Ansvarlig AI-styring: Forklaring av kjerneprinsipper

Ansvarlig styring av kunstig intelligens etablerer retningslinjene, rammeverkene og kontrollene organisasjoner trenger for å distribuere kunstig intelligens på en etisk, transparent og sikker måte. Denne veiledningen forklarer hva ansvarlig styring av kunstig intelligens innebærer, undersøker kjerneprinsipper og ledende rammeverk, og skisserer beste praksis for å bygge ansvarlige systemer for kunstig intelligens på tvers av bedriften.

Nøkkelfunksjoner

Hva dekker ansvarlig AI-styring utover standard IT-tilsyn?
Ansvarlig styring av AI adresserer spesifikt AI-spesifikke risikoer som algoritmisk skjevhet, manglende forklaringsevne, misbruk av data og konsekvenser for autonom beslutningstaking gjennom hele AI-livssyklusen.

Hvorfor er skygge-AI en kritisk bekymring for AI-styringsrammeverk?
Ansatte som tar i bruk ikke-godkjente AI-verktøy – som nettleserutvidelser og tredjeparts generative AI-tjenester – kan eksponere sensitive data utenfor styrte kanaler, og undergrave selv godt utformede ansvarlige AI-styringspolicyer.

Hvilke prinsipper for ansvarlig styring av AI er mest anerkjente?
Kjerneprinsippene inkluderer åpenhet og forklarbarhet, rettferdighet og ikke-diskriminering, personvern og databeskyttelse, ansvarlighet med menneskelig tilsyn, samt sikkerhet, trygghet og pålitelighet.

Hvordan bør organisasjoner velge mellom ansvarlige AI-styringsrammeverk som NIST AI RMF, EUs AI-lov og ISO/IEC 42001?
De fleste organisasjoner drar nytte av å kombinere elementer fra flere rammeverk, og velge basert på regulatoriske forpliktelser, geografisk omfang, bransjekrav og organisatorisk modenhet i stedet for å ta i bruk ett isolert rammeverk.

Hvilken rolle spiller nettleseren i håndheving av brukskontroller for kunstig intelligens?
Nettleseren er det primære grensesnittet som ansatte bruker for å få tilgang til generative AI-verktøy, noe som gjør håndheving på nettlesernivå avgjørende for sanntids AI DLP, AI-tilgangskontroll og forebygging av AI-misbruk.

Hvordan kan organisasjoner måle om deres program for ansvarlig AI-styring er effektivt?
Viktige målinger inkluderer prosentandelen av AI-systemer som er inventarisert og overvåket, samsvarsgrader for regelverk, antall AI-relaterte hendelser og løsningstider, trender for skygge-AI-adopsjon og benchmarks for modenhet av styring.

Hvilken driftsmodell fungerer best for å skalere ansvarlig AI-styring på tvers av store bedrifter?
En hybridmodell – der sentral styring definerer prinsipper og obligatoriske kontroller mens forretningsenhetene håndterer implementeringen – har en tendens til å skalere mest effektivt samtidig som den opprettholder konsistent ansvarlighet.

Hva er ansvarlig AI-styring?

Ansvarlig AI-styring refererer til det strukturerte settet med retningslinjer, prosesser og tilsynsmekanismer som veileder hvordan organisasjoner utvikler, distribuerer og overvåker kunstig intelligens-systemer. Det sikrer at AI-teknologier opererer innenfor etiske grenser, overholder gjeldende forskrifter og er i samsvar med organisasjonens verdier. I motsetning til generell IT-styring, adresserer ansvarlig AI-styring spesifikt de unike risikoene som AI introduserer, inkludert algoritmisk skjevhet, mangel på forklaringsevne, misbruk av data og utilsiktede konsekvenser av autonom beslutningstaking.

Definere omfanget

Omfanget av ansvarlig AI-styring strekker seg over hele AI-livssyklusen, fra innledende datainnsamling og modelltrening til utrulling, overvåking og eventuell avvikling. Det omfatter tekniske kontroller som modellvalidering og skjevhetstesting, samt organisatoriske kontroller som etiske vurderingsråd, risikovurderingsprosedyrer og protokoller for hendelsesrespons. En omfattende lov om ansvarlig AI-styring i en organisasjon kodifiserer disse kravene til håndhevbare interne retningslinjer.

