。工具、数据、目的地、交易金额、时间窗口和操作类型应列入允许清单。高后果操作应要求确认或双重审批。速率限制、预算、环境隔离、不可变日志、异常检测和经测试的关停机制应支持控制。

业务负责人应记录智能体可以决定什么、可以建议什么以及可以执行什么。政策应禁止智能体扩大自身权限或绕过人工关口。互联工作流应针对恶意指令和被入侵的数据源进行测试。

自主性仅在获批边界内扩展，并须有证据和经过测试的停止机制。

10. 人员、雇佣与能力治理

员工需要明确的规则和可用的获批工具。仅禁止某些行为的政策可能把活动驱入未被观察的渠道。培训应说明获准系统、数据类别、验证、记录、知识产权、安全、上报和后果。基于角色的模块应面向开发者、采购、人力资源、投资团队、客户运营、高管和董事会成员。

雇佣用途需要格外谨慎。招聘、监控、绩效、排班、晋升和解雇可能影响权利和生计。审查应考虑适用的雇佣、平等、隐私、协商和自动化决策规则。应测试数据质量、代理变量、差异化结果、解释、可访问性和有意义的重新审议。

集团还应规划劳动力变化。AI可以重新设计任务、控制和技能要求。管理层应评估职责分离、工作设计、监督、胜任力和变革疲劳。关键知识不应在没有保留和连续性安排的情况下转入不透明的工具。

家庭成员和董事也是用户。个人助理、消息工具和设备可能包含敏感的家庭、交易和治理信息。入职培训和年度申报应涵盖董事会门户、获批账户、旅行、语音和图像克隆、冒名顶替和紧急付款欺诈。

11. 保护信息完整性和家族声誉

合成内容可能造成运营和声誉损害。虚假的高管信息可能索要资金或数据。伪造音频可能影响谈判。不准确的公开回答可能被归因于家族企业。集团需要身份验证、对外发布控制和针对冒名顶替与虚假信息的上报路径。

高风险通信应使用经过验证的渠道和二次确认。付款或账户变更绝不应仅依赖语音、视频或电子邮件。由AI生成或实质性编辑的公开内容应接受与其后果相称的事实、法律和品牌审查。来源和标签要求应按司法管辖区和渠道进行检查。

危机计划应明确家族发言人、实体发言人、法律负责人、技术负责人以及执法部门或平台联系人。监测应聚焦可信威胁并尊重隐私。凡属合法，应在内容被删除前保全证据。

12. 按实体和角色梳理监管与标准

监管图谱应保持最新，并针对具体实体。欧盟AI法案通过分阶段时间表适用，并按系统类别和参与者角色分配义务。欧盟委员会表示，大多数条款自2026年8月2日起适用，而某些条款已更早开始，部分高风险系统义务的时间安排更晚。指南、标准和执法安排仍在不断发展。适用性和当前日期需经法律确认。

美国具有行业性和多层次的环境。NIST AI RMF是自愿性的，提供的是治理结构，而非法律认定。联邦、州、行业、合同、消费者保护、就业、隐私、知识产权和证券要求可能适用。集团应维护司法管辖区和用例图谱，而不是依赖单一国家标签。

英国在现有监管机构之间采用基于原则的监管方式，同时还有数据保护和行业义务。英国信息专员办公室（ICO）表示，在2025年《数据（使用与访问）法》之后，其AI和数据保护指南正在审查中。因此，在作出决定时应核对版本和适用性。

新加坡为传统式、生成式和代理式AI提供了实用模型框架。这些是有用的治理参考；实体义务仍取决于适用法律、行业和角色。经合组织（OECD）原则为跨司法管辖区的互操作性提供了广泛采用的基础。

政策应记录法律来源、生效日期、受影响实体、角色、责任人和证据。监管变化应触发对分类、文档、测试、合同和事件职责的重新评估。

13. 围绕证据和决策设计事件响应

AI事件可能涉及保密性、个人数据、网络安全、不安全行为、歧视、财务损失、知识产权、错误信息、监管违规或服务中断。事件计划应连接现有的危机、网络、隐私、法律、风险和沟通程序，而不是建立孤立渠道。

首要行动是保护人员、遏制系统、保存证据并阻止进一步有害行为。团队应识别受影响实体、系统、版本、数据、用户、决策和关联工具。日志、提示、输出、配置、模型和供应商记录应在法律限制范围内保存。

