日本更新AI事业者指南至1.2版：企业部署生成式AI如何补齐治理与透明度要求？

【软盟资讯·新闻导读】日本发布《AI事业者指南》1.2版，企业生成式AI治理再次进入“持续更新”阶段。公开资料显示，该指南由日本总务省与经济产业省共同推进，围绕AI开发者、提供者和业务使用者分别提出治理思路。对企业而言，重点不只是制定一份内部制度，而是把模型选型、供应商管理、数据使用、风险识别、透明度说明和上线复盘纳入持续运行的管理流程。需要注意的是，指南属于公开政策指引，不应直接等同于法律义务或具体法律意见。

1.2版释放了什么信号

根据日本总务省公开的《AI Guidelines for Business Ver1.2》概要资料，1.2版于2026年3月31日发布，内容结构包括指南主体和附录两部分：主体回答“为什么做、应当做什么”，附录则进一步讨论“如何落实”。指南覆盖AI的开发、提供和使用，并分别设置了AI开发者、AI提供者和AI业务使用者需要关注的事项。

这一结构变化的实际意义在于，AI治理不再只是原则宣示。企业需要把“尊重人权、确保安全、提高透明度、明确责任”等方向，转译为产品、采购、技术和运营部门可以执行的步骤。

公开资料同时显示，AI事业者指南是在既有AI开发、AI利用以及治理实践相关指引基础上整合形成，并伴随生成式AI社会应用的发展持续修订。相关介绍资料将1.2版视为当前版本，并指出其法律拘束力有限，但可能被企业治理审查、公共部门采购和交易伙伴评估作为参考。

因此，企业不宜把“没有直接法律强制力”理解为“可以暂不关注”。在实际商业合作中，指南可能通过客户问卷、供应商准入、采购要求、风险审查和董事会汇报等方式间接影响企业决策。

企业首先要分清三种性质

指南要求，不等于法律义务

《AI事业者指南》提供的是治理方向和实践框架。它可以帮助企业识别风险、分配责任和建立内部流程，但是否构成法律上的强制义务，需要结合具体业务、适用法律、合同安排和监管要求判断。

例如，企业在生成式AI中处理个人信息、商业秘密或客户数据时，不能仅依据指南判断是否合规，还要单独审查个人信息保护、保密义务、知识产权、行业监管和合同约定等问题。

更稳妥的内部做法，是在制度文件中明确标注三类内容：第一类是法律法规或合同明确要求的事项；第二类是公司基于风险管理主动采用的控制措施；第三类是参考指南提出的治理建议。这样既能避免把建议包装成法律结论，也能减少业务部门因概念混淆而产生的执行偏差。

企业治理，不等于只设一个审批部门

生成式AI风险往往跨越多个部门。技术团队关注模型性能和系统安全，法务关注数据与合同，业务部门关注效率和体验，采购部门关注供应商能力，管理层则需要判断风险是否与企业战略相匹配。

如果企业把AI治理完全交给法务或信息安全部门，容易出现两个问题：一是业务团队绕开审批使用未经评估的工具；二是制度过于严格，导致员工转向更隐蔽的非正式使用方式。

更可行的方式，是建立跨部门协作机制。企业可以由信息技术、风险或合规、实际业务负责人共同参与重大AI项目评估，并根据项目规模决定是否增加数据保护、安全、审计或人力资源代表。这里的重点不是机构名称，而是确保开发、采购、部署、运营和退出都有明确责任人。

从模型选型开始建立风险记录

企业落地生成式AI时，模型选型不应只比较价格、响应速度和效果。至少还应记录以下问题：

• 模型由谁提供，服务区域和数据处理地点如何确定；
• 输入数据是否被用于训练、改进或其他用途；
• 服务商是否提供安全措施、故障通知和版本变更说明；
• 模型是否支持日志留存、权限管理和人工复核；
• 输出内容可能造成哪些错误、偏见、泄密或不当决策风险；
• 供应商停止服务、模型下线或性能变化时，企业是否有替代方案。

这份记录不必一开始就做成复杂的技术档案，但应能够回答一个基本问题：企业为什么选择这个模型，而不是另一个模型；当风险发生时，谁做过判断、依据是什么、是否采取过缓解措施。

