CSlawyer1985/legal-skillhub / skills/ai-governance-reviewer-carl-ditzler
ai-governance-reviewer-carl-ditzler
Verified当用户希望对内部 AI 用例、AI 产品功能、LLM 工作流或第三方 AI 供应商进行 AI 治理、法律风险、隐私、合规、采购或供应商风险审查时,使用本技能。当事实或证据缺失时,技能首先提出受理和澄清问题,识别所需的文件和缺失的证据,将用例映射到 AI 治理框架和适用的法律领域,并产出带记分卡、发现、责任方、补救行动和后续问题的初步或最终治理审查。
references/responsible-ai-practice.md
View on GitHub# 负责任人工智能实践参考
对与法律和标准分析并行的运营最佳实践使用本文件。
## 如何使用本参考
- 使用本文件塑造审查工作流、上报决定、文件化期望和治理计划设计。
- 不要将本文件视为有约束力法律义务的来源。
- 与 [frameworks.md](frameworks.md) 一起使用,而非替代它。
## 提炼的最佳实践
### 1. 将原则与实际实践联系起来
负责任的人工智能治理应将组织价值观和原则与具体的审查实践、文件、控制和所有权联系起来。审查不应仅仅是价值观声明。
### 2. 使审查成为活记录
将治理审查视为活文件。在以下情况重新审查:
- 用例发生变化,
- 模型、供应商或部署发生变化,
- 用户群体发生变化,
- 功能从试点转向广泛发布,
- 出现事件、投诉或监控信号。
### 3. 建立在既有治理计划之上
不要重新发明隐私、安全、采购、数据治理或风险管理计划。AI 治理应与这些职能协作,填补 AI 特定的缺口。
### 4. 使用风险分级审查深度
并非每个 AI 用例都需要相同级别的审查。对所有用例使用一致的基线接入,然后对高风险、面向客户、有重大后果、敏感数据或不透明供应商情景深入审查。
### 5. 要求跨职能所有权
负责任的人工智能治理是跨职能的。审查应确定负责任的业务所有者,并在相关时让法律、隐私、安全、产品、采购、数据、模型风险和支助利益相关方参与。
### 6. 核查用户期望和透明度
询问用户是否会知道 AI 在使用中、他们可能错误地假定什么,以及他们需要什么披露、指示、限制或质疑渠道。透明度应帮助用户安全使用系统,而不仅仅是宣布 AI 的存在。
### 7. 测试现实世界可靠性和滥用
审查应涵盖:
- 预期用途,
- 可预见的滥用,
- 失败模式,
- 公平性或差异性影响关切,
- 抗滥用和对抗性测试,
- 变更管理和回归测试,
- 发布后的生产监控。
### 8. 促进 AI 素养和基于角色的理解
负责任的人工智能取决于人类理解系统做什么、哪里可靠、哪里薄弱,以及何时不应依赖。在相关时,询问对构建者、审批者、操作者、支持团队和终端用户的基于角色培训。
### 9. 捕获证据,而不仅仅是结论
强有力的审查记录用于支持结论的证据、仍未知的内容以及审查过的文件。证据缺失应降低置信度并触发问题或整改。
### 10. 使置信度与证据相称
置信度应反映:
- 来源可靠性,
- 文件完整性,
- 测试成熟度,
- 监控就绪度,
- 所有权清晰度,
- 用户是否提供了直接证据或仅有摘要。
## 证据感知置信度指引
- `高`(绿):主要来源或强直接证据支持结论,关键文件存在,测试成熟,所有权清晰
- `中`(黄):存在部分证据,但仍有实质性的事实或控制缺口
- `低`(红):证据缺失、未核实、相互矛盾或太不成熟,不足以支持强结论
关键证据缺失时,绝不呈现高置信度结论。
## 上报触发
当用例涉及以下情况时,上报以深入审查:
- 法律、雇佣、医疗保健、教育、住房、保险、信贷、安全或公共部门后果
- 生物识别、特殊类别数据、PII、机密数据、特权数据或跨境转移
- 脆弱人群或受保护类别
- 用户可能过度信任的类人输出
- 可能实质影响权利、机会、安全或获取的 AI
- 缺失事件响应、测试薄弱或无监控
- 问责不清、所有者不明或供应商承诺不清
## 来源中反映的最佳实践主题
- 生命周期治理和重新审查,而非一次性批准
- 实用、可扩展的治理,而非纯理论
- 跨职能治理和 AI 素养
- 风险分级深度和文件纪律
- 透明度、用户认知和有意义的人工监督
- 迭代学习、监控和问责
## 咨询的来源
- 俄亥俄州立大学莫里茨法学院,负责任 AI 框架和负责任 AI 管理材料:
- https://moritzlaw.osu.edu/responsible-ai-framework-understanding-ai-law-ethics-and-governance
- https://moritzlaw.osu.edu/program-data-and-governance-releases-new-report-responsible-ai-management
- https://moritzlaw.osu.edu/PDG
- 世界经济论坛,《推进负责任 AI 创新:行动手册》:
- https://reports.weforum.org/docs/WEF_Advancing_Responsible_AI_Innovation_A_Playbook_2025.pdf
- IAPP AI 治理材料:
- https://iapp.org/certify/aigp//
- https://iapp.org/resources/article/ai-governance-profession-report//
- https://iapp.org/l/aigp-study-guide-request/
- https://iapp.org/about/ai-governance-center/
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| receiving-code-reviewobra/superpowersUse when receiving code review feedback, before implementing suggestions, especially if feedback seems unclear or technically questionable - requires technical rigor and verification, not performative agreement or blind implementation | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| requesting-code-reviewobra/superpowersUse when completing tasks, implementing major features, or before merging to verify work meets requirements | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| using-git-worktreesobra/superpowersUse when starting feature work that needs isolation from current workspace or before executing implementation plans - ensures an isolated workspace exists via native tools or git worktree fallback | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| verification-before-completionobra/superpowersUse when about to claim work is complete, fixed, or passing, before committing or creating PRs - requires running verification commands and confirming output before making any success claims; evidence before assertions always | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |