All Tech Is Human：2026 AI 治理报告：构建多方 AI 信任体系-搭建采购、披露与核验稳健交互框架（英文版）（21页）.pdf

核心结论速览： AI供应链中的B2B信任缺失是一个系统性的“接口问题”：采购方无法充分检查AI系统，供应商受限于知识产权、隐私和法律风险而无法完全披露——双方都没有可共享的标准化界面来建立信任。 现有信息披露方法“脆弱且低效”：模型卡、评估报告、安全问卷等静态文档通常只能回答制作者预期的问题，当审核方提出不同的语境需求时，这些文档迅速失效，导致信任建立过程变成反复的“文档交换谈判”。 三大核心障碍构成B2B信任鸿沟：①信息不足（知识产权、隐私、法律风险限制披露）；②方法僵化（静态证据无法跨系统、跨语境迁移）；③流程低效（缺乏将证据转化为可操作信任的规模化路径）。 信任接口必须解决“WHAT”和“HOW”两个核心问题：WHAT——什么指标、方法和阈值足以建立对系统风险已得到适当管理的信任；HOW——这些信息应如何呈现和共享。 最小可行信任接口（Minimum Viable Trust Interface）应具备四大功能：①利用现有证据更有效；②将材料转化为决策就绪证据；③支持保护性验证机制；④当证据不完整时明确下一步行动。 保护性验证机制是关键突破点：允许在不暴露敏感系统、数据或知识产权的前提下验证声明的技术路径——如数据清洁室、安全评估环境、隐私保护技术等，使审查方能获得可见性而供应商无需进行风险性披露。 信任接口的成功应由实际业务指标衡量：是否减少重复问卷、是否缩短审查周期、是否提高采购和部署决策的信心——而非单纯是否产生了更多文档。研究背景与全景图谱。Mastercard与All Tech Is Human联合发布的《AI Governance Report: Building Inter-party Trust in AI》基于2025年4月联合工作坊的成果，汇集了来自行业、学术界、公民社会和政府的多方参与者——包括AI开发者、部署者、审计师、治理专业人士、研究人员、法律顾问、标准专家、采购从业者和政策实践者。报告的核心论点是：AI供应链中的B2B信任缺失是一个“接口问题”——它涉及AI系统相关信息如何被共享、解释和信任。当前的方法通常脆弱且低效，为AI系统的提供者和评估者双方都制造了摩擦。将这一问题定义为“接口问题”，使其成为一个可共享的问题，使我们认识到解决问题需要同时从提供者和评估者的语境出发思考。报告指出，当前生成式AI系统通过多层供应链移动。在这一链条的起点是前沿模型开发者，另一端是消费者和最终用户。但在这两者之间，存在着更大且较少被审视的关系集合：将AI采纳到核心业务职能的传统企业、将AI用作竞争优势的中型公司、以及在前沿模型之上构建AI赋能系统的初创企业或小型供应商。这一中间层正是许多实际信任问题产生的地方。一家公司可能使用一个AI系统，该系统整合了由多个其他方控制的模型、数据、基础设施和评估实践。审查组织必须决定该系统是否可信，即使它没有构建该系统且无法完全检查它。目前不存在单一被广泛接受的机制来将关于AI系统的证据转化为可在B2B关系中跨方转移的信任。B2B信任鸿沟的实践表现：三个行业案例。金融服务。金融服务展示了B2B信任鸿沟较为成熟的一种形态。银行和金融机构通常拥有复杂的采购、合规、模型风险和治理流程。然而，即使是成熟的组织在部署供应商AI系统时也可能面临获取所需证据的挑战。他们的关切是具体且可操作的：数据泄露、不可靠的AI生成建议、数学或事实性不准确、模型漂移，以及代理系统做出或影响难以事后衡量的决策。关键启示：即使是成熟的组织，当上游供应商无法提供足够信息、评估结果无法清晰映射到部署语境、或系统变化快于审查流程时，也会面临挑战。问题不在于金融机构是否关心信任，而在于AI供应链是否为他们提供了一种可行的方式来建立信任。医疗保健。医疗保健将B2B信任问题暴露在最关键之处。医院可能部署由供应商构建的决策支持系统，但如果发生伤害，问责可能（视具体情况而定）主要落在临床医生或部署机构身上，而非构建或销售该工具的企业。这种问责结构可能削弱上游行为者提供支持安全可靠使用所需证据的激励。医疗保健也展示了为什么评估必须是语境特定的。在一个环境中表现充分的系统可能在另一个环境中因患者群体、工作流程、临床实践、数据质量或机构资源的差异而失效。教育科技。