2026年6月，国家金融监督管理总局正式印发《关于银行业保险业人工智能安全开发应用的指导意见》（金发〔2026〕8号）（以下简称“《指导意见》”），从治理架构、开发应用、数据治理、算力建设、风险治理、安全能力及保障监督等方面，提出了覆盖人工智能开发应用全生命周期的系统性监管要求。
在系列解读一中，我们对《指导意见》的整体监管框架进行了全面梳理，明确了银行保险机构应将人工智能治理纳入公司治理和全面风险管理体系，并逐步建立覆盖制度、台账、评测、审批、监测、干预及退出的全生命周期管理机制。
在此基础上，本篇进一步聚焦《指导意见》中涉及的完善人工智能风险治理等领域，探讨在人工智能应用不断扩展及深化的时代发展背景下，银行保险机构如何将人工智能风险纳入全面风险管理体系，以及如何深化人工智能模型风险管理的实践。
一
人工智能应用深化推动监管加速升级
近年来，人工智能技术经历了从专家判断模型、传统机器学习，到深度学习、大语言模型，再到当前多模态模型与智能体应用的快速演进。早期，金融机构的智能化应用主要依赖规则体系和专家判断模型；十年前，随着机器学习和深度学习技术逐步成熟，模型开始具备更强的数据识别、预测和特征提取能力；近年来，大语言模型推动人工智能由分析预测进一步走向内容生成、知识理解和决策支持；当前，多模态模型及智能体技术又进一步拓展了人工智能对文本、图像、语音等多类信息的综合处理能力，以及调用系统和工具、连续执行任务的能力。
人工智能技术迭代速度持续加快，也为金融业务创新提供了更多可能。其应用已不再局限于传统评分、预测和风险提示，而是逐步延伸至内容生成、复杂分析、决策支持及自主执行等环节，推动人工智能由单点工具向业务流程深度融合。与此同时，随着模型能力不断增强、应用范围持续扩大，业务流程中的人工干预和人工复核相应减少，相关风险也由单一模型风险逐步扩展至数据、模型、应用流程、权限管理和外部合作等多个环节。
点击查看大图
在技术能力持续提升的背景下，金融机构人工智能应用场景也在不断拓展。结合德勤在银行保险机构人工智能治理及模型风险管理领域的实践观察，当前业内金融AI应用已由单点工具逐步向流程嵌入式能力演进，并可按照业务价值和实施难度进行分层观察。
基于行业以及公开市场信息，我们总结出业内金融AI应用场景主要包括（非穷举）：
点击查看大图
可以看出，当前金融AI应用在业务价值和实施难度上存在明显差异：部分场景已具备较强落地基础，可优先用于流程提效和管理赋能；部分场景虽然实施难度较高，但对风险识别、决策支持和管理闭环具有更高价值，未来有望成为金融机构智能风控建设的重点方向。
具体到风险管理领域，人工智能应用正在逐步覆盖数据解析、智能分析、风险识别、监测预警、报告生成及文档管理等多个环节，并与全面风险管理、模型风险管理、监管报送和内部控制等管理机制形成更紧密的衔接。
德勤长期协助国内金融机构研发实施人工智能在全面风险管理领域的应用，充分认识到国内金融机构正持续拓展人工智能应用领域，并在以下方面形成了成熟的解决方案与产品：
点击查看大图
面对全球人工智能应用的不断拓展，各国监管也都逐步形成了人工智能时代的监管体系，并正在持续加速完善。
欧盟通过《人工智能法案》及通用人工智能模型相关配套要求，对高风险人工智能应用、通用人工智能模型及生成式人工智能提出更严格的合规要求，体现出以风险分级、强约束规则和持续监管为基础的治理思路。
新加坡金融管理局通过FEAT原则、Veritas框架、AI Verify评测工具以及人工智能风险管理相关指引，重点强化人工智能应用的公平性、伦理性、问责性、透明度和风险管理要求，并推动人工智能治理与既有模型风险管理和风险治理机制相衔接。
英国、美国、中国香港、澳大利亚、加拿大、印度等国家和地区也围绕人工智能治理原则、生成式人工智能应用、模型风险管理、消费者保护、数据安全及第三方风险管理等方面持续更新监管规则和行业指引。
可以看出，人工智能监管正由原则倡导逐步走向场景化、流程化和责任化管理。而本次金管总局发布的《指导意见》在结合国际人工智能治理经验的基础上，更加突出我国银行业保险业的业务特点和风险管理基础。与一般性人工智能治理规则相比，《指导意见》不仅关注人工智能技术本身，而是围绕金融机构“能否安全、合规、可控地使用人工智能”提出系统性要求。同时，《指导意见》并非仅依据所采用的技术或模型类型划分风险，而是更加关注人工智能应用所处的业务场景、决策影响、客户权益关联程度、人工干预能力及风险传导路径。
