2026年6月18日，国家金监总局发布《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》"或"新规"），从治理架构、开发应用、数据治理、算力建设、风险管理、能力提升、保障与监督等七个方面，系统提出了32项指导性意见。这是2026年首份针对金融行业人工智能安全开发的专项指导文件，也是继2022年原银保监会《关于银行业保险业数字化转型的指导意见》之后，监管层面对金融机构数智化转型的又一次重要制度规范。
与此前人工智能发展指导文件侧重于"战略规划与能力建设"不同，《指导意见》将重心明确转向了"安全治理与风险防控"，以"谁使用谁负责、自主可控、务实高效、安全发展"四项原则为锚，为金融机构的人工智能开发应用划定了一条清晰的"安全底线"与"责任红线"。如果说上一轮数智化转型的监管基调是"鼓励先行先试"，那么本轮新规的基调则是"规范有序发展"，监管逻辑正在从"促发展"转向"发展与安全并重"，安全治理与风险防控被提升到了前所未有的高度。
本文尝试从新规出台的背景出发，系统梳理《指导意见》的核心条款与监管逻辑，并结合笔者服务金融机构数智化转型与风险管理的实践观察，并为银行业保险业金融机构的AI安全治理与合规能力建设提供策略建议。
新规出台的背景：
金融行业数智化转型加速的安全治理保障
（一）宏观政策驱动
本次《指导意见》出台有着清晰的顶层政策脉络。
2025年8月，国务院发布《关于深入实施"人工智能+"行动的意见》，围绕6大领域、8大支撑，要求全面推进人工智能科技创新、产业发展和赋能应用。2026年3月，国家"十五五"规划纲要进一步提出实施人工智能等科技战略部署，深化拓展"人工智能+"，赋能经济社会发展和治理能力提升。这一系列政策部署传递出一个明确的信号：人工智能已从"前沿探索"阶段进入"全面赋能"阶段，金融行业作为数据密集型和技术密集型领域，天然是人工智能落地应用的重要阵地。
但与此同时，金融行业涉及公众利益、金融稳定和社会信任的特性，决定了其AI应用不能被简单视为"技术升级"，而必须在安全可控的框架下有序推进。如果说"人工智能+"战略解决的是"发展动力"问题，那么《指导意见》解决的则是"发展安全"问题。
（二）金融行业实践
当前，我国金融行业已形成一定的AI应用实践基础，头部银行、保险与资管机构均开展了人工智能顶层规划与落地探索，AI已从过去的边缘辅助跃升为驱动业务升级的核心主线。在行业研究、信贷审批、承保理赔、风险评估、客户服务、合规监测等场景中，AI正在扮演越来越重要的角色。
然而，行业高速拥抱AI的背后，安全隐忧也在同步积聚。AI时代金融机构面临的核心挑战不仅是技术本身，更是"数据壁垒、治理薄弱、风险模糊"等深层问题。这些问题在AI加速渗透金融核心业务的背景下，已从"技术问题"上升为"安全治理问题"和"风险防控问题"。部分机构在数智化转型过程中可能会过度追求"技术先进性"，忽视了"安全治理"这一基础工程，形成了"应用先行、治理滞后"的倒挂局面。《指导意见》的出台，正是对这一结构失衡的纠偏。
（三）风险挑战凸显
金监总局指出，制定《指导意见》的目的是"有效防控人工智能技术应用可能带来的风险"。这些风险包括但不限于：模型黑箱风险（决策过程不可解释）、生成幻觉（生成式AI产生虚假信息）、算法歧视（对特定群体产生系统性偏差）、数据安全与隐私泄露（个人信息被不当用于模型训练）、投资策略趋同（放大市场波动）、以及供应链集中度风险（过度依赖少数科技巨头）等。
值得关注的是，金监总局还明确指出了"严禁滥用人工智能技术生成虚假信息、操纵市场价格"的底线要求。这一表述反映了监管层对AI对金融市场中可能产生的"放大效应"的高度警惕。在数智化转型的背景下，AI不再是孤立的"技术工具"，而可能成为风险传导和风险放大的"加速器"，单个事件有可能通过网络迅速传导，演变为系统性风险事件。这正是监管层将"安全治理"与"风险防控"置于《指导意见》核心位置的深层考量。