Nøkkelkomponenter

• Retningslinjer og standarder – Dokumenterte regler som definerer akseptable brukstilfeller for AI, forbudte bruksområder og nødvendige sikkerhetstiltak før et AI-system går i produksjon.
• Tilsynsstrukturer – Utpekte komiteer, roller eller vurderingsråd som er ansvarlige for å evaluere KI-prosjekter opp mot etiske og samsvarskriterier.
• Tekniske kontroller – Automatiserte og manuelle mekanismer for biasdeteksjon, modellforklarbarhet, dataavstamning og validering av utdata.
• Ansvarlighetsmekanismer – Tydelige eierskapstildelinger slik at alle AI-systemer har identifiserbare interessenter som er ansvarlige for deres oppførsel og resultater.
• Kontinuerlig overvåking – Løpende overvåking av AI-systemer for å oppdage avvik, misbruk eller utilsiktet atferd etter utrulling.

Hvordan det skiller seg fra generell AI-strategi

Mens AI-strategi fokuserer på hvor og hvordan man skal bruke AI for forretningsverdi, fokuserer ansvarlig AI-styring på rekkverkene som forhindrer skade. Strategien spør «hva kan vi bygge?» mens styring spør «hva bør vi bygge, og under hvilke begrensninger?» Organisasjoner som forfølger AI-adopsjon uten tilsvarende styringsstrukturer, utsetter seg for regulatoriske straffer, omdømmeskade og sikkerhetssårbarheter, spesielt når ansatte tar i bruk AI-verktøy utenfor sanksjonerte kanaler, et fenomen som ofte kalles skygge-AI.

Hvorfor ansvarlig AI-styring er viktig

Behovet for ansvarlig styring av kunstig intelligens har blitt stadig viktigere ettersom systemer for kunstig intelligens blir en del av viktige beslutninger knyttet til ansettelser, utlån, helsevesen, sikkerhet og kundeservice. Uten strukturert styring står organisasjoner overfor et stadig større sett med risikoer som spenner over juridiske, økonomiske, etiske og driftsmessige domener.

Regulerings- og juridisk press

Myndigheter over hele verden vedtar lovgivning som er direkte rettet mot ansvarlighet knyttet til kunstig intelligens. EUs kunstig intelligens-lov klassifiserer kunstig intelligens-systemer etter risikonivå og stiller strenge krav til høyrisikoapplikasjoner. I USA sprer det seg stadig flere kunstig intelligens-forskrifter på delstatsnivå, og føderale etater utsteder veiledning om algoritmisk ansvarlighet. Organisasjoner uten etablerte rammeverk for ansvarlig styring av kunstig intelligens risikerer straffer for manglende overholdelse, rettstvister og tap av markedsadgang i regulerte jurisdiksjoner.

Omdømme- og tillitsrisikoer

Offentlig tillit til AI svekker raskt når systemer produserer partiske resultater, tar uklare beslutninger eller håndterer personopplysninger feil. En enkeltstående høyprofilert hendelse som involverer diskriminerende AI-utdata kan forårsake varig merkevareskade. Ansvarlig AI-styring gir dokumentasjon, revisjonsspor og gjennomgangsprosesser som demonstrerer en organisasjons forpliktelse til etisk bruk av AI, noe som i økende grad er en faktor i kunde- og partnerevalueringer.

Bekymringer om sikkerhet og databeskyttelse

AI-systemer behandler enorme mengder sensitive data, og resultatene kan utilsiktet lekke konfidensiell informasjon. Når ansatte bruker ikke-godkjente AI-verktøy, inkludert nettleserbaserte AI-assistenter og tredjeparts generative AI-tjenester, kan sensitive bedriftsdata flyte til eksterne systemer uten skikkelig kontroll. Dette skaper betydelige utfordringer for forebygging av datatap (DLP). Ansvarlig AI-styring håndterer disse risikoene ved å etablere retningslinjer for tilgangskontroll av AI, brukskontroller av AI og valideringsmekanismer for AI-respons som forhindrer uautorisert dataeksponering.

Operasjonell motstandskraft

• Modelldrift – AI-modeller forringes over tid etter hvert som underliggende datafordelinger endres, noe som fører til upålitelige resultater hvis de ikke overvåkes.
• Skygge-AI-spredning – Uten styring tar avdelinger uavhengig av hverandre i bruk AI-verktøy som omgår sikkerhetsgjennomganger, noe som skaper blindsoner i organisasjonens risikoprofil.
• Selgerlåsing – Uregulert AI-anskaffelse kan føre til fragmentert verktøybruk og avhengighet av leverandører hvis praksis kanskje ikke er i samsvar med organisasjonens standarder.
• Gap i hendelsesrespons – Organisasjoner uten AI-spesifikke hendelsesresponsplaner sliter med å begrense og utbedre AI-relaterte feil.

Kjerneprinsipper for ansvarlig AI-styring

Prinsipper for ansvarlig styring av kunstig intelligens danner det etiske og operasjonelle grunnlaget som alle styringsaktiviteter bygger på. Selv om spesifikke implementeringer varierer fra organisasjon til organisasjon og bransje, har det dukket opp et konsistent sett med prinsipper på tvers av store standardiseringsorganer, regelverk og bransjeledere.