点击查看大图
二
人工智能风险正式纳入银行全面风险管理体系
《指导意见》第六部分第十四条开宗明义，明确了一体化治理总基调：金融机构应将人工智能风险纳入全面风险管理体系，作为新兴风险项，与信用、市场、流动性等九大传统风险同标准、同流程、同报告、同问责。
同时文件在第二部分“完善人工智能治理架构”中明确要求董（理）事会应指定专门委员会对人工智能开发应用管理负责，但并非要求新设独立人工智能专属委员会，机构可依托现有风险管理委员会、科技治理委员会等成熟专门委员会承接人工智能统筹职责，无需单独增设全新治理主体，大幅降低组织架构改造成本。
我们认为，银行业保险业人工智能风险管理应采用复合型风险管理模式，充分涵盖银行保险机构的人工智能全生命周期管理。包括：研发（需求设计、数据训练、模型开发、部署运行、迭代优化、下线退出）、采购、外包、运营、使用过程中，因算法、数据、算力、系统、供应链、治理机制、业务场景叠加、伦理合规缺陷，产生模型失真、数据泄露、算法不公、市场扰动、权责失据、网络攻击、消费者权益受损、业务中断、跨机构风险传染等，损害机构稳健经营、侵害金融消费者合法权益、扰乱金融市场秩序、违背法律法规与公序良俗的各类不确定性损失隐患与负面后果等情况。这对银行业保险业全面风险管理体系提出了更高的要求，如何进行统筹管理且又能有效发挥各相关领域/主体的协同效应将是一个重要议题。
厘清银行全面风险管理底层逻辑
从监管导向看，金融机构应避免人工智能治理与现有风险管理体系相互割裂，推动风险管理机制协同运作。《指导意见》要求AI风险识别、计量、监测、缓释、上报流程完全嵌入现有全面风险管控底座，从风险治理与风险整合、全场景的风险管控手段和监控监督措施、量化模型/工具建设与模型风险管理，到数据和系统技术架构，都需要引入人工智能风险元素，实现一体化全面风险管理2.0时代。
点击查看大图
构建银行适配的人工智能风险治理体系
我们认为，人工智能风险管理的统筹与协同应在完整考虑其下属细分领域风险的基础上，再结合金融机构相对应的治理体系，构建人工智能风险的最终职责矩阵图。这需要金融机构能对人工智能风险进行逐层拆解工作。
我们基于行业洞察与实践，总结出目前人工智能风险主要包含了八大类的一级核心风险领域。
1
数据与隐私风险，源于数据质量瑕疵、隐私滥用与数据投毒，是各类 AI 风险的底层源头；
2
伦理与内容风险，聚焦大模型幻觉、深度伪造、不良价值输出带来的客户信任与声誉隐患，以及因算法偏见导致不公平的内容或结论；
3
网络安全风险，包含提示注入、模型窃取、开源后门、算力基础设施失控等 AI 专属网络攻击威胁；
4
合规与法律风险，覆盖监管追责、知识产权侵权、个人信息诉讼、跨境数据传输合规等法律监管责任；
5
使用与影响风险，指 AI 被恶意用于欺诈洗钱、机构声誉受损、员工过度依赖算法丧失独立判断、信息茧房限制客户选择权等业务次生风险；
6
模型风险，核心为高风险场景模型不可解释、无法抵御对抗攻击、性能持续衰减失效，或模型本身输出结果的稳定性较弱，短期内产生差异性较大的结果输出；
7
治理与运营风险，要求搭建董事会层级 AI 治理架构，落实全生命周期管控、业务连续应急预案与 AI 分类分级差异化管理；
8
供应链与系统性风险，涵盖外部模型算力外包管控不足、第三方技术集中度风险，以及 AI 量化策略趋同引发市场波动、算法操纵市场等跨机构金融系统性风险，金融机构的管理工作需要制定对应职责整体契合国家金融监管总局银行业保险业 AI 监管指导意见管控逻辑，搭建一体化 AI 风险管控体系。
每一类一级核心风险领域下，又可以进一步拆解出二级细分风险领域。例如，数据与隐私风险可进一步细分为数据来源、数据质量、数据安全等；模型风险可细分为算法偏见、可解释性、幻觉评估、性能衰减、部署一致性等。这些二级细分风险领域又可能分别对应不同的职能部门或职能团队，从而形成“主责部门牵头+多部门协同配合”的全流程管控体系，如此才构成了完整的人工智能风险治理体系。
