上午（9-12点）：风险识别与案例警示（9-12点） 第一部分：企业AI落地中的潜在风险全景图（09:00-10:30） （一）数据风险：核心资产的安全边界 1. 员工使用AI工具导致数据泄露：Gartner调查，33%员工向未批准工具输入敏感信息 2. 模型训练中“记忆”风险：大模型可能无意复现训练数据中的个人身份信息或商业机密 3. 第三方服务商的数据使用条款风险：输入数据是否被用于模型再训练的法律盲区 （二）法律风险：全球监管的合规红线 1. 欧盟《AI法案》通用AI模型合规要求：技术文档、版权政策、系统性风险三支柱 2. 全球监管趋势：从自愿框架到强制合规—新加坡IMDA框架、联合国AI治理对话进展 3. 知识产权侵权风险：AI生成内容与专有材料竞争的潜在法律纠纷 （三）伦理风险：算法偏见与社会信任 1. 模型偏见来源：训练数据中的系统性偏差导致歧视性输出 2. 价值对齐挑战：模型生成与企业价值观相悖的冒犯性内容 3. RDA伦理审查框架：研究伦理委员会如何评估AI研究对人类参与者的风险 （四）品牌及口碑受损风险：信任的“瞬间崩塌” 1. 幻觉导致的专业声誉损失：专业服务机构因AI捏造引用而丧失公信力 2. 客户体验恶化：AI客服能力不足导致业务混乱与客户流失 3. 公众信任危机：不当内容生成对品牌形象的长期损害 （五）风险传导机制：从微观失误到宏观损失 1. 隐性成本激增的路径：调查显示9%项目因隐性成本和业务中断产生负收益 2. UBS分析框架：AI风险评分衡量企业对AI驱动替代、利润压力、监管摩擦脆弱性 3. 战略负债的形成：治理缺失如何侵蚀企业长期竞争力 ————————————课间休息15分钟—————————————————— 第二部分：行业负面案例深度剖析（10:45-12:00） （一）专业服务领域：德勤澳洲AI报告造假事件 1. 事件还原：237页政府报告中被发现捏造法院判决、虚构学术论文 2. 后果分析：退回44万澳元（约875万台币）费用，全球商誉受损 3. 根源剖析：AI幻觉未被人工复核拦截，内部稽核机制形同虚设 4. OECD与欧盟AI Act要求：高风险AI应用必须有人工复核、可追溯纪录、透明披露 （二）金融服务领域：澳洲联邦银行AI客服失败事件 1. 事件还原：裁撤45名客服人员由AI机器人替代，导致来电量激增、业务混乱 2. 后果分析：银行道歉并重新聘回所有被裁员工 3. 根源剖析：对AI能力的过度乐观、误判业务需求、未充分考虑真实操作场景 4. 英国企业调查启示：39%公司因AI期待裁员的，超半数事后承认决策错误 （三）知识产权依赖型行业：内容与广告领域的颠覆风险 1. UBS警示：AI大幅降低广告和创意内容制作成本，可能导致客户将工作转移到内部 2. 知识产权托管机构风险：育碧、培生等面临AI生成内容侵蚀现有权利价值 3. 守门平台压力：AI聚合信息减少用户对Rightmove等平台付费列表的需求 （四）案例启示：风险发生的共性规律 1. 技术乐观主义的陷阱：高估能力、低估复杂性 2. 治理缺失的连锁反应：从个体失误到系统性崩溃 3. 问责真空的代价：AI无法“背锅”，责任永远在人 ————————————午休时间（12-14点）————————————————— 下午：治理架构与落地路径（14-17点） 第三部分：企业AI治理架构与伦理规范搭建路径（14:00-16:00） （一）AI治理的核心框架：从原则到实践 1. 新加坡《Agentic AI治理框架》四支柱：事前评估、人类问责、技术控制、用户赋能 2. WEF治理指引：预部署测试、持续监控、明确任务边界、输入输出过滤器 3. RDA《AI权利法案》框架：数据创作者、模型开发者、受影响公民的权利保障 （二）组织设计：谁为AI负责？ 1. 三层治理结构：董事会战略监督、管理层执行问责、跨职能治理委员会 2. 关键角色定义：AI治理官、伦理委员会、技术审计团队、业务负责人问责边界 3. 加拿大医疗系统实践：PPTO框架（人员、流程、技术、运营）组建AI治理委员会 4. 人类问责的落地：要求高风险动作需人类审批（如删除数据、支付款项） （三）流程建设：AI全生命周期治理 1. 采购与部署前评估：AI代理的“行动空间”与“自主性”界定 2. 数据治理流程：知情同意验证、最小权限原则、差分隐私技术应用 3. 测试与验证流程：多模型交叉验证、威胁建模识别攻击路径 4. 持续监控流程：模型漂移检测、输出过滤器实时拦截、定期审计 5. 事件响应流程：AI事故的应急预案与责任追溯机制 （四）技术工具：治理的“控制层” 1. 提示词工程与系统提示：定义数字员工的“岗位说明书”和“红线” 2. RAG技术：强制模型基于企业知识库生成、要求引用来源 3. 内容过滤器：输入输出端实时拦截不当内容 4. 可解释性AI工具：思维链展示、注意力可视化、机制可解释性探索 5. 欧盟合规工具：模型文档表、技术文档模板、版权政策框架 （五）伦理规范：价值观的制度化 1. 企业AI伦理章程：核心原则与行为红线 2. 员工AI使用手册：授权工具清单、敏感信息输入规则、违规后果 3. 供应商伦理要求：模型开发者的价值对齐标准 4. RDA知情同意指南：数据主体对个人数据用于AI开发的自主选择权 第四部分：课程疑问解答与行动工作坊（15:45-17:00） （一）关键议题答疑 1. 治理成本与业务价值的平衡：如何避免“过度治理”扼杀创新？ 2. 中小企业治理路径：资源有限情况下的优先级选择 3. 问责落地难点：当AI决策错误，如何追溯到具体责任人？ 4. Agentic AI新挑战：AI代理自主行动的边界如何设定？ 5. 全球合规策略：多法域运营企业的合规协调方案 （二）行动工作坊：绘制本企业AI治理路线图 1. 自评环节：企业AI成熟度与风险暴露度快速评估（基于德勤指数框架） 2. 小组研讨：识别本企业高风险场景与治理短板 3. 路线图设计：三个月内可落地的三项治理行动 4. 成果分享与专家点评 （三）课程总结与资源赋能 1. 课程核心框架回顾：风险识别→案例警示→治理架构→落地行动 2. 全球治理资源地图：主要监管机构、框架文件、合规工具索引 3. 课后支持机制：治理框架模板、案例库更新、专家答疑通道