公司里到底有多少AI在干活？先建一本AI台账

一家做工业品分销的公司开季度会，老板问了一句：“我们现在到底在哪些地方用了AI？”IT说采购过两个工具；销售说CRM升级后自带了邮件生成；财务说有人用网页版大模型整理对账；客服说外包商的系统里好像也有。没有人能给出完整答案，更没人说得清这些工具接触了哪些客户数据。

这是假设场景。它提出的组织问题很朴素：管不了看不见的东西。在讨论AI治理、权限或效果之前，企业首先需要知道AI在哪里。

已经形成的做法

【事实】美国国家标准与技术研究院（NIST）2023年1月发布的《AI风险管理框架》（AI RMF 1.0，NIST AI 100-1）在“治理”职能下设有GOVERN 1.6：建立机制对AI系统进行清点（inventory），并按组织风险优先级配置资源。紧随其后的GOVERN 1.7要求有流程安全地停用和淘汰AI系统。这是自愿采用的框架，不是法律义务。

【事实】NIST 2024年7月发布的生成式AI配套文件（NIST AI 600-1）把这一条细化为三项建议动作：把组织内的生成式AI系统纳入清单；在政策中界定“嵌入应用软件中的生成式AI”是否、以及如何豁免登记；清单条目除一般信息外，可考虑记录数据来源、已知问题、人工监督角色和职责、知识产权与敏感数据考量，以及底层基础模型及其版本和访问方式。

【事实】英国政府数字服务局（GDS）维护的“算法透明度记录标准”（ATRS）要求公共部门以统一格式公开说明如何、为何使用算法工具。按其官方页面，ATRS对所有中央政府部门，以及提供公共或一线服务、直接面向公众的部分公共机构是强制要求；2024年12月发布了适用范围与豁免政策，2025年5月更新了模板和指南，并设有已发布记录的公开检索库。

这三项来源互相补充：NIST说明企业内部清单应该记什么，ATRS提供了一个已经在大型组织中强制运行的登记实践。但ATRS针对的是公共部门的对外透明，企业内部台账不必公开，也不必照搬其字段。

变化的机制：AI不再只从“采购”这一扇门进来

过去，新系统进入企业，大多要经过采购、IT评估和上线审批，资产清单自然生成。AI的进入方式更分散：现有软件一次升级就多出一个“智能助手”；员工个人注册的网页工具可以直接粘贴客户资料；外包商的系统在企业看不到的地方调用模型。

NIST 600-1专门提到“嵌入应用软件中的生成式AI”是否豁免，正说明这部分最容易漏登。它们不经过采购，却真实地处理企业数据、影响对外输出。

台账因此要换一个登记单位：不是“买了哪些AI产品”，而是“哪些工作环节里有AI参与”。同一个工具用在写营销文案和比对合同条款，风险完全不同，应当分开登记。

对组织的影响

【推演】第一，责任有了落点。每条记录写明业务负责人，出了问题就知道找谁暂停、找谁评估。本栏目此前讨论过AI身份的退出问题；台账是退出的前提，没有登记的东西，也就无从“请它离开”。

【推演】第二，员工自用工具从“灰色”走向“可申报”。如果台账只用于追查，员工会隐瞒；如果登记后能获得合规的替代工具或明确的使用边界，申报意愿会更高。台账的设计要在发现问题和保护坦白之间取得平衡。这是机制推断，尚无公开研究给出企业层面的效果数据。

【推演】第三，台账会暴露数据流向。很多企业在梳理时才发现，客户资料已经经过若干外部模型服务。这对需要遵守个人信息保护要求的企业是必要的发现，但台账本身不能替代合规评估。

建议试验：两周内画出一张“AI分布图”

以下是编辑提出的建议试验，不代表任何企业已经实施。

选一个部门（建议选销售或客服这类对外接触多的部门），用两周时间做一次清点。方法分三路：查采购和报销记录中的AI相关软件；请IT列出现有业务系统近一年新增的AI功能；向员工发一份匿名问卷，只问“你在工作中用过哪些AI工具、用来做什么、是否放入过客户信息”，事先承诺问卷不用于追责。

每个用途登记五项：业务环节、负责人、接触的数据类型、底层是哪家服务（不清楚就写“不清楚”）、下次复核日期。

投入：部门负责人指定一名协调人，IT配合约3人日，问卷填写每人10分钟。

判断指标：一是三路来源的重合度，问卷发现、而采购和IT都不知道的用途占多少；二是“不清楚”的比例，有多少条目说不出底层服务或数据流向；三是负责人认领率，多少条目在一周内有人愿意签字负责。

失败条件：问卷回收率低于一半，或认领率低于一半。前者说明员工不信任这次清点，应先调整沟通方式；后者说明登记缺乏后续意义，应先明确登记后能得到什么支持，再推广到其他部门。

边界

台账不是禁令清单。目的在于看见和分责，不是给每个工具贴“允许”或“禁止”的标签；风险分级和使用规范需要另行制定。NIST框架和ATRS都不是中国企业的法定义务，企业应结合所在行业的监管要求设计。问卷收集的信息本身也属于员工信息，保存和使用范围要事先说明。

AI进入组织的方式越分散，组织越需要一个简单的动作：把它们一个个写下来，并为每一个找到一个人。

参考资料

• NIST：Artificial Intelligence Risk Management Framework (AI RMF 1.0)，NIST AI 100-1，https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf ，核验日期 2026-11-01
• NIST：Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile，NIST AI 600-1（2024年7月），https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf ，核验日期 2026-11-01
• GOV.UK（Government Digital Service）：Algorithmic Transparency Recording Standard Hub，https://www.gov.uk/government/collections/algorithmic-transparency-recording-standard-hub ，核验日期 2026-11-01

本文署名为赛博AI编辑整理；资料核验截至2026-11-01。框架与标准内容以所列一手来源为依据，假设场景、建议试验和推演不代表已经验证的结果。