人工智能安全协作要真正进入企业治理，关键不在于几家模型公司是否发布联合声明，而在于外部安全共识能否被转换为内部的评测标准、审批条件和责任机制。围绕 OpenAI、Anthropic 与谷歌旗下 DeepMind 的安全沟通，目前公开信息只能确认三方进行了持续数周的交流，尚不能据此认定已经形成统一标准、正式治理机构或可直接采用的行业协议。企业因此不应等待“统一答案”，而应先建立自身的治理基线。
把模型风险放进业务流程
企业治理的起点，是建立模型与智能体清单，记录供应商、版本、使用部门、处理的数据类型、权限范围和业务重要性。仅把模型用于文本生成，与允许智能体访问财务系统、发送邮件或修改生产数据，风险等级显然不同。安全审查必须从模型能力延伸到数据连接器、工具调用、权限系统、日志留存和人工接管。
评测也不能只看通用能力分数。企业应围绕实际场景检查敏感信息泄露、越权指令、提示注入、代码生成错误、长流程中的错误累积，以及拒答、降级和人工接管是否稳定。评测结果要与上线范围绑定：低风险内容辅助可以采用人工抽检，高风险审批、付款、数据修改和对外发送则应设置更严格的权限隔离与人工确认。
明确责任与持续控制
治理的核心问题不是“测没测”，而是“谁负责”。企业需要明确谁批准高风险模型上线，谁跟踪模型版本和供应商策略变化，谁有权暂停调用或切换备用模型，哪些事件必须报告，以及如何保存评测、审批和事故复盘记录。
供应商参与安全磋商，也不能自动等同于产品安全证明。尽调时应关注其安全报告、评测方法、数据保存与删除规则、调用审计、人工复核、应急联络、版本回滚和服务暂停机制。对关键业务，还应保留多供应商评估、模型路由或备用方案，避免把治理责任转移给单一提供商。
行业协作的价值，最终要体现在风险可比较、结果可复核、责任可追踪。企业现在就可以从清单、分级、上线前评测和持续监测四个环节建立闭环，使外部安全讨论转化为可执行的管理制度。