同时，针对人工智能应用场景与应用领域的特性，还需要进一步考虑风险归集规则，如信贷AI歧视、授信模型失效可归入信用风险同步审议；智能投顾策略趋同、市场研判失真可归入市场风险；模型幻觉误导客户、违规内容输出可归入声誉风险；第三方大模型数据泄露、开源框架后门可归入信息科技以及操作风险。所有AI引发的风险事件统一录入全行操作风险事件库，执行同等损失认定、追责机制等。
三
构建人工智能模型风险管理体系
基于德勤全球领先的AI模型风险管理方法论，相比传统的人工智能，生成式人工智能模型及智能体模型包含了更多不同种类的风险因子，需要建设更复杂的模型风险治理能力：
点击查看大图
人工智能模型风险管理是传统模型风险管理体系的迭代延伸与升级扩容，二者底层治理逻辑一脉相承。原有模型风险的全生命周期管控、验证审计、分级管理、责任认定等成熟框架仍是AI模型风控的基础依托，但人工智能因算法黑箱、大模型幻觉、数据投毒、生成式内容风险、第三方算力供应链、系统性市场共振等特有新型风险，对原有体系形成增量补充与能力拓展，需要在原有制度流程之上新增算法可解释性校验、伦理公平审查、AI网络安全防护、外包供应链专项管控、极端场景应急停用等专项机制，实现传统模型风险与AI特有交叉风险统筹纳入机构全面风险管理体系统一管理。
我们建议，人工智能模型风险管理可以参考原有模型风险管理机制，形成全生命周期的模型风险管理模式，但在风险分级分类管理、模型评估/验证等核心领域需要针对人工智能模型进行个性化设计。
点击查看大图
1
建立覆盖全生命周期的人工智能模型治理机制
银行应首先定义人工智能模型，并对全行满足该定义的人工智能应用场景开展统一盘点，建立人工智能模型库及相应资产台账，可根据业务影响程度、数据敏感程度、应用场景风险度等不同维度构建分类分级管理矩阵，明确其对应的风险等级。针对不同风险等级，进一步考虑模型本身包含的技术逻辑、数据要求、模型方法、应用结果等维度，明确其相应的监控、评估或验证的要求，并明确相应的参与方，包括但不限于人工智能模型的开发方、使用方、风险管理方、审计方等。
另外，通过建立覆盖模型准入、开发验证、上线审批、运行监测、模型迭代和退出管理的全生命周期治理机制，确保模型风险可识别、可监测、可控制。
2
逐步构建人工智能模型的评估/验证方法体系
我们认为，人工智能模型的评估与验证可重点覆盖三类人工智能资产：一是行内自研或自主管理的传统机器学习、深度学习等风险模型；二是行内自研或定制化应用的大语言模型、垂域模型、知识库增强应用及多模态智能体；三是外部采购、API调用、开源二次开发或外包服务形成的第三方生成式人工智能模型及相关智能体服务。其中，相较于传统模型，大语言模型及智能体的评估维度更加多元、验证方法更加复杂，对现有模型评估与验证体系提出了新的挑战。
特别是在生成式人工智能和智能体模型的评估/验证是一个有待逐步深化及明晰的领域，具体落实到实操领域，评估/验证什么、评估/验证标准、评估/验证方法、评估/验证流程等都需要针对人工智能模型的自身特性进行分解设计：
点击查看大图
从几个核心领域进一步分解，我们可以看到评估/验证的核心维度可包括：
>
模型数据评估/验证：
可分为数据来源合法性、数据质量评估和数据安全保护三个组成部分。其中，数据来源合法性和数据安全保护一般由人工智能基础设施负责团队或数据管理部门统一检查；模型评估及验证部门应重点开展模型调用基础数据的质量评估与验证，关注数据的真实性、准确性、完整性、一致性、多样性及时效性，并通过缺失率、异常率、重复率、一致率、数据分布及样本代表性等指标，评估数据质量是否满足具体金融应用场景要求。
>
模型性能评估/验证：
包括预测性能与精准度、模型在异常、压力或攻击下的稳健性、大语言模型专项。重点从预测性能与精准度、泛化能力、线上/线下一致性、稳定性与可靠性，以及生成式人工智能专项能力等方面开展评估与验证。可通过准确率、精确率、召回率、F1-Score、AUC、MSE、MAE、PSI、CSI等指标评估模型的准确性、泛化能力及稳定性；通过故障恢复时间、异常输入容错能力等评估模型可靠性；并结合生成式人工智能特点，进一步关注首Token响应时间（TTFT）、单Token生成时间（TPOT）、长上下文理解准确性及多轮对话一致性等指标，综合评估模型在具体金融应用场景下的性能表现。