教育科技展示了B2B信任的失败如何传导为消费者信任的失败。前沿模型开发者通常不直接向儿童或家长销售AI系统。相反，AI能力通过多个层次传递：前沿模型提供商→应用开发者→教育科技供应商→学校采购系统→行政人员→教师→家长→学生。家长或学生层面的信任因此取决于信任首先在机构之间上游建立。AI驱动的或代理式辅导系统的开发者面临一个困难的问题。现有的治理和评估方法仍高度围绕内容审核和静态披露，而非行为、教学、发展或儿童安全风险。学校可能希望采购有用的AI工具，供应商可能希望负责任地部署它们，但目前没有共享框架来定义什么证据足以评估这些系统在教育环境中是否适当、安全和可靠。关闭B2B信任鸿沟的挑战。挑战一：信息披露受限于知识产权、隐私和法律风险。第一个摩擦来源是披露方无法总是共享那些能使AI系统最容易评估的材料。知识产权是重要约束，尤其是当披露可能揭示有关系统架构、模型行为、评估方法、数据源或实施细节的专有信息时。但知识产权并非唯一约束。隐私义务、法律风险、客户数据保护、网络安全关切、内部访问控制、数据卫生实践、责任风险和害怕被误解等也可能限制公司愿意或法律上能够共享的内容。内部权限审批可能需要来自法务、公关、合规、安全、产品或高级领导层的多重批准。挑战二：现有方法和人工制品不具可迁移性。第二个摩擦来源是现有的评估和披露方法过于静态，无法适应其所面临的各种系统和语境。虽然B2B披露的人工制品已存在多种形式——模型卡、性能统计、偏见评估、审计报告、评估摘要、安全问卷和治理文档——但这些人工制品往往是“脆弱的”：它们可能回答了制作者预期的问题，但当审查者提出不同问题、需要行业特定证据、或必须评估系统在特定部署语境中的行为时，它们的用处迅速下降。在缺乏对“充分性”的共同期望的情况下，AI供应链中的各方可能以不同方式定义有用的证据。一位审查者可能需要高层架构、数据来源和测试历史；另一位可能需要可复现的指标、清晰定义的方法论、适当的聚合、样本选择或与特定部署语境相关的证据。挑战三：缺乏将证据转化为信任的可扩展流程。第三个原因是即使有意愿的组织也面临着使B2B信任难以操作化的环境。进入AI采购或集成关系的企业经常在逐案基础上就披露、评估、责任、升级、监测和重新评估实践进行谈判。开发者面临保护知识产权、最小化法律暴露和推广能力的激励。部署者和采购团队被期望在缺乏标准化机制来获取、验证或更新所收到信息的情况下评估运营风险。这种流程缺口因公司资源和激励的差异而被放大。一些组织可能不知道应请求什么证据或如何评估它；另一些可能知道需要什么但缺乏从对手方获取的可扩展方式。结果是B2B信任谈判不仅受制于证据的存在与否，还受制于审查组织是否有能力、激励和权威将证据转化为决策。关闭信任鸿沟的三支柱解决方案。支柱一：定义接口必须对证据做什么。可用信任接口应围绕一组清晰的功能设计：①更有效地利用现有证据——将文档连接到决策流程；②将材料转化为决策就绪证据——根据相关行业、部署语境、审查者和采购决策进行调整；③支持组件级透明度——帮助各方识别产品中AI的使用位置以及哪些组件或功能依赖它；④内置保护性验证机制——当知识产权、隐私、数据保护、内部权限或安全约束限制直接披露时，支持在不完全暴露敏感系统的情况下验证声明；⑤当证据不完整时明确下一步——指示何时需要后续问题、升级、合同承诺或保护性审查。支柱二：围绕接口对齐角色、流程和激励。信任接口不仅需要良好的设计，还需要公司内部团队与接口交互的结构化方式。采购、法务、治理、产品、安全、技术和商业团队需要共享的工作流程，用于决定请求什么证据、谁应审查、什么可以直接披露或在受控访问下披露、谁有权批准共享、何时应升级未解决的问题、以及何时应重新评估系统。采购是自然的起点，因为它是B2B信任鸿沟在操作上变得昂贵的地方，也是买方可能有杠杆来塑造供应商行为的地方。但仅靠采购无法承载整个流程。更好的工作流应包括标准化的证据期望、定期审查点、变更通知义务、内部权限审批路径、事件和失效模式报告，以及未解决关切的升级流程。支柱三：支持信任的条件。标准机构可以帮助定义基础要求和行业特定扩展。政策制定者可以为善意义务披露创造激励，并明确问责期望。技术研究人员可以开发保护性验证方法。审计师和保证提供者可以在直接检查不可行时帮助验证声明。中立召集人可以在跨行业测试、完善和管理信任接口实践。从工作组到工作接口：四步实施路径。第一步：定义最小可行信任接口（MVTI）。