FSB发布咨询报告:负责任地采用AI的良好做法(附要点)

• FSB正在征求对其提出的合理实践的反馈，这些做法旨在帮助金融机构在快速变化的技术环境中负责任地应对人工智能的采用。

• 这12项稳健的实践涵盖了全组织治理，以及人工智能开发和部署的不同阶段的管理。

• 强烈建议金融机构董事会和高级管理层参考这些稳健的做法，以考虑在日益人工智能驱动的环境中的商业战略、技术采用和风险管理。

金融稳定委员会（FSB）发布了一份关于负责任地采用人工智能（AI）的合理实践的咨询报告。这些稳健的实践聚焦于与金融机构和金融稳定相关的AI特有的方面和风险。

FSB已确定12项有助于金融机构负责任地采用人工智能的合理做法。这些稳健实践建立在FSB及其他标准制定机构现有和正在开展的工作基础上，并且在很大程度上互相兼容。它们致力于促进利益相关者之间的协同、合作和信息共享，包括了司法管辖区内外的金融机构和监管者。这些稳健的实践涵盖：

• 组织范围内的AI治理;

• 通过AI开发和部署的各个阶段进行风险的管理与缓释；

• 管理与AI相关的网络、信息与通信技术以及第三方风险。

FSB强烈鼓励金融机构董事会和高级管理层在考虑业务战略、技术采用和风险管理时参考该工具包，尤其是在日益AI驱动的环境中。这些稳健的做法并非旨在建立国际标准，也不是为金融机构负责任的AI采用强加规范性方法，更不是影响企业在采用某项AI技术上的决策。它们也并非针对近期出现的前沿AI模型相关风险而设立，尽管一些合理的做法有助于金融机构应对此类风险。

联邦储备委员会监管与规制合作常务委员会（SRC）主席、美国联邦储备系统理事会监管副主席Michelle Bowman,表示：“本报告为金融机构制定了明确的保障措施，使其能够负责任地采用、创新和使用人工智能。报告反映了FSB成员之间在加快时间表推进上的重大合作，以跟上人工智能快速变化的步伐。我期待收到公众对该报告的反馈，以便今年晚些时候发布一份最终报告，以作为美国G20交付的成果。”

新加坡金融管理局人工智能工作组负责人Ho Hern Shin表示：“前沿人工智能模型的最新发展凸显了该技术的动态特性及其能力发展的快速速度。FSB的稳健做法旨在帮助金融机构在快速变化的技术环境中负责任地推动人工智能的采用。”

一个现实是，金融机构正在利用人工智能改造运营和服务，但其快速采用也可能放大或引入需要适当识别和管理的风险。

负责任的人工智能采用使金融机构能够把握机遇和收益，同时最大限度地降低相关风险。特别是，金融机构需要了解并保持对人工智能机遇与风险的最新了解，并以适当的采用策略和防护措施应对不断演变的相关风险。在金融体系层面，负责任的人工智能应用降低了金融稳定的风险。

本报告强调了人工智能在金融体系中使用的利弊。

为促进金融机构负责任地采用人工智能，报告提出了12项稳健的实践，供金融机构在全组织AI治理及相关阶段（AI生命周期）管理中应用。报告包含了金融机构实际AI实施实践的案例研究。这些案例展示了稳健实践如何应用的，并在相关情况下，如何适当地应用。

这些稳健的做法旨在帮助金融机构董事会和高层管理人员，在日益依赖人工智能的环境中考虑业务战略、技术采用和风险管理。该报告基于FSB及其他标准制定机构，以及国家和地区金融主管部门的现有和正在开展的工作。它还整合了金融系统各方利益相关者的见解，包括金融机构及其技术供应商。

以下内容由本院加工整理

FSB《金融机构负责任采用人工智能良好实践》咨询报告

主要内容

• 文件性质：本公开咨询报告，面向全球金融机构、监管机构征求意见，意见征集截止2026 年 7 月 22 日

• 核心定位：提出12 项负责任采用 AI 的通用良好实践，覆盖传统 AI、生成式 AI（GenAI）、智能体 AI（Agentic AI），兼顾创新与金融稳定，为全球金融业 AI 治理提供统一指引；文件不具备强制法律效力，为行业参考标准。

