FSB 提出金融機構 AI 治理的 12 項做法

By: foresightnews.pro|2026/10/21 10:02:39

2026 年 10 月 15 日，金融穩定理事會（FSB）發布《金融機構負責任採用人工智慧的健全做法》最終報告，提出 12 項供金融機構參考的治理做法。報告覆蓋 AI 策略、風險評估、數據管理、人工監督、網絡安全以及第三方服務等環節，回應了金融機構近幾年加快引入生成式 AI 和智能體 AI 後出現的一系列管理問題。

金融機構的 AI 治理連接業務負責人、風險團隊與外部供應商。

這份報告經過公開徵求意見後定稿，提供一套國際層面的實踐框架，供機構結合自身業務和風險情況參考。金融機構落實時仍需結合所在區域的具體法律和監管要求。

一套做法為何要覆蓋董事會、數據、模型和供應商這麼多環節？可以從一個常見項目理解：銀行準備讓 AI 輔助處理小企業貸款。業務團隊希望縮短審查時間，模型團隊關心識別準確率，合規團隊關注客戶資料和決定解釋，運營團隊則需要保證供應商停服後貸款業務還能繼續。只檢查模型表現，無法回答另外幾方的問題。FSB 這份報告試圖讓這些決策進入同一套管理流程。

一、12 項做法從機構治理延伸到 AI 全周期

FSB 把 12 項做法分成兩組。前四項關注機構層面的治理，後八項覆蓋 AI 從引入、開發、部署到持續使用的各個環節。

四項機構治理做法先把責任、記錄和持續調整放進管理框架。

機構治理部分首先要求董事會和高級管理層把 AI 使用與業務模式、風險偏好和整體戰略放在一起考慮。當 AI 參與信貸審核、客戶服務、交易監測或內部決策，管理層需要了解它被用在什麼地方、承擔什麼功能，以及出錯會產生怎樣的影響。

第二項做法強調責任劃分。機構需要明確業務、技術、風險、合規和審計團隊各自承擔什麼職責，並把 AI 風險納入既有風險管理框架。第三項延續這一思路，要求記錄 AI 的使用方式、風險評估及相關控制。

記錄的價值在於出現問題時，機構能夠還原系統作出了什麼判斷、使用了哪些數據、誰作了決定，以及哪些控制在當時已經運行。第四項則提醒機構，技術和業務環境會變化，治理架構也需要隨之調整。

這四項做法決定了一項 AI 項目由誰批准、誰維護以及誰有權叫停。董事會無需逐個審查模型參數，但應知道機構把 AI 放進了哪些重要業務、預計取得什麼收益、準備承擔多大風險。管理層隨後把總體要求落到產品審批和崗位職責上。例如，貸款業務負責人決定 AI 建議能進入哪一步審批；模型風險團隊設計測試；合規人員檢查客戶權利；內部審計則評估前述控制是否真的運行。崗位之間若存在空白，就要在上線前指定最後的決策人。

FSB 所說的文檔也不等於保存一份產品說明書。一個用例至少需要能夠追蹤業務目的、數據來源、模型版本、測試結果、人工干預位置、第三方依賴和重大變更記錄。之後若客戶質疑審批結果，機構才可以沿著這些材料還原流程。對已經採購的辦公軟件也一樣：原本不含 AI 的產品加入自動摘要或客戶分類功能後，機構應重新確認輸入數據流向和使用範圍。

後八項從具體使用場景出發，覆蓋 AI 用例的重要性與風險評估、模型和系統選擇、數據治理、可解釋性與透明度。後續做法還涉及系統績效、人類監督、網絡與信息通信技術（ICT）風險，以及第三方 AI 依賴。

12 項做法按治理主題編排，許多要求貫穿 AI 使用的多個階段。機構可以結合自身規模、業務複雜程度、在金融體系中的角色，以及 AI 進入關鍵業務的程度，決定控制措施的深度。

這裡的"重要性評估"（materiality assessment），簡單來說，是判斷某個 AI 應用是否會影響機構的關鍵業務、客戶權益或風險決策。用於整理會議紀要的工具，與參與貸款審批或客戶資產管理的系統，需要配置不同的審查強度。FSB 提出按應用場景和風險配置治理力度，讓機構把更多控制資源放到影響更大的用途上。

這套生命周期管理要求機構把數據、模型和業務場景放在一起審視。訓練和運行數據的質量會影響模型輸出，模型更新可能改變原有表現，客戶與員工的使用方式也會帶來新的風險。風險評估因此需要貫穿選型、測試、上線和持續運行。

