德国AI用例风险分诊矩阵：项目立项前怎样筛查

结论先行：AI用例分诊矩阵要在采购或开发前暴露关键事实，而不是用红黄绿颜色制造简单结论。每个用例应记录业务任务、决定对象、输出影响、使用者、数据、模型来源、自动化程度和失败后果，再把禁止性做法、高风险、透明度、GDPR与安全线索分配给相应负责人。事实不全的项目保持待验证，不能按低风险放行。

建立一用例一记录原则

同一模型服务客服摘要、招聘筛选和信贷建议时建立三条记录，因为人员、决定和风险不同。记录业务所有人、目标、用户、受影响人、部署国家、预期上线和当前阶段。

用例编号连接采购申请、数据流、测试和合同。名称必须描述动作与对象，不能只写“企业大模型平台”；范围变化时创建版本并保留旧决定。

列模型生成分数、排名、文本、预测或操作建议，由谁查看、能否推翻、是否批量执行以及对个人或客户产生什么后果。人工复核要说明时间、能力和权限。

矩阵用证据链接支持流程描述，例如界面、作业指导和访问配置。业务口头称“辅助”但系统默认自动执行时，以实际技术与运营事实为准并升级评审。

第一门检查AI系统范围和禁止性做法，第二门核对高风险条款及附件，第三门看透明度和通用模型接口，随后连接GDPR、消费者、劳动、知识产权与行业规则。

每项只记录“可能、排除、适用、待确认”和依据，不让非专业填表人给最终结论。命中敏感词只触发专家审查，不自动拒绝；排除也必须写事实理由。

登记个人数据、敏感信息、商业秘密、客户数据、训练来源、跨境访问和供应商保存。再检查提示注入、越权、泄露、投毒、模型滥用和关键依赖的可能后果。

数据或架构未知时不得先接入真实生产信息。设置脱敏沙箱、最小权限、测试数据和采购问卷作为补证动作，并注明谁能批准进入下一阶段。

把错误严重度、影响人数、发现难度、人工恢复、使用频率和外部暴露分开评分。高频低损错误与低频重大权利损害需要不同控制，不能只计算总分。

设置硬停止项，例如涉嫌禁止、无法取得合法数据、没有关闭开关或关键供应商拒绝提供证据。收益评分单列，避免高预计收入抵消不可接受的法律和人员风险。

分诊结果只能是拒绝、补充研究、受限试验、进入正式评估或按低影响流程管理，并列必要动作、负责人、截止和审批人。没有证据的单元格自动进入补充研究。

项目在用途、模型、数据、用户群或自动化程度改变时重新分诊。管理层查看待办和高风险集中度，而非只看绿色比例；关闭项目也记录数据清理和供应商终止。

本工具依据AI用例的业务影响、受影响人员、AI Act线索、数据、安全与立项证据设计字段、证据等级和责任人。AI Act、数据保护、网络安全及采购资料已于2026年7月24日核对；表格只支持治理决策，不会自行完成法律分类、技术验证或供应商审计。

使用边界：矩阵用于早期分流，不输出最终法律定级，也不评估机器人机械风险或工业设施许可。所有状态必须有真实文件、测试或负责人确认，未知事项保持未知，不用评分表制造虚假的合规或投资确定性。