新规核心内容与条款解读：
安全治理体系的全面升级
《指导意见》构建了一个涵盖"治理—开发—数据—算力—风险—能力—监督"的全链条安全治理体系。笔者尝试从以下七个维度进行系统解读。
（一）治理架构：安全治理从"技术部门的事"到"董事会的事"
新规在安全治理架构方面的要求，是本次最值得关注的变化之一。《指导意见》明确要求，金融机构董（理）事会应指定专门委员会对人工智能开发应用管理负责，强化战略引领，统筹制定发展规划。这意味着，人工智能的安全治理已从"IT部门的事"、"科技条线的事"，上升为"董事会的事"、"公司治理的事"——安全治理不再是一个技术层面的"辅助议题"，而是公司治理层面的"核心议题"。
这一要求直指行业金融科技发展存在的痛点，AI安全治理如果仅停留在技术部门层面，缺乏董事会层面的战略统筹和跨部门协同，就极易出现"局部理性但全局非理性"的局面：业务部门追求效率、科技部门追求创新、风险部门追求合规，各自为政，最终导致安全治理的"空心化"。
新规进一步要求，金融机构应建立人工智能全生命周期管理体系，覆盖需求分析、数据准备、训练开发、部署运行、维护迭代、评估退出等阶段，并实施分级分类管理。这意味着，AI安全治理不再是一个个点状的合规动作，而是一个贯穿AI应用全生命周期的安全管控流程。
（二）开发应用：准入管理、安全评估与行业安全基线
在模型开发方面，《指导意见》提出了多项安全管控要求：鼓励有条件的金融机构建立一站式人工智能开发平台，实现模型开发部署的全流程管理；对生成式人工智能模型实施准入管理，外部引入的生成式人工智能模型需履行必要程序；支持有条件的金融机构建立模型即服务平台。
其中，"准入管理"是本次新规在安全治理方面的重要制度创新。对生成式AI模型实施准入管理，意味着金融机构不能"拿来就用"，而必须经过安全评估和风险审查。这一要求实质上将AI模型纳入了与金融产品同等的"准入"管理框架，如同金融产品上市前需要经过审批或备案一样，AI模型在进入金融业务场景之前，也必须经过安全"体检"。
值得关注的是，《指导意见》明确提出了"促进人工智能应用成果在行业共享复用，鼓励大型金融机构发挥示范作用，向中小金融机构输出人工智能技术和管理经验"的导向。这一"以大带小"的政策导向，不仅有助于降低中小金融机构的AI应用门槛，更重要的是有助于建立行业统一的安全基线。大型机构的安全标准和最佳实践可以通过共享机制辐射到中小机构，避免"安全洼地"的出现。对于资金、人才、数据均受限的中小金融机构而言，积极拥抱开放合作，发展领先的基础设施供应商和金融机构作为战略伙伴，通过生态力量弥补自身技术短板，是实现AI发展的重要路径。
（三）数据治理与算力建设：安全底座双支柱与数据共享机制
数据和算力是AI应用的两大基础底座，也是安全治理的关键环节。《指导意见》在这两方面均提出了明确的安全管理要求。
在数据治理方面，新规要求推动数据运营机制建设，建立覆盖数据生命周期的管理流程；持续推进高质量数据集建设，确立数据质量标准，确保数据准确性、相关性、一致性、完整性和无偏见；开展行业分类高质量数据集共建，支持金融机构间依法合规开展数据集共享。从安全治理的角度看，数据治理不仅是"数据好用"的问题，更是"数据安全"的问题——数据的准确性直接影响AI模型的输出质量，数据的偏见可能导致算法歧视，数据的泄露则可能引发合规风险。
在算力建设方面，新规要求按需布局智能算力资源，提升自主可控能力，"自主可控"是安全治理的重要维度；支持同业间输出算力云服务和基础设施共建共享；支持在安全合规前提下使用国家算力节点或行业基础设施。
