3. AI风险分类体系

AI风险分类体系的核心任务，是把“AI可能出问题”这一模糊判断，拆解为可识别、可归属、可评估、可跟踪的结构化条目。没有分类体系，风险讨论容易停留在“模型不准”“数据有偏”“合规压力大”等笼统表述；有了分类框架，团队才能把具体事件映射到明确维度，进而确定责任角色、控制措施与审计证据。本节围绕四个主维度——技术、伦理、法律、运营——建立分类框架，并给出可直接落地的风险登记册示例。

一、四维分类框架的划分逻辑

四个维度并非互斥，而是按“风险来源—影响对象—约束来源—业务后果”四条主线划分。技术维度关注系统本身是否可靠、可解释、可防护；伦理维度关注对个人与群体是否公平、尊重、无害；法律维度关注是否满足强制性法规与合同义务；运营维度关注在真实业务流程中是否稳定、可控、可恢复。同一条风险可以在多个维度留下痕迹，例如“训练数据包含未经授权的个人信息”，在技术维度表现为数据来源不可追溯，在伦理维度表现为隐私侵犯，在法律维度表现为违反个人信息保护要求，在运营维度表现为数据供应链管理缺失。分类的价值在于：先定位主维度，再挂接跨维度关联，避免遗漏控制点。

二、风险登记册的字段设计与填写方法

分类框架只有落到登记册才能被持续管理。建议登记册至少包含以下字段：风险ID、风险名称、主维度、关联维度、触发场景、可能性（1–5）、影响（1–5）、风险等级（可能性×影响）、现有控制、剩余风险、责任人、复审日期、审计证据。其中“可能性”和“影响”采用统一标度，避免不同团队各说各话。例如可能性1表示“一年内几乎不发生”，5表示“每月至少发生一次”；影响1表示“可忽略”，5表示“导致监管处罚或核心业务停摆”。风险等级≥15为红色，8–14为橙色，≤7为绿色，分别对应立即处置、限期整改、持续监控。

填写时先确定主维度，再补充关联维度。以“智能客服输出错误承诺导致用户索赔”为例：主维度为运营（服务交付失败），关联维度为法律（合同承诺效力）与技术（幻觉输出）。触发场景写“用户询问退款政策，模型生成与官方政策不一致的承诺”。可能性设为3（中等，取决于提示词与知识库更新频率），影响设为4（可能引发批量索赔与品牌损失），风险等级12，橙色。现有控制包括“知识库每日同步”“高风险话术人工复核”，剩余风险降为6，绿色。责任人写客服运营负责人，审计证据保留“对话日志抽样记录”与“知识库版本比对报告”。

三、从分类到处置：一个可运行的登记册示例

下表给出一个简化但可直接参考的风险登记册片段，覆盖四个维度各一条，参数为教学示例，实际使用时需按组织情况调整。

四、分类体系的维护与审计要点

分类体系不是一次性文档。建议每季度做一次“维度覆盖检查”：统计登记册中各主维度的条目数量与等级分布，若某一维度长期为空，可能是识别不足而非真的无风险。同时检查跨维度关联是否被记录，例如法律维度的风险是否同步挂接了技术与运营控制。审计时重点看三件事：风险条目是否有明确的触发场景而非抽象描述；控制措施是否对应到可验证的证据；剩余风险是否经过责任人确认。只有做到“分类可定位、登记可追踪、证据可核验”，AI风险分类体系才真正具备工程价值。