9. 治理与问责

9.1 为什么组织版需要显式的问责结构#

Bovens（2007）把问责定义为一种关系：行动者有义务向某个论坛解释和说明其行为，论坛可以提问、评判，行动者可能承担后果。Lerner & Tetlock（1999）的综述显示：事先知道要向一个观点未知的对象解释决策过程，能减少某些判断偏差；而事后、对结果的问责则容易引发防御性决策。

一心行动天然提供了「过程问责」所需的材料：预注册的预测、带证据的信念变化、变更日志、决策请求与裁决理由、异议记录。〔本文提议〕组织版应把问责对象设计成过程而不是结果：

• owner 对「决策时是否用了当时可得的最好证据、是否记录了异议、是否按预注册判读」负责；
• 不因为「实验结果不利」追责（否则预测会变保守、实验会消失）；
• 年度或阶段复盘时，治理层抽查：信念变化是否都有证据、AI 推断是否单独移动过置信度（应为 0）、价值决定是否都由有权者作出、AI 模块的对外行动是否都在授权范围内并有事前预测。

9.2 防止责任缺口与道德缓冲区#

• 人与 AI 是对等模块，责任要分清类型：每个对外行动都能追溯到执行它的模块、授予该授权的具名的人和当时的证据与预测；每次目标宣布、每次价值裁决都能追溯到一个具名的人和当时的证据（有意义的人类控制，Santoni de Sio & van den Hoven, 2018）。
• 避免人只剩「点确认」：确认界面要展示依据与反方证据，重大决定要求填写一句理由（防 Elish, 2019 所说的道德缓冲区）。
• AI 的每次产出都有引擎签名、任务单预测和可靠性记录（产品已有），组织可以据此评估「这个 AI 单元在这类任务上有多可靠」，而不是笼统地信或不信（信任校准，Lee & See, 2004）。

9.3 合规参照#

• NIST AI RMF 1.0（2023）：治理、映射、测量、管理。
• 欧盟《人工智能法》（Regulation (EU) 2024/1689）：第 14 条人类监督；把 AI 用于招聘、员工绩效评估等用途属于高风险类别（附件 III），组织在把成员数据接入模型前须特别评估。〔本文未逐条核对附件条文〕
• ISO/IEC 42001:2023 人工智能管理体系标准。
• 个人数据：数据最小化与目的限定（如 GDPR 第 5 条）；在台湾运营须遵守《个人资料保护法》。