第五項"重要性與風險評估"適合在立項時完成第一輪，此後在用途改變、數據範圍擴大或模型更新時重做。客服知識庫回答產品營業時間，與自動推薦客戶購買高風險投資產品，面對的是不同的消費者後果。機構可以把影響人數、決定可逆性、數據敏感度、財務敞口和人工接管能力放進評估表，再決定需要怎樣的測試和審批。這樣，資源會優先流向真正可能傷害客戶或中斷服務的系統。

第六項是選型。市場上既有自建模型，也有外部 API 和嵌入常用軟件的 AI 功能。業務團隊通常先看到價格和功能，風險團隊還要問：模型能否在本機構的語言、客戶群和市場條件下穩定工作？供應商更新時是否通知？數據是否會被用於進一步訓練？如果只能取得有限技術資料，機構可先限定用途和數據範圍，在上線後用自己的樣本持續測試，而不是把採購演示當成正式驗證。

第七、八項連著數據與解釋。若貸款歷史樣本遺漏某類客戶，模型可能在這類申請上持續失準；若前線員工又無法解釋推薦結果，客戶異議會更難處理。數據治理因此涉及完整性、準確性、來源許可、訪問權限與安全。可解釋性要求也應按場景安排：為內部檢索提供出處，與向客戶說明影響其融資機會的決定，需要達到的清晰程度不同。FSB 允許機構在難以解釋的模型上設置用途限制、複核和額外測試等補償控制，重點是讓負責決定的人掌握足夠信息。

第九、十項進入日常運行。機構應監測模型表現是否隨業務環境變化，觀察錯誤率、投訴、異常調用和人工改判情況；監控指標需要與原始用途相連。人工監督也要有實際權力。審核員若只在螢幕上點"同意"，既看不到依據，也無權改變輸出，監督就很難起作用。高風險流程可設置強制二次確認、抽樣複核和自動停止閾值；記錄人工為何採納或推翻模型建議，反過來可以改進測試。

最後兩項把 AI 放回技術和供應鏈環境。模型接口、數據連接器和 Agent 工具可能成為新的攻擊入口，網絡安全演練要覆蓋提示注入、密鑰洩漏、錯誤工具調用和外部服務中斷。供應商風險還包括模型表現、透明度、訓練與運行數據質量、分包鏈條以及集中依賴。多家銀行同時使用少數雲平台或基礎模型，個別供應商故障就可能具有更廣的業務影響。機構至少要知道關鍵依賴在哪裡，以及重要業務中斷時由誰接管。

二、公開意見讓最終稿補上了運營層面的細節

FSB 在 2026 年 6 月發布諮詢稿，並於 7 月 22 日結束徵求意見。最終收到約 160 份反饋，來自銀行、保險公司、其他金融機構、行業協會、技術服務商、學術界和公共部門。總體上，受訪方支持以原則為基礎、強調比例性的做法；同時也提出了實施中的實際困難。

終稿保留了原則導向和技術中立的框架，也補充了小型機構如何借助現有崗位和外部專業能力落實治理的說明。案例部分增加了保險公司、資產管理機構和支付服務商的實踐，讓這套做法適用於更多類型的機構。FSB 將案例作為實踐路徑的展示，具體安排仍要結合機構自身情況。

第三方 AI 是反饋較集中的問題之一。金融機構使用外部模型或嵌入式 AI 產品時，可見的模型、數據和供應鏈信息往往有限，增加了獨立評估風險的難度。少數關鍵服務商在 AI 基礎設施中的份額不斷增加，也讓機構關注服務中斷後如何切換供應商、恢復業務。

第三方依賴與網絡安全也進入 AI 全生命周期管理。

最終稿因此進一步擴展了對第三方 AI 的討論，覆蓋嵌入式 AI、分包服務以及供應鏈依賴，並強調集中度管理、業務連續性和退出安排。對關鍵服務的退出安排，簡單來說，就是在供應商停服、合同終止或風險超出機構承受範圍時，機構如何切換服務或維持業務運行。

合同談判中，金融機構可以圍繞四件事取得信息：供應商如何處理輸入與輸出、重大模型或服務變更怎樣通知、事故時能提供哪些日誌、終止合作後數據如何返還或刪除。大型服務商未必接受每一家客戶的定制條款，機構仍能通過限制接入範圍、保留內部備份流程和定期測試替代路徑降低單點依賴。所謂退出安排最後要落到人員、數據格式和轉換所需時間，不能停留在合同中的"可以終止"。

智能體 AI 也成為修改重點。它與一般的文本生成工具有所不同，能夠在設定目標後連續執行多個步驟，有些系統還會調用外部工具或訪問業務數據。反饋意見提出了執行前授權、最小權限、不可篡改的操作記錄和運行時監控等控制思路。最終報告增加了相關考慮，並說明這部分實踐仍在發展，未來可能需要更深入的指引。

諮詢反饋還提及，如果多家機構依賴相同模型或少數供應商，市場行為可能趨同，風險也可能相互放大。最終報告聚焦單個金融機構如何負責任地採用 AI；更廣泛的系統性風險將通過其他金融穩定評估繼續觀察。

三、對金融機構而言，關鍵工作是把原則放進日常流程

這 12 項做法落到機構內部，首先需要一份能持續更新的 AI 使用清單。清單應說明系統服務於什麼業務、由誰負責、會影響哪些客戶或關鍵流程、依賴哪些外部模型與雲服務，以及發生異常時如何暫停或切換。AI 能力也可能嵌在常用辦公、客服或分析產品中，因此清單需要覆蓋採購項目之外的日常軟件和業務工具。

其次，AI 風險評估要從採購和試用階段開始。業務團隊說明應用目標，技術團隊評估模型與數據，風險和合規人員判斷它對客戶決策、關鍵業務或法定義務的影響。系統上線後，機構還要持續觀察運行表現，並檢查數據或模型更新是否帶來新的風險。

當模型的決策路徑較難說明時，機構可以通過限制用途、增加人工複核或設置額外測試來降低風險。這類"補償性控制"用於緩解模型透明度不足帶來的風險，並與數據保護、消費者權益等法定義務一並落實。

一份可用的內部流程還應區分"試驗"與"生產"。試驗環境可以使用脫敏或合成數據，限定用戶和調用次數；接入真實客戶數據及業務系統之前，再由業務、技術、安全、法務共同確認數據和權限。上線批准不應成為終點。機構可以設置版本變更觸發器：更換基礎模型、接入新的外部工具、擴展到新客戶群或調整自動化程度時，自動啟動複核。許多 AI 風險出現在用途慢慢擴大之後，而首次立項材料還停留在原來的低風險場景。

第三方管理也要進入採購和合同流程。機構需要了解供應商能提供哪些模型信息、數據如何處理、服務由哪些下游企業支持、發生重大更新時怎樣通知客戶，以及關鍵服務中斷時有哪些替代方案。

在供應商僅提供部分模型技術信息的情況下，金融機構可以記錄已取得的資料、待處理風險和運營安排，作為盡調和後續管理的依據。

對智能體 AI，還需要把授權邊界講清楚：它能訪問什麼數據、可以調用哪些工具、哪些操作必須由員工確認，以及怎樣在出現異常時暫停任務。監督人員需要具備實際介入權限、充足時間和可查閱的執行記錄。

例如，機構允許 Agent 整理客戶申請材料，可以讓它讀取指定文件夾、生成待核驗清單，卻把修改授信額度和對外發送決定留給員工。若同一 Agent 要完成查詢、寫入和通知三項動作，系統可在不同步驟發放短時憑證，並記錄每次調用。這樣，風險團隊看到的不再是"使用了 Agent"這樣一個抽象標籤，而是一條可以測試、審計和暫停的執行鏈。

實務上，可以把 12 項做法壓到四類交付物中：董事會批准的 AI 使用原則、持續更新的應用與依賴清單、每個重要用例的評估和測試記錄、以及異常時的停用與恢復預案。這四類材料相互連接。清單告訴管理層有哪些項目；評估決定哪些控制更嚴格；測試證明控制是否有效；事故記錄再推動規則修改。小型機構也可以複用既有風險會議和採購流程，關鍵是讓責任和證據可追蹤。

四、這是一套管理參考，落地仍要看所在法域

FSB 把這 12 項做法定位為可結合機構情況調整的實踐工具。機構在應用這份框架時，仍需把 AI 用例與所在法域關於數據保護、消費者權益、外包管理、模型風險或金融機構治理的具體要求逐項對照。

它的現實作用在於提供一張共同的治理清單：從董事會責任、內部文檔，到模型選擇、人工監督和供應商管理，機構可以據此核驗現有流程對關鍵環節的覆蓋情況。隨著 AI 進一步進入金融業務，這張清單背後的責任人、控制措施和應急安排也需要持續更新。

從國際政策的角度看，FSB 的做法還有一個價值：不同法域可以用相近的問題審視金融機構的 AI 應用。監管者未必使用同一張表，但都會關心風險由誰承擔、模型在關鍵業務中怎樣運行、外部依賴出現故障時客戶是否受影響。機構若能把上述證據準備好，面對不同地區的數據、消費者保護和審慎監管要求時，也更容易說明自己的控制安排。