数据是AI时代的基本生产要素，而"数据孤岛"恰恰是制约金融机构智能化转型的最大瓶颈之一。《指导意见》提出的"数据集共建共享"机制，为破解这一瓶颈提供了制度性通道，同时也为数据安全治理的标准化提供了行业协作的平台。同样，算力基础设施的共建共享导向，也为中小金融机构在降低AI应用门槛的同时，保障了安全可控的计算环境。
（四）风险管理：全面纳入、分类分级、高风险准入和供应链安全的"四大举措"
风险治理是本次《指导意见》的核心关切，也是安全治理体系中最具"刚性约束"的部分。新规从四个层面构建了人工智能风险防控框架：
一是全面纳入。
金融机构应将人工智能风险纳入全面风险管理体系，定期开展对人工智能应用风险及管理措施的评估审查，防范模型黑箱风险、生成幻觉、算法歧视等各类风险。这意味着，AI风险不再是一个"专项风险"或"技术风险"，而是需要与信用风险、市场风险、操作风险等传统风险一样，纳入全面风险管理的统一框架。这一要求实质上是对金融机构现有全面风险管理体系的一次"扩容"，覆盖范围从传统的金融风险扩展到AI技术带来的新型风险。
二是分类分级。
新规要求依据业务场景的重要性、应用规模、对客影响度、模型依赖度、模型复杂度等维度，实施风险分类分级和动态管理。这一思路体现了风险管理的核心理念，即风险防控的精细化不在于"一刀切"的严格，而在于"差异化"的精准。分类分级管理意味着，不是所有的AI应用都投入同样的管控强度，而是根据风险高低匹配相应的管控措施，实现安全治理资源的最优配置。
三是高风险准入。
这是本次新规最具"刚性约束"的条款之一。《指导意见》明确界定：涉及资金交易、资产评估、信贷审批、承保理赔、风险管理等，以及与客户利益直接相关、直接影响金融合约达成的生成式人工智能场景应用，应被视为高风险应用。高风险应用须经风险管理委员会批准后方可实施，在关键环节须建立人工监督和干预机制，明确紧急停用及模型退出条件，建立备用系统或人工替代流程。这一条款实质上确立了AI在金融核心业务中的"辅助定位"：AI可以辅助决策，但不能替代人工责任。在安全治理框架下，"高风险准入"机制就是一道"防火墙"：不是不让AI进入核心业务，而是进入之前必须经过严格的安全审查，进入之后必须保持持续的人工监督，出现问题时必须有快速的退出机制。
四是供应链安全。
新规要求金融机构在与外部机构开展AI合作时，应开展全面风险评估，在外包策略、数据安全、集中度管理等方面建立管理机制，防范风险的跨业传递。这一要求指向了一个日益突出的行业问题——当金融行业高度依赖少数科技巨头的AI基础设施时，一旦这些服务商出现问题，可能引发系统性风险。供应链安全治理，本质上是将AI安全治理的边界从"内部"扩展到"外部"，从"自身"扩展到"生态"。
（五）安全开发能力：七大能力维度构筑安全防护网
《指导意见》从七个维度对金融机构提升AI安全开发应用能力提出了要求：增强稳健性、提高透明度、促进可解释性、保障伦理道德与公平性、加强数据安全与个人信息保护、提升网络安全防御能力、加强运营韧性与业务连续性管理。这七项能力构成了金融机构AI安全治理的"能力图谱"。
其中，有三项要求尤为值得关注：
可解释性要求。
新规明确规定，"可解释性不足的人工智能技术应用于高风险场景时，仅能作为辅助工具"。这意味着，如果AI模型是一个"黑箱"，那么在高风险场景中就不能独立决策，只能作为人工的辅助参考。这对那些依赖深度学习"黑箱"模型的金融机构构成了实质性约束。在安全治理视角下，当AI的决策逻辑无法被人类理解和验证时，安全治理就失去了最基本的抓手。
个人信息保护红线。
《指导意见》明确要求，"姓名、身份证号、手机号、银行卡号等个人信息和隐私数据不得用于生成式人工智能模型训练和优化"。这是一条"绝对不能碰"的红线，这一要求回应了社会公众对金融数据隐私保护的核心关切，也体现了监管层"安全发展"原则的底线思维。
生成内容标识。