对于高影响场景，企业还应将模型评估从“上线前一次性测试”改为持续记录。模型版本、提示词、知识库、插件、权限和业务流程发生变化，都可能改变系统风险。一次通过并不代表长期安全。

供应商尽调不能只看产品演示

生成式AI采购常见的误区，是把供应商演示效果当成上线能力。企业在采购前应要求供应商说明产品边界和责任分工，尤其要关注以下内容：

数据与隐私

需要确认输入内容、输出内容、日志和反馈数据的处理方式，明确哪些数据会被保存、保存多久、谁可以访问，以及客户是否可以关闭特定数据用途。

如果企业员工可能输入客户信息、源代码、财务数据或未公开商业计划，就应当在产品启用前设定数据分级和禁止输入规则，而不是等泄露事件发生后再补救。

安全与可用性

企业应了解身份认证、权限管理、接口调用、日志审计和异常处置机制。对于关键业务，还应关注服务中断、模型版本变化、接口限流和供应商退出安排。

供应商不能解决所有风险。企业仍需管理自己的账号、权限、数据和业务流程。合同中也应明确双方在安全事件、错误输出、服务变更和客户投诉中的通知与协作责任。

透明度与可解释沟通

透明度不意味着企业必须公开全部模型参数或复杂技术细节，而是要让相关人员知道系统在什么场景下使用、依据什么数据工作、可能出现什么限制，以及出现问题后如何申诉或人工介入。

面向客户的说明应当与实际使用相匹配。若AI只用于内部摘要，说明方式可以较为简洁；若AI参与客户服务、审核、推荐或影响重要业务结果，就需要更清楚地说明使用范围、人工复核安排和纠错渠道。

把人工复核设计进业务流程

人工参与不应只是制度中的一句“必要时由人审核”。企业需要明确什么情况下必须升级给人工，人工可以否决哪些结果，以及审核人员应当查看哪些信息。

例如，面向客户的自动回复可以设置敏感主题转人工；涉及合同、付款、授信、招聘或重大服务决策的输出，可以要求人工确认后才能生效；当模型置信度不足、资料冲突或用户提出异议时，应自动进入复核流程。

人工复核也要避免形式化。若审核人员只能点击“确认”，却看不到模型依据、原始资料和风险提示，那么所谓人工控制很可能只是机械盖章。企业需要让复核人员具备足够的业务权限、信息和培训，并通过抽样检查判断审核是否有效。

用透明度建立内外部信任

人工智能透明度至少包含三层含义。

第一层是内部透明。企业员工要知道哪些工具可以使用、哪些数据不能输入、输出结果需要经过什么检查，以及如何报告异常。

第二层是面向客户或合作伙伴的透明。企业应根据使用场景说明AI参与程度，避免让用户误以为其正在与人工服务人员沟通，或者把模型生成结果误认为经过专业人员确认的结论。

第三层是面向管理层和审计的透明。企业需要保留项目目标、模型版本、数据来源、评估结果、风险处置、重大变更和事故复盘记录。记录的目的不是制造文档负担，而是在出现争议时能够还原决策过程。

透明度还应与商业秘密保护保持平衡。企业可以披露使用目的、风险边界和责任渠道，不必公开模型权重、供应商机密或完整安全配置。关键是做到足以让相关方理解风险，而不是追求没有边界的全面披露。

运营阶段要有上线复盘机制

不少企业把AI治理集中在上线前审批，忽略了运行中的变化。实际上，生成式AI的风险可能来自用户输入变化、知识库更新、模型升级、插件新增、提示词修改以及业务目标变化。

建议企业至少建立以下运行机制：

1. 定期检查输出质量。 抽样评估错误、幻觉、偏见、遗漏和不当表达。
2. 记录异常事件。 记录发生时间、影响范围、输入输出、处置人员和修正措施。
3. 管理版本变化。 对模型、接口、知识库、提示词和权限变更进行登记。
4. 设置退出条件。 当错误率、投诉量、安全事件或成本超过阈值时，暂停或限制使用。
5. 开展上线复盘。 比较预期收益与实际效果，判断是否需要调整场景、权限或人工参与程度。