>
模型可解释性及业务逻辑评估/验证
重点从特征可解释性、算法可解释性和业务逻辑核验三个方面开展评估与验证。可关注特征定义与业务逻辑一致性、特征分布合理性、特征重要性及选择依据，并结合SHAP、LIME、决策树可视化、局部代理模型等方法分析模型决策依据；同时通过业务规则一致性、风险场景测试、合规及道德伦理审查，验证模型决策是否符合业务规则、风险控制及合规要求。
>
模型安全性评估/验证
重点从算法安全性、公平性与非歧视性、内容安全与合规三个方面开展评估与验证。可通过对抗样本攻击、成员推理攻击、开源组件安全扫描等测试评估模型安全性；通过公平性指标、不同群体性能差异及偏见检测评估模型决策的公平性；并结合敏感词过滤、内容安全审核、版权检测及隐私信息泄露测试等，验证模型输出内容的安全性与合规性。
>
支持体系及可追溯性评估/验证
涵盖从训练数据、建模过程、算法部署及全生命周期开展可追溯性验证。可通过数据溯源及版本、建模及实验记录、参数迭代、部署日志、模型版本及操作权限等信息，验证模型从开发、部署、监控至退出等环节是否完整留痕，实现全生命周期可追溯管理。
结语
从全球监管格局来看，本次《指导意见》融合欧盟刚性风险分级、新加坡原则化落地工具两类监管优势，走出贴合我国银行业保险业成熟风险体系的特色治理路径，既划定清晰合规底线，又给机构留出适配自身规模的落地弹性。新加坡MAS的FEAT、Veritas、常态化攻防验证等实操方法可作为轻量化优化参考。
我们认为，金融机构人工智能风险是不同于传统风险的复合型风险，其体系建设应重点考虑三大领域的建设路径及工作成果：
完成全行人工智能应用的全面梳理与全维度风险领域的梳理和识别，并结合金融机构自身的职能分工建立起“主责部门牵头、多部门协同配合”的体系化治理架构；
建立人工智能模型全生命周期管理机制，梳理建立人工智能模型库及资产台账，明确分级分类，并设计有针对性的模型监控、评估/验证方法；
逐步推动人工智能风险与其他专项风险如信用、操作、合规等全行全面风险管理体系深度打通、协同联动。实现覆盖制度规范、管控流程、技术工具、专业人才四大维度的一体化管理模式。
业务垂询，敬请联络：
曹樑
德勤中国
金融服务业咨询主管合伙人
电话：+86 21 2312 7154
邮箱：hencao@deloittecn.com.cn
德勤人工智能风险服务核心团队
吴洁
德勤中国金融服务业
金融风险与模型风险管理合伙人
电话：+86 21 6141 2237
邮箱：kwu@deloittecn.com.cn
何冰
德勤中国金融服务业
金融风险与模型风险管理总监
电话：+852 2852 6558
邮箱：willhe@deloitte.com.hk
余基石
德勤中国金融服务业
金融风险与模型风险管理总监
电话：+86 21 2312 7030
邮箱：stoyu@deloittecn.com.cn
德勤人工智能整合性服务团队
蔡帼娅
德勤中国金融服务业
人工智能与数据治理合伙人
电话：+86 21 2316 6368
邮箱：cycai@deloittecn.com.cn
方烨
德勤中国金融服务业
监管与合规主管合伙人
电话：+86 21 6141 1569
邮箱：yefang@deloittecn.com.cn
江玮
德勤中国金融服务业
网络安全合伙人
电话：+86 21 2312 7088
邮箱：davidjiang@deloittecn.com.cn
汤亮
德勤中国金融服务业
风险咨询合伙人
电话：+86 21 2316 6151
邮箱：leotang@deloittecn.com.cn
系列解读
免责声明：
第三方机构如想转载德勤微信文章，请原文转载（不得修改）。如文章内容有改动，须在发布前获得德勤的审核批准。同时，请必须在文章内附以下信息及免责声明：
本通信中所含内容乃一般性信息，任何德勤有限公司、其成员所或它们的关联机构（统称为“德勤网络”）并不因此构成提供任何专业建议或服务。任何德勤网络内的机构均不对任何方因使用本通信而导致的任何损失承担责任。