新规要求对人工智能生成内容进行显著标识，并履行消费者说明义务。这意味着，如果银行用AI为客户提供投资建议，客户有权知道。这一要求体现了"透明度"原则，是保护金融消费者知情权的重要制度安排，也是安全治理中"可信"维度的具体体现。
（六）监管监督：报告机制、监测预警与跨部门协同
《指导意见》在监管监督方面同样做出了重要制度安排，构建了"机构报告—监管监测—跨部门协同"的三层监管体系。
其中的"报告机制"规定，金融机构面向公众服务或高风险场景应用使用生成式人工智能技术的，应向监管机构报告。报告机制实际上是安全治理的"前哨"，为后续的监测预警和精准监管提供信息基础。
此外，新规还要求监管部门加强监测预警与分析处置，做好跨部门合作协调，形成合力，防范系统性风险；建立监管定期评估机制，重点加强高风险场景应用监管。可见监管层正在构建一个与AI技术发展相匹配的"敏捷监管"体系。
金融机构的行动策略建议：
数智化转型中的安全治理"先手棋"
在金融机构数智化转型的进程中，安全治理应是"先手棋"，必须在AI应用部署之前就把安全治理的框架搭建好。笔者提出以下五个方面的行动策略建议。
（一）治理先行：将AI安全治理嵌入公司治理顶层架构
新规对AI安全治理的要求是"董事会层面"的，而非"部门层面"的。因此，金融机构的首要任务是审视和调整AI安全治理架构，将安全治理从"技术执行层"提升到"公司治理层"。
建议一：
董事会层面指定AI安全治理的专门委员会。
新规要求董（理）事会指定专门委员会对人工智能开发应用管理负责。金融机构应尽快明确这一专门委员会的职责边界、议事规则和决策权限。该委员会应具备跨业务、科技、数据、风险、合规等职能的统筹协调能力，而非仅仅是一个"科技委员会"的延伸。
建议二：
建立AI应用的分级分类安全管理制度。
金融机构应尽快制定内部的AI应用分级分类标准，明确不同等级应用场景的安全管控措施。分级分类应至少考虑以下维度：业务场景重要性、对客影响度、模型依赖度、模型复杂度、数据敏感度等。对于高风险应用，应建立严格的准入审批流程和人工监督机制，确保"人在环路"（Human-in-the-Loop）。
（二）能力筑基：构建数据安全治理和算力安全基础设施
数据和算力是AI应用的两大基础底座，也是安全治理的重要抓手。
建议三：
加快企业级数据安全治理体系建设。
高质量、结构化、标准化的数据是金融机构拥抱AI的基础前提，同时也是最大的瓶颈因素。金融机构应建立完善数据治理职能，可按需设立首席数据官（CDO）角色，统一数据标准和口径；打通关键业务系统壁垒，构建企业级数据湖或数据仓库；持续推进高质量数据集建设，确保数据的准确性、相关性、一致性、完整性和无偏见。在数据安全治理中，尤其要关注"数据分类分级"和"个人信息保护"两大红线，相关数据必须有清晰的边界和严格的管控。
建议四：
按需布局安全可控的智能算力资源。
大型金融机构应持续提升自主可控的算力能力，有条件的大型机构可考虑向中小机构输出算力服务。中小金融机构则充分利用政策红利，积极对接行业基础设施和国家算力节点，避免"重复造轮子"。同时，应加强对智能算力资源的云化管理，实现应用、模型、算力、网络的一体化安全管理。
（三）风险嵌入：将AI风险防控纳入全面风险管理体系
新规要求将AI风险纳入全面风险管理体系，这是一项系统性工程，需要从制度、流程、工具、文化等多维度推进，实现AI风险防控与现有风险管理体系的深度融合。
建议五：
建立AI风险识别与评估的常态化机制。
金融机构应系统梳理AI应用全生命周期中的风险点，包括但不限于：模型风险（黑箱、幻觉、偏差）、数据风险（投毒、泄露、偏见）、算法风险（歧视、趋同）、供应链风险（集中度、外包）、合规风险（侵权、违规）等。针对不同风险类型，制定差异化的评估方法和管控措施。风险识别不应是一次性的"体检"，而应是持续动态的机制。
建议六：
建立高风险应用的"人在环路"安全机制。
