夜雨聆风
当所有人都可以说"这不是我的决定，是 AI 的决定"时，问责就消失了。而问责消失的地方，灾难正在生长。
一次拒赔引发的问题
去年，某保险公司的AI 核保系统拒绝了一份重疾险申请。
申请人是一个 35 岁的男性，体检数据完全正常，但 AI 综合了他的职业风险评分、居住区域健康数据和一些行为特征后，给出了"高风险"的判定，自动触发了拒保流程。
客户投诉了。他问了一个简单的问题："谁做的这个决定？"
客服说："系统自动判定的。"客户问："那谁对这个系统负责？"客服沉默了。
是写代码的工程师负责吗？他只是按照需求文档实现了算法。是定义需求的产品经理负责吗？她只是把业务规则翻译成了产品逻辑。是审批上线的管理层负责吗？他们看的是整体通过率和赔付率，不会审核每一个个案。是 AI 模型本身负责吗？它没有法律人格，无法被追责。
这个问题在组织里转了一圈，没有落到任何一个人身上。
Martin Sustrik 在他 2025 年的文章里给这种现象起了个名字：问责黑洞（accountability sink）。
什么是问责黑洞
Sustrik 的定义很精确：问责黑洞是一种组织结构，在这个结构中，被追责的人对结果没有实际控制权，而真正有控制权的人被结构性地隔离在问责之外。
这不是推诿。推诿是"我不想负责"。问责黑洞是"组织的设计方式让没有人能负责"。
他举了一个经典例子：酒店的取消政策。你打电话给前台要求延迟退房，前台说"对不起，这是系统规定"。前台是被追责的人——他承受了你的愤怒——但他对这个政策没有任何决定权。而制定政策的管理层，你永远见不到，永远追不到。
前台成了问责黑洞。他吸收了所有的问责压力，但对结果无能为力。
Sustrik 指出，问责黑洞可以是破坏性的——让坏决策的始作俑者逃脱追责；也可以是建设性的——保护创新者不受短期压力的干扰。一个研发实验室的负责人用"这是董事会的决定"来挡住来自销售团队的压力，好让团队专心做长期研究——这就是建设性的问责黑洞。
但 AI 创造了第三种问责黑洞：既不是破坏性的，也不是建设性的，而是纯粹的缺失。没有人有意地设计了它，没有人有意地利用它，它只是随着 AI 决策的渗透而自然生长出来。
这才是最危险的。
我在保险行业看到的问责真空
保险是一个对问责有法律刚性要求的行业。每一份保单的承保和拒保，都需要有可追溯的决策路径。监管要求你能解释为什么接受或拒绝一个客户。
然后 AI 来了。
AI Agent 产品在保险核保、客户经营、理赔预审等场景里，AI 的决策每天影响着成千上万的客户。我亲眼看到问责链条是如何被一步步侵蚀的。
第一步：AI 从"辅助"变成"主导"。 最初，AI 只是给人类核保师提供参考意见，最终决策权在人。但效率压力是真实的——当 AI 能在 3 秒内完成人类需要 3 天的工作时，谁会真的花 3 天去复核？核保师开始无条件接受 AI 的建议。名义上人在决策，实际上人只是在盖章。
第二步：盖章的人消失了。 效率进一步优化后，连盖章的人都被精简了。AI 直接做决策，人只处理异常。但"异常"的定义权也在 AI 手上——它决定什么是异常，什么不是。
第三步：出了问题找谁？ 当一个客户被错误拒保时，问责链条断裂了。工程师说："模型是按照训练数据和业务规则运行的。"产品经理说："我定义的是大方向，不是每个个案的判断。"管理层说："我批准的是整体方案，不是具体的算法参数。"
问责沿着组织架构向上传递，到每一层都被稀释一点，最后彻底蒸发。
这不是 Sustrik 描述的那种有人刻意设计的问责黑洞。没有人故意把责任推给 AI。而是 AI 决策的技术特性——黑箱性、概率性、规模化——让传统的问责结构自动失效了。
问责链断裂的四个机制
在过去几年的实践中，我总结出 AI 瓦解问责的四个具体机制：
机制一：决策的不可解释性。 传统的核保拒绝有明确的理由——"您的 BMI 超标"、"您有家族病史"。AI 的决策是多维特征的加权结果，往往连构建它的工程师都无法精确解释为什么某个申请被拒。当决策无法被解释时，问责就失去了锚点。你怎么追究一个你无法理解的决定？
机制二：责任的无限分割。 一个 AI 决策涉及的人包括：收集训练数据的人、清洗数据的人、设计模型架构的人、调参的人、定义业务规则的人、审批上线的人、监控运行的人。每个人都只负责链条上的一小段。当出了问题时，每个人的贡献都"不足以构成责任"。
机制三：决策的规模化稀释。 一个人类核保师一天处理 50 份申请，每一份都是有意识的决策行为。一个 AI 系统一天处理 50000 份。当决策的密度达到这个量级，"为每个决策负责"在物理上就不可能了。问责被规模稀释成了统计指标——"整体准确率 98%"。那 2% 里的每个真实的人，掉进了统计的缝隙。
