企业 AI 治理怎么做？模型、数据、提示词要不要统一登记？
面试怎么回答
我会把数据治理的方法延伸到 AI，目标是看得见、管得住、可追溯、成本可控且不卡创新。需要统一登记一个 AI 资产目录：应用的负责人、场景、用户范围和风险等级，使用的模型版本和来源，访问的数据和敏感级别、知识库和训练数据，核心提示词和工具权限，以及应用到模型到数据的血缘；尽量通过模型网关和数据平台的权限血缘自动采集，而不是人工填表。按风险分级准入：低风险登记即可，中风险要评测报告和数据安全评估，高风险要安全评审、人工审核和定期复审。运行中统一走模型网关做审计、计量和敏感检测，定期评测，统一事件处理和成本分摊。组织上成立跨部门治理小组，规范清晰、审批有时效承诺。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
一家公司里，十几个团队各自做了 AI 应用：用了哪些模型、处理了哪些数据、对外暴露了什么能力，没有人说得清。安全审计来了，CTO 才发现连「公司有多少个 AI 应用」都答不上来。面试官问企业 AI 治理（数据负责人、架构师岗位常问），想看你能不能把数据治理的方法论延伸到 AI。
治理的目标
- 看得见：公司有哪些 AI 应用、用了什么模型和数据；
- 管得住：风险分级、准入审批、权限控制；
- 可追溯：出问题能查到原因和责任；
- 成本可控：知道钱花在哪里；
- 不拖后腿：治理不能把创新卡死。
统一登记：AI 资产目录
是的，需要统一登记，就像数据资产目录一样：
- AI 应用：名称、负责人、业务场景、用户范围（内部/外部）、风险等级、上线状态；
- 模型：使用的模型和版本、来源（外部 API、开源、自研微调）、部署方式；
- 数据：应用访问的数据源和敏感级别、知识库内容、训练和微调数据集；
- 提示词和工具：核心提示词的版本、Agent 可调用的工具及其权限；
- 依赖关系：应用 → 模型 → 数据的血缘。
登记不能靠人工填表，要尽量自动采集：通过模型网关自动发现调用方和模型使用情况，通过数据平台的权限和血缘自动关联数据。
风险分级和准入
按风险给 AI 应用分级，不同级别有不同的要求：
- 低风险（内部效率工具、不涉及敏感数据）：登记即可；
- 中风险（处理内部敏感数据、辅助决策）：需要评测报告、数据安全评估；
- 高风险（对外服务、自动执行有影响的操作、涉及个人信息或资金）：需要安全评审、人工审核机制、上线后定期复审。
运行中的治理
- 统一通过模型网关接入，做审计、成本计量、敏感数据检测；
- 定期评测和抽检；
- 事件管理：AI 相关的事故按统一流程处理和复盘；
- 成本按应用和团队分摊。
组织
- 成立跨部门的 AI 治理小组：技术、数据、安全、法务、业务；
- 发布清晰的使用规范和审批流程，审批时效有承诺，避免团队绕过流程。