对于涉及资金交易、信贷审批、承保理赔等高风险应用场景，必须建立有效的人工监督和干预机制。人工监督不应是"形式上的签字确认"，而应具备实质性的审核能力和否决权限。同时，应明确紧急停用及模型退出的触发条件，建立备用系统或人工替代流程，确保在AI系统出现异常时能够快速安全切换。在安全治理中，"退出机制"与"准入机制"同等重要。
建议七：
加强外包与供应链安全风险管理。
金融机构在与外部AI技术供应商合作时，应建立严格的准入评估和持续监测机制。对外包合作机构实行名单制管理，对引入的外部模型建立内部评估框架，有效评价模型的优缺点和适配性。同时，应关注供应链集中度风险，避免过度依赖单一技术供应商。在数智化转型的生态合作中，安全责任不能"外包"，"谁使用谁负责"的原则意味着，即使技术来自外部，安全责任仍在自身。
（四）能力跃迁：提升AI安全开发应用的七项核心能力
新规提出的七项能力要求——稳健性、透明度、可解释性、伦理公平、数据安全、网络安全、运营韧性——构成了金融机构AI安全开发应用能力的"全景图"。这七项能力既是安全治理的"基础设施"，也是风险防控的"核心武器"。
建议八：
建立模型可解释性方法论与审计机制。
对于应用于高风险场景的AI模型，金融机构应制定可解释性标准，明确模型设计、数据使用、特征选择及输出结果的逻辑。对于可解释性不足的模型，应严格限制其应用范围，仅作为辅助工具使用。定期对AI算法开展独立审计，确保其符合监管要求和社会价值观。在安全治理中，可解释性是"可信"的基础。
建议九：
筑牢数据安全与个人信息保护防线。
金融机构应严格落实数据分类分级保护要求，规范数据访问权限，完善数据脱敏规范，避免使用可直接识别出个体的数据。特别需要注意的是，新规明确禁止将个人信息和隐私数据用于生成式AI模型训练和优化，这是一条红线，金融机构应建立相应的技术管控措施，确保不被突破。
（五）生态借力：善用"共建共享"政策红利，共建行业安全基线
对于中小金融机构而言，新规提出的"鼓励大型金融机构向中小机构输出技术和管理经验"、"支持同业共建共享基础设施"等政策导向，不仅是降低AI应用门槛的战略机遇，更是共享安全管理经验、共建行业安全基线的重要契机。
建议十：
积极对接行业共享安全治理资源。
中小金融机构应主动对接大型金融机构的AI技术输出、行业算力基础设施、高质量数据集共建共享等资源。通过生态力量弥补自身技术短板和安全治理能力缺口，实现"借力"发展。
建议十一：
坚持"场景驱动、安全优先"的数智化策略。
中小金融机构不应盲目追求"大而全"的AI基础设施建设，而应有限聚焦于最契合自身业务痛点、最能显效的核心场景，采用"小步快跑、快速迭代"的敏捷方法。但在这一过程中，安全治理必须始终走在应用部署的前面，在确保安全的前提下追求效率。在筛选场景时，可遵循"高频率、富数据、规则明、容错高"的四大标准。
《指导意见》标志着中国金融行业数智化转型正式进入"安全治理与风险防控并重"的新阶段。从"鼓励先行先试"到"规范有序发展"，是行业从"技术驱动"走向"治理驱动"的必然趋势。
AI安全治理不应仅仅被视为一条"合规任务"，而应被打造为一项"核心竞争力"。在数智化转型的浪潮中，安全治理能力将成为区分"领航者"与"跟随者"的关键分水岭。那些能够率先建立完善的AI安全治理体系、将安全与创新有机融合的金融机构，将有机会在新一轮行业分化中赢得先机
天职国际金融服务部
本文作者：周 瑾
免责声明：本文是为提供一般信息的用途所撰写，并非旨在成为可依赖的会计、审计、税务、法律或其他专业意见，更不可用于任何商业用途。阅读者应区分具体情形，合理运用执业判断进行分析。本所及相关编写人员不对依据本资料采取或不采取行动的任何损失承担责任。
如欲转载本文，务必原文转载，不得修改，且标注转载来源为：天职国际官方微信公众号。如需修改内容，需要获得天职国际的书面确认。