事件指挥官应协调技术和业务决策。法律和隐私团队评估通知和法律特权。业务负责人评估受影响决策和客户补救。安全团队调查访问和入侵。沟通团队管控内部、家族和对外声明。财务团队跟踪损失和保险。供应商应按合同支持证据、遏制和补救。

经验教训应更新登记册、控制措施、培训和供应商条款。重启应要求明确的证据和授权。

该流程顺序保护人员和证据，同时协调针对具体实体的职责。

14. 以假设的全球集团展示该框架

设想一个假设的家族持股集团：在英国设有控股公司，在欧盟和美国设有消费和工业业务，在新加坡设有科技子公司，并另设独立投资办公室。该集团拥有4,800名员工，合并年收入为USD 1.2 billion。这些数字仅为演示该方法而创建的管理层假设。

发现阶段识别出 64 个启用 AI 的系统以及 117 个用例。二十九个系统是已批准的企业工具，18 个是供应商内嵌功能，11 个是员工订阅，6 个是内部开发。初步用例审查识别出 12 个受限用途、69 个受控用途、30 个常规用途以及 6 个待调查暂停使用的用途。

受限集合包括招聘筛选、工厂安全警报、动态客户定价、信贷建议、投资研究、客户投诉分流，以及两个与代码和外部通信相连的智能体。没有任何一项仅因供应商将其宣传为合规而获批。每一项都接受本地法律映射、影响评估、数据审查、验收测试、人工授权设计和监控计划。

董事会批准一项集团政策和四份实体附表。该政策禁止在未经批准的公共工具中使用机密信息、捏造证据、未经批准的冒充以及资金自主转移。对于重大对外沟通和由智能体进行生产代码变更，要求双重审批。六个暂停使用的用途已得到控制；两个停用，三个迁移至已批准环境，一个在整改后进入受控试点。

表 5. 假设性家族集团 AI 基线与首批决策

所有数值均为用于方法演示的管理层假设；它们并非观测到的集团数据。

家族办公室有另一个独立问题。分析师曾使用消费级助手进行公开研究并起草备忘录。董事会要求采用经批准的企业环境、保留来源、限制机密数据、落实投资决策问责，并明确区分工具输出与经批准的投资证据。投资委员会仍对每项决策承担责任。

90 天仪表盘显示：64 个系统中有 60 个已明确完整责任人，所有重要实体均已测试事件联系人，六个暂停使用的用途已关闭，四个受控系统的供应商证据已逾期。例外情况在解决前保持可见。该示例表明，政策如何成为一组决策组合，而不仅仅是原则声明。

15. 执行 100 天实施序列

在第 1 至 20 天，董事会任命一名执行发起人和政策负责人，界定集团范围，发布临时可接受使用通知，保全相关证据并识别重要系统。管理层建立实体、系统和用例登记册，并指定事件联系人。

在第 21 至 40 天，集团对用例进行分类，识别禁止和受限活动，梳理数据与法律角色，并遏制紧急例外情况。采购部门审查重要供应商及内嵌功能。技术部门建立经批准的访问权限和初步检测控制。

在第 41 至 60 天，责任人完成针对受限用途的影响、隐私、安全、知识产权和人类授权评估。技术团队建立验收测试、权限、日志、监控和暂停控制。各实体董事会审查本地时间表。

在第 61 至 80 天，集团开展培训、事件演练和控制证据的试点。它检验智能体边界和审批关口。管理层关闭或上报例外事项，更新合同并界定董事会指标。独立控制职能对高影响审批进行质询。

在第 81 至 100 天，董事会通过政策与各实体时间表，批准重大剩余风险，并接收首份仪表盘。内部审计制定基于风险的保证计划。登记册成为经常性管理记录，并接受事件驱动的重新评估。

16. 建立经常性治理和事件驱动审查

运营节奏应与变化相匹配。系统负责人监控生产环境。业务负责人每月审查绩效、投诉、人工覆盖操作和例外事项。控制职能至少每季度审查受限用途。董事会按约定时间表接收重大风险敞口、事件和逾期整改情况。

事件应触发立即重新评估。这些包括新用途、模型或供应商；重大版本变更；新数据类别；扩展至另一实体或司法辖区；接入工具；自主性提升；重大投诉；控制失效；事件；收购；资产剥离；或监管变化。