最小可行信任接口应简单且具有指导性。其工作是在关系开始时解决第二部分中确定的三个失败：受限披露、脆弱的人工制品和即兴流程。买方和供应商使用它事先就四件事达成一致：需要什么信息、如何共享或保护、应用什么测试、以及结果如何反馈到采购决策中。在最简单的形式上，这可以看起来像一个标准化的输入表单，将采购问题与测试方法论、文档期望和升级触发器相连接。更成熟的版本将包括保护性验证环境——双方预先约定适合该系统的测试，并在受控环境（如数据清洁室）中运行它们。第二步：定义成功标准。信任接口应根据清晰的业务指标进行评估：是否减少重复问卷、是否阐明需要什么证据、是否识别何时需要保护性验证或合同语言、是否揭示未解决的缺口、是否缩短审查周期、是否提高了采购、部署和监控决策的信心。第三步：构建保护性验证的技术基础设施。可用接口需要组织拥有在不完全暴露敏感系统、数据或知识产权的情况下验证声明的机制。基础设施应明确包含管理访问、运行评估和共享结果的组件——包括分区、分离和访问管理控制；标准化测试和评估组件；客户面向的机制用于请求测试和接收可解释的结果；开发者面向的机制用于显示请求了什么测试、评估了什么、产生了什么结果。第四步：跨语境测试接口并建立共识。在真实采购和供应商审查语境中测试接口。识别它在哪里有效、在哪里失效、以及在规模化之前还需要什么额外证据、工作流程或验证机制。试点应跨越不同的使用维度：系统类型、行业、风险级别、部署语境、买方成熟度、供应商成熟度和证据敏感性。未来展望。AI供应链已在依赖信任运行。但太多时候，这种信任是通过合同、责任转移和不完整披露建立的，而非对系统实际行为的共同理解。每次B2B交接目前都面临从头开始的危险，因为没有企业能够在不谈判“充分”含义的情况下可靠地依赖另一方的披露。本文提出的行动——基础和情境要求、灵活评估、保护性共享、可信保证、更好的采购流程、事件基础设施和可操作的信任接口——不需要任何单一行为者独自解决问题。它们需要特定行为者做特定的工作，并将这些部分组装成更可用的信任基础设施。企业若现在构建这一基础设施，不仅将降低风险，还将加速采用、改善产品，并帮助定义AI信任在整个供应链中建立的条款。延伸阅读。以上为报告核心趋势分析，如需获取完整报告详细数据及全部案例，请访问下载页下载完整PDF报告。FAQ。Q1：什么是B2B AI信任“接口问题”？A：指AI系统相关信息如何被共享、解释和信任的问题。当前方法通常脆弱且低效，为AI系统的提供者和评估者双方制造摩擦。将其定义为“接口问题”意味着它需要在提供者和评估者的语境之间建立桥梁，而非单方面解决。Q2：报告提出的三大核心障碍是什么？A：①信息不足——供应商受限于知识产权、隐私和法律风险而无法完全披露；②方法僵化——现有证据和评估无法跨系统或跨语境迁移；③流程低效——缺乏将证据转化为可操作信任的规模化路径。Q3：保护性验证机制如何运作？A：允许在不暴露敏感系统、数据或知识产权的前提下验证声明的技术路径——如数据清洁室、安全评估环境、隐私保护技术等。双方预先约定适合该系统的测试，在受控环境中运行，双方接收可解释的结果，而无需购买方访问供应商的底层数据或知识产权。Q4：最小可行信任接口（MVTI）的核心功能是什么？A：在关系开始时帮助双方就四件事达成一致：需要什么信息、如何共享或保护、应用什么测试、以及结果如何反馈到采购决策。它应使证据请求更具体、披露更安全、评估更灵活、流程更可重复。Q5：信任接口的成功应如何衡量？A：通过实际业务指标衡量：是否减少重复问卷、是否阐明需要什么证据、是否识别何时需要保护性验证、是否揭示未解决的缺口、是否缩短审查周期、是否提高了采购和部署决策的信心。Q6：金融、医疗和教育三个行业如何体现B2B信任鸿沟的不同形态？A：金融服务展示了即使在成熟采购流程中的挑战；医疗保健展示了问责结构如何削弱上游披露激励；教育科技展示了B2B信任失败如何传导为消费者信任的失败——最终用户信任取决于机构间上游信任的建立。数据来源说明。本报告所有数据来源于Mastercard与All Tech Is Human联合发布的《AI Governance Report: Building Inter-party Trust in AI》（2026年）。报告基于2025年4月联合工作坊的定性研究成果，汇集了来自行业、学术界、公民社会和政府的多方参与者。所有百分比数据均保留原始精度。本报告仅供战略与规划参考。