机制四：时间的断裂。 AI 模型的训练和部署之间可能隔着几个月。做出决策时的模型参数，可能是半年前基于当时的数据训练出来的。当半年后一个决策出了问题，当时的上下文已经不存在了。训练数据可能已经更新，团队成员可能已经离职。问责找不到时间上的锚点。
监管在追赶，但追不上
保险和银行业的监管者已经注意到了这个问题。
欧盟的 AI Act 要求高风险 AI 系统具备可解释性和人类监督。中国的《生成式人工智能服务管理暂行办法》要求提供者对 AI 生成内容负责。新加坡的 MAS 对金融机构使用 AI 有专门的治理指引。
但监管面临一个根本困境：它试图用传统的"谁做了决定谁负责"的框架来规范一个"没有人做决定"的系统。
传统监管假设决策链是线性的：有人提案，有人审批，有人执行。每一步都有明确的责任人。但 AI 的决策链不是线性的，而是网状的——数据、算法、规则、参数、环境变量交织在一起，形成了一个没有起点也没有终点的决策网络。
你可以要求"人类在回路中"（human in the loop），但如果人类只是在盖章，这个要求就是形式主义。你可以要求可解释性，但如果解释是事后用另一个模型拟合出来的"近似解释"，这个透明性就是虚假的。
监管在追赶 AI 创造的问责真空，但 AI 跑得更快。
不是破坏，不是建设，是缺失
回到 Sustrik 的框架。他区分了破坏性问责黑洞（保护坏决策）和建设性问责黑洞（保护创新）。
AI 创造的问责黑洞不属于任何一类。
破坏性问责黑洞有一个受益者——某个人或某个群体在利用这个结构逃避责任。但 AI 的问责真空里没有受益者。没有人策划了它，没有人因此获益。
建设性问责黑洞有一个目的——保护某种有价值的活动免受短期压力。但 AI 的问责真空没有目的。它不是在保护任何东西，它只是一个空洞。
AI 创造的是一种新型的问责黑洞：无主的、无目的的、自我生长的。 它随着 AI 渗透率的提升而自动扩大，不需要任何人的推动。
这是比"谁负责"更深层的问题。在传统的问责黑洞里，至少有一个可以被修复的结构。你可以改变酒店的政策，让前台有权延迟退房。你可以改变组织架构，让决策者直接面对客户。但 AI 的问责真空不是一个可以被修复的结构性缺陷——它是 AI 决策本身的内在属性。
只要决策是由算法做出的、规模是人类无法逐一审视的、逻辑是统计性而非因果性的，问责真空就必然存在。
一个实践者的三个原则
我没有解决方案。如果有人告诉你他有，那他要么在卖你东西，要么没真正做过这个事。
但我有三个在实践中形成的原则：
原则一：保留可问责的决策节点。 在我们的系统里，我坚持在关键决策点保留人类审核。不是所有决策——那会让系统退化回人工时代——而是那些后果严重且不可逆的决策。拒保、大额理赔、客户黑名单。这些决策必须有一个具体的人签字，并且这个人必须有权推翻 AI 的建议。不是走形式的盖章，而是真正的审核权。
原则二：构建问责的"考古记录"。 每一个 AI 决策都必须留下完整的上下文快照：当时的模型版本、输入特征、决策路径、置信度。不是为了让人看——50000 条记录没人看得过来——而是为了当出了问题时，有一条可以追溯的线索。这不是事后解释，这是事前的问责基础设施。
原则三：把"谁负责"写进系统设计里，而不是事后追加。 在每个 AI 产品的设计阶段，我要求团队回答一个问题："当这个 AI 做出错误决策时，谁是第一个被叫到会议室的人？"如果答不出来，这个产品的问责设计就是有缺陷的，不能上线。
这三个原则不能解决问责真空。它们只能减缓真空的扩大速度。
最后的问题
Sustrik 的文章让我意识到，问责黑洞不是 bug，而是组织复杂性的必然产物。AI 只是把这个必然性推到了一个新的极端。
但我想在他的框架上加一句：
当问责黑洞是人造的，至少我们知道它在哪里。当问责黑洞是 AI 生长出来的，我们甚至不知道它在哪里——直到有人掉进去。
作为一个在受监管行业部署 AI 的实践者，我每天都在跟这个问题博弈。我不敢说我做得好。我只能说，我在每一个设计决策里，都会问自己这个问题：
"如果这个 AI 今天做了一个错误的决定，明天能不能找到一个真实的人来承担责任？"
如果答案是不能，那这个系统就不应该上线。不管它的效率有多高。
因为效率可以重建，但问责一旦消失，就很难再找回来。
参考资料
Martin Sustrik (2025). "Accountability Sinks." 452 karma.
中华人民共和国国家互联网信息办公室 (2023). 《生成式人工智能服务管理暂行办法》.
European Commission (2024). Regulation (EU) 2024/1689 — Artificial Intelligence Act.
Monetary Authority of Singapore (2025). Guidelines on Use of AI in Financial Institutions.