• 适用范围：银行、保险、资管、支付机构、金融市场基础设施（FMI）等全品类金融机构。

一、报告整体框架与咨询的问题

（一）目录结构

报告共分为摘要、引言、金融 AI 应用全景、组织级 AI 治理、AI 全生命周期管理、附录、术语表、参考文献八大板块，核心主体为12 项良好实践。

（二）七大咨询问题（对外征求意见核心方向）

1. 是否认同报告梳理的 AI 应用收益与风险，有无补充内容；

2. 12 项良好实践是否全面、清晰，可落地性如何；

3. 规则对通用 AI 与新兴的生成式AI、智能体 AI 的风险平衡是否合理；

4. 规则是否具备弹性，能否适配未来 AI 的技术迭代；

5. 案例覆盖是否全面，是否需要补充非银金融机构案例；

6. 现有案例能否为机构提供可落地实操思路；

7. 报告术语定义是否贴合行业最新实践。

二、执行摘要核心要点

• 价值与风险共生：AI 已深度重塑金融业务，带来效率提升、风控强化、服务升级，但同时放大模型风险、网络风险、第三方依赖风险，威胁金融稳定。

• 规则定位：12 项良好实践非强制性国际标准，采用适配原则：大型 / 复杂机构、核心高风险 AI 场景需执行更严苛要求；中小机构、低风险场景可简化适配。

• 12 项实践分层

第 1–4 项：组织级顶层治理（董事会、高管权责、整体风控架构）；

第 5–10 项：AI 全生命周期管理（从立项到退出的全流程管控）；

第 11–12 项：跨场景通用风险（网络安全、第三方供应链风险）。

• 适配性：规则兼容各国现有监管框架，覆盖传统机器学习、大模型、智能体等全类型 AI。

三、引言

• AI 演进趋势：金融 AI 从传统机器学习，快速迭代至生成式 AI、自主智能体 AI，应用场景爆发式增长。

• 核心诉求：推动负责任 AI 的落地，在释放技术价值的同时管控风险，守住金融稳定底线。

• 核心原则：技术中立、风险为本、匹配适配；机构不能因惧怕风险拒绝 AI，也不能盲目创新忽视风控。

• 补充说明：本报告承接 FSB 2017、2024 年 AI 相关的研究，同步对接巴塞尔委员会、国际证监会组织（IOSCO）等国际标准制定机构规则。

四、金融领域 AI 应用、收益与风险（第一章）

（一）金融业整体 AI 落地现状

• 国际活跃银行、大型资管、交易机构、支付服务商 AI 应用最为成熟；

• 后台运营、风控类 AI 普及度最高，前台核心决策类 AI（如全自动信贷审批）应用相对谨慎；

• 算力提升、海量数据、基础模型开源降低 AI 落地门槛，市场需求进一步推动技术渗透。

（二）主流应用场景 + 落地案例

1. 信用风险与信贷业务

应用：信用评分、中小企业信贷审批、贷后风险预警；GenAI 用于财报解析、信贷报告自动生成。

案例：区域性银行通过机器学习提前 3 个月识别 95% 不良贷款，80% 高危企业最终避免违约；中型银行借助 GenAI 将信贷提案撰写时长从 1 天压缩至 15 分钟。