这些措施不一定都要采用复杂系统。中小企业可以先使用统一登记表和审批清单，重点是形成可追溯记录，并让记录真正参与后续决策。

给企业管理者的落地清单

企业可以按照“盘点—分级—验证—运行—复盘”五个步骤推进。

盘点现有使用情况

先查清楚企业已经使用哪些模型、插件、办公工具和API，哪些部门在使用，输入了什么类型的数据，输出又被用于什么业务。未经正式采购的员工自用工具，也应纳入风险盘点。

建立风险分级

不要把所有AI应用都按同一标准管理。内部会议纪要、营销文案和知识检索，与客户服务、招聘筛选、财务审批等场景的风险不同。风险分级应结合数据敏感程度、影响对象、决策重要性、自动化程度和纠错难度。

进行上线前验证

围绕真实业务数据和边界场景测试模型，检查输出准确性、稳定性、偏见、泄密风险和人工接管效果。测试结果应形成简明记录，并说明哪些问题已解决、哪些问题只能通过流程控制降低。

运行中持续监测

明确谁负责查看异常、谁有权暂停服务、谁负责对外沟通。没有责任人的监测机制，最终容易变成无人维护的仪表盘。

组织定期复盘

当模型、供应商、数据或业务目标发生变化时，重新评估风险。企业也可以把AI项目复盘纳入产品评审、供应商年度评价和信息安全检查，而不是另设一套与日常工作脱节的程序。

不要把1.2版变成新的文件工程

《AI事业者指南》1.2版的重要价值，不在于企业能否快速制作一份漂亮的AI管理制度，而在于它提醒企业：AI治理需要与业务生命周期同步。

对于创业公司，优先级可以是建立允许使用和禁止使用的场景清单，保留模型与供应商选择记录，设置敏感数据规则，并为关键输出安排人工复核。对于中大型企业，则应进一步打通采购、数据、安全、法务、产品和审计流程，形成统一的AI资产与风险台账。

企业还要避免“为了合规而合规”。如果一项控制措施无法降低具体风险，也无法帮助业务作出更好的决策，就应重新评估其必要性。治理的目标不是阻止所有AI使用，而是在可接受风险范围内，让企业知道自己在使用什么、承担什么责任，以及出现问题后如何纠正。

【软盟观察】

日本《AI事业者指南》1.2版对中国企业的直接约束力，需要结合具体业务和适用规则判断，但它所体现的治理方向具有普遍参考意义：企业AI管理正在从“是否使用”转向“如何持续负责地使用”。

第一个值得关注的变化，是治理对象从模型本身扩展到完整的业务链条。企业不能只问某个模型是否准确，还要问数据从哪里来、供应商如何处理、员工能否正确使用、输出是否影响客户，以及发生问题后谁能够停止系统。模型性能只是决策的一部分，责任边界同样是产品能力的一部分。

第二个变化，是透明度逐渐成为商业协作条件。未来客户、合作伙伴和采购方可能不满足于“我们使用了知名模型”，而会进一步询问数据处理、权限控制、人工复核和事故响应。企业越早形成可解释、可记录的流程，越容易在采购评估和合作谈判中建立信任。

对创业者而言，最实际的做法不是复制大企业的复杂委员会，而是从最小可行治理开始：建立AI使用台账、划分数据等级、固定供应商问询表、保留上线测试记录，并为高风险场景设置人工接管。对管理者而言，则要把AI治理纳入产品和经营决策，而不是仅仅交给技术或法务部门。

需要特别强调的是，指南、法律义务和企业实践建议必须分开标注。指南可以提供方向，法律决定底线，企业制度则负责把要求转化为日常动作。真正成熟的生成式AI治理，不是文件越多越好，而是企业能否持续回答三个问题：系统正在做什么，风险由谁负责，出现偏差后如何纠正。

总的来看，1.2版更像是一项持续更新的治理信号。企业越早把模型选型、供应商尽调、数据管理、透明度说明和上线复盘纳入同一套流程，就越有机会在生成式AI扩大应用时，兼顾效率、信任与可控性。

对于正在部署生成式AI的企业来说，下一步不妨先从一次内部盘点开始：哪些AI已经在使用，哪些风险尚未被记录，又有哪些责任仍然没有明确答案。