收购需要尽早识别。尽职调查应识别重大 AI 系统、数据权利、合同、事件、索赔和合规缺口。整合应保留证据，并防止未经控制地连接集团系统。剥离需要数据分离、许可转让和访问权限移除。

继任同样重要。下一代家族成员可以推动创新或加入董事会。治理应采用相同的决策权和证据标准。该政策应继续作为机构资产，在领导层、供应商和技术发生变化时仍能存续。

事件驱动审查与经常性监督并行；可根据实体或用途采用更严格的节奏。

17. 为董事会提供闭环记分卡

董事会应能将每项重大 AI 用途追溯至实体、系统、负责人、决策、数据集、风险层级、权限、控制和当前证据。仪表盘应显示未知系统、受限用途、事件、逾期审查和整改情况。

表 6：可供董事会使用的 AI 治理实施记分卡

验收要求每项重大例外都有最新证据和具名负责人。

记分卡应避免虚假的完成百分比。集团可能拥有许多已登记系统，却仍对少数影响人员、资金、安全或声誉的系统缺乏控制。董事会应关注重大例外和证据时效。

AI 治理在与投资、采购、用工、网络安全、数据、交易和运营管理相连接时才会持久。政策提供规则集。登记册提供事实边界。测试提供证据。决策权提供问责。当假设失效时，事件响应保护人员与价值。

参考文献

1. 经济合作与发展组织，OECD AI 原则，2024年5月更新， https://oecd.ai/en/ai-principles
2. 美国国家标准与技术研究院，《人工智能风险管理框架 1.0》，2023年1月26日， https://www.nist.gov/itl/ai-risk-management-framework
3. 美国国家标准与技术研究院，《人工智能风险管理框架：生成式人工智能概况》，NIST AI 600-1，2024年7月26日， https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
4. 欧盟委员会，《AI法案导航》，包括分阶段实施信息， https://digital-strategy.ec.europa.eu/en/faqs/navigating-ai-act
5. 欧盟委员会，《通用目的 AI 提供者义务指南》， https://digital-strategy.ec.europa.eu/en/faqs/guidelines-obligations-general-purpose-ai-providers
6. 欧洲数据保护委员会，关于在AI模型背景下处理个人数据相关的某些数据保护方面的第28/2024号意见，2024年12月18日， https://www.edpb.europa.eu/news/edpb-opinion-on-ai-models-gdpr-principles-support-responsible-ai_en
7. 英国信息专员办公室，《关于AI与数据保护的指南：问责与治理影响》，在《2025年数据（使用与访问）法案》出台后正在审查中， https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/artificial-intelligence/guidance-on-ai-and-data-protection/what-are-the-accountability-and-governance-implications-of-ai/
8. 英国科学、创新和技术部，《实施英国AI监管原则：监管机构初步指南》，2024年2月， https://assets.publishing.service.gov.uk/media/65c0b6bd63a23d0013c821a0/implementing_the_uk_ai_regulatory_principles_guidance_for_regulators.pdf
9. 新加坡资讯通信媒体发展局与个人数据保护委员会，《人工智能治理模型框架》第二版， https://www.imda.gov.sg/-/media/imda/files/infocomm-media-landscape/sg-digital/tech-pillars/artificial-intelligence/second-edition-of-the-model-ai-governance-framework.pdf
10. 新加坡资讯通信媒体发展局，《面向生成式AI的模型AI治理框架》，2024年5月， https://www.imda.gov.sg/resources/press-releases-factsheets-and-speeches/press-releases/2024/singapore-launches-model-ai-governance-framework-for-generative-ai
11. 新加坡资讯通信媒体发展局，《面向智能体AI的模型AI治理框架》，版本1.0，2026年1月22日， https://www.imda.gov.sg/-/media/imda/files/about/emerging-tech-and-research/artificial-intelligence/mgf-for-agentic-ai.pdf
12. 美国国家标准与技术研究院，《AI风险管理框架操作手册与资源》， https://www.nist.gov/itl/ai-risk-management-framework/ai-risk-management-framework-resources

关于作者

Chennakeshav Adya 是一位独立研究员，也是 Matchpoint Partners 的管理合伙人。他的研究考察私募和公开市场中的战略、资本形成、估值、交易和运营执行。