2. 交易、资管与投资业务

应用：市场情绪分析、波动率预测、组合优化、投研辅助；智能体 AI 实现交易任务自动化流转。

3. 反洗钱、欺诈与合规监控

应用：交易异常监测、身份核验、KYC/AML、营销材料合规审查；

案例：国际大行部署智能体 AI 实时识别新型欺诈模式，半年内欺诈损失下降超 20%；数字银行结合人脸识别 + 背景检测，打击傀儡账户、深度伪造身份诈骗。

4. 客户服务与财富管理

应用：智能客服、智能投顾、客户分层营销；

案例：全球系统重要性银行（G-SIB）通过 AI 整合内外部数据，客户经理筹备时间减少 50%，服务客户数量提升 3 倍。

5. 内部办公与效率提升

应用：代码生成、文档汇总、流程自动化；

案例：大型保险公司依托 AI 每年处理 40 万条人工流程，核保询价响应时长从 1–3 天缩短至 45 秒。

6. 运营韧性与网络防御

应用：网络攻击检测、勒索软件响应、系统异常监控。

（三）AI 带来的核心风险与挑战（重点风险分类）

1. 治理缺陷风险

AI 分散落地、缺乏顶层统筹，出现 “影子 AI”（员工私自使用未授权 AI 工具），风险游离于监管之外。

2. 数据与模型风险

数据质量差、历史偏见被 AI 放大，形成歧视性决策；

模型漂移、过拟合 / 欠拟合、大模型幻觉问题（输出虚假信息）；

模型逻辑黑箱，可解释性不足，难以校验决策合理性。

3. 人为管控风险

人员过度依赖 AI（自动化偏见）、人工监督缺位，无法及时纠正 AI 错误。

4. 网络与恶意利用风险（AI 被武器化）

主流攻击类型：数据投毒、提示注入、越狱攻击、对抗样本、模型窃取、深度伪造钓鱼；AI 大幅降低网络攻击门槛，零日漏洞利用速度加快。

5. 第三方与供应链集中风险

金融机构高度依赖云厂商、基础模型服务商、数据供应商，供给高度集中；第三方模型不透明、变更不告知，运维连续性无法保障。

6. 市场与系统性风险

全行业共用同类 AI 模型 / 数据，易出现行为趋同、羊群效应，加剧市场波动、流动性危机。

7. 消费者与市场行为风险

AI 误导销售、差异化歧视、未充分告知 AI 使用规则，客户维权与追责难度加大。

8. 智能体 AI 特有风险

自主决策、目标篡改、擅自执行操作、越权访问数据 / 系统，行为不可预测，监控难度极大。

五、组织级 AI 治理（第二章，4 项良好实践）

本章聚焦企业顶层架构，是所有 AI 应用的基础，包含 4 项核心实践。

1. 良好实践 1：战略与高层监督

董事会、高管层将 AI 纳入整体经营战略，对齐风险偏好与业务目标；

明确 AI 应用边界，划定禁止场景（如核心业务全自动决策）；

配套人力、技术、资金资源，定期复盘 AI 战略适配性。

2. 良好实践 2：治理与权责划分

依托三道防线（业务部门、风控合规、内部审计）搭建 AI 治理体系；

建立跨部门协同机制（业务、技术、法务、风控、审计联动）；

可采用集中式、分布式、混合式运营模式，定期评估优化。

3. 良好实践 3：纳入整体风控框架 + 文档管理

将 AI 风险纳入现有全面风险管理体系，按场景区分风险等级，实施分级管控；

建立AI 资产台账，全生命周期记录模型信息、数据来源、权责、第三方依赖；

针对 GenAI、智能体 AI 强化日志、提示词版本管理，支持回溯与回滚。

4. 良好实践 4：组织能力与动态适配

分层培训：全员 AI 基础认知、专业人员技术风控能力、高管战略研判能力；

建立外部情报机制，跟踪 AI 技术、攻击手段、监管规则更新；

从安全事件、模型故障中总结经验，持续迭代治理规则。

六、AI 全生命周期管理（第三章，8 项良好实践）

报告划分七大通用 AI 生命周期阶段：立项→设计开发→验证测试→部署→运行监控→重评估→退役。

本章包含 8 项实践，覆盖生命周期全流程 + 网络、第三方通用风险。

5. 良好实践 5：重要性与风险评估（立项阶段）

AI 上线前必须评估业务重要性（实质性）与固有风险；

动态重评：场景扩容、模型更新、外部环境变化时重新评估风险；

区分风险等级，匹配对应管控强度。

6. 良好实践 6：AI 模型 / 方案选型

结合业务目标、风险、成本、技术能力，选择自研、采购、开源等模式；

权衡模型性能与可解释性、安全性，不盲目追求复杂模型；

评估第三方供应商资质与供应链风险。

7. 良好实践 7：数据治理

保障训练 / 测试 / 推理数据准确、完整、安全，分类分级管理敏感数据；

管控多模态数据（文本、图片、音视频）、合成数据风险；

全链路追踪数据溯源，监控数据漂移，防范数据投毒。

8. 良好实践 8：可解释性与透明度

可解释性：区分全局解释（模型整体逻辑）、局部解释（单条决策依据）；解释能力不足时，增设补偿性管控。

透明度分层：

对内：向风控、审计、监管披露模型信息；

对外：向客户告知 AI 参与决策、使用范围、申诉渠道；

复杂黑箱模型可搭配对照模型、压力测试弥补解释短板。

9. 良好实践 9：性能管理与持续测试

多维度评估性能：准确率、稳定性、鲁棒性、抗干扰能力；

开发阶段开展测试，上线后常态化监控模型漂移、性能衰减；

开展红队演练、压力测试，主动挖掘漏洞；

GenAI 重点检测幻觉，智能体 AI 检测越权行为。

10. 良好实践 10：人工监督

根据 AI 自主性、风险等级设置差异化监督模式：

人在回路（全人工审批，高风险场景）；

人在环上（抽查 + 异常干预）；

人主导（设定规则、权限、紧急关停开关）；

严禁过度自动化，针对智能体 AI 设置操作权限、交易限额、审批卡点。

11. 良好实践 11：网络与 ICT 风险管理

适配 AI 新型网络攻击，采用纵深防御、最小权限原则；

将 AI 攻击场景纳入应急演练、灾备方案；

利用 AI 工具对抗 AI 攻击（深度伪造识别、入侵检测）；

参考 OWASP、MITRE 等行业安全框架落地防护。

12. 良好实践 12：第三方 AI 供应链风险管理

对模型厂商、云服务商、数据供应商开展前置尽调；

合同明确数据安全、模型变更、审计、业务连续性、赔偿条款；

管控供应商集中风险，准备备选方案与退出机制；

要求第三方提供模型卡、合规证明，强化事后持续监控。

【对本咨询报告的总结分析】

• 核心逻辑：FSB 坚持风险为本、适当原则、技术中立，不禁止金融机构使用前沿 AI，而是要求建立全流程管控体系。

• 监管趋势：全球金融 AI 监管从 “原则倡导” 转向 “可落地的实操标准”，重点是——治理、数据、可解释性、人工监督、第三方供应链、网络安全——六大风险点。

• 技术适配：专门针对 GenAI、智能体 AI 等新兴高风险 AI 增设规则，回应行业最新风险挑战。

• 落地价值：该报告将成为各国金融监管规则、机构内部 AI 管理制度的重要参考，推动全球金融业 AI 治理标准趋同。