Åpenhet og forklaring

AI-systemer bør produsere resultater som kan forstås, tolkes og stilles spørsmål ved av relevante interessenter. Dette betyr å opprettholde dokumentasjon av modellarkitekturer, opplæringsdatakilder og beslutningslogikk. For applikasjoner med høy innsats bør organisasjoner implementere forklaringsteknikker som lar berørte individer forstå hvordan en beslutning ble tatt. Åpenhet krever også tydelig åpenhet når AI brukes i samhandling med kunder eller publikum.

Rettferdighet og ikke-diskriminering

AI-systemer må designes og testes for å unngå å produsere resultater som setter beskyttede grupper i uforholdsmessig stor ulempe. Dette innebærer å gjennomføre skjevhetsrevisjoner under utvikling, bruke representative treningsdatasett og implementere kontinuerlig overvåking for ulik innvirkning etter utrulling. Rettferdighetstesting bør integreres i CI/CD-pipelines slik at modeller evalueres før hver utgivelse.

Personvern og databeskyttelse

Ansvarlig styring av AI krever at data som brukes til AI-opplæring og -innledning overholder gjeldende personvernregler, inkludert GDPR, CCPA og sektorspesifikke krav. Organisasjoner må implementere dataminimeringspraksis, sikre riktige samtykkemekanismer og etablere kontroller som forhindrer at AI-systemer lagrer eller eksponerer personopplysninger utover autoriserte formål. AI DLP-funksjoner er avgjørende for å forhindre at sensitiv informasjon utilsiktet deles med eksterne AI-tjenester.

Ansvarlighet og menneskelig tilsyn

Ethvert AI-system bør ha en tydelig identifisert eier som er ansvarlig for dets oppførsel, ytelse og samsvar med regelverk. Menneskelige tilsynsmekanismer må være på plass for beslutninger som påvirker enkeltpersoner i betydelig grad, slik at automatiserte utdata kan gjennomgås, overstyres eller eskaleres. Dette prinsippet gjelder også for tredjeparts AI-verktøy og -agenter, som må være underlagt de samme ansvarlighetsstandardene som internt utviklede systemer.

Sikkerhet, trygghet og pålitelighet

• Motstridende robusthet – KI-modeller bør testes mot fiendtlige input som er utformet for å manipulere outputtene deres.
• Tilgangskontroller – AI-systemer og deres underliggende data må beskyttes av rollebaserte tilgangskontroller og autentiseringsmekanismer.
• Validering av utdata – Valideringsprosesser for AI-respons bør bekrefte at genererte resultater oppfyller terskler for nøyaktighet, sikkerhet og samsvar før de når sluttbrukere.
• Oppdagelse av hendelser – Overvåkingssystemer bør oppdage unormal AI-atferd, inkludert misbruk av interne brukere, og utløse passende responsflyter.

Topprammeverk for ansvarlig AI-styring

Flere etablerte rammeverk tilbyr strukturerte tilnærminger for implementering av ansvarlig AI-styring. Organisasjoner tar vanligvis i bruk ett eller flere av disse rammeverkene og tilpasser dem til deres spesifikke regulatoriske miljø, bransjekrav og risikotoleranse. Nedenfor er en sammenligning av de beste rammeverkene for ansvarlig AI-styring.

NIST AI Risk Management Framework

NIST AI RMF organiserer styringsaktiviteter i fire kjernefunksjoner: Styre, Kartlegge, Måle og Administrere. Styringsfunksjonen etablerer organisasjonspolicyer og ansvarlighetsstrukturer. Kartlegge identifiserer og kontekstualiserer AI-risikoer. Måle benytter kvantitative og kvalitative metoder for å evaluere disse risikoene. Administrere implementerer kontroller og overvåker effektiviteten deres. Dette rammeverket er spesielt verdifullt fordi det integreres med eksisterende risikostyringsprosesser for bedriften og gir detaljert implementeringsveiledning gjennom tilhørende ressurser.

EUs AI-lov

EUs KI-lov har en regulatorisk tilnærming, og kategoriserer KI-systemer i nivåene uakseptabel risiko, høy risiko, begrenset risiko og minimal risiko. Høyrisikosystemer, som de som brukes i ansettelser, kredittvurdering og rettshåndhevelse, må oppfylle strenge krav, inkludert samsvarsvurderinger, teknisk dokumentasjon, bestemmelser om menneskelig tilsyn og overvåking etter markedsføring. Organisasjoner som er underlagt loven, må implementere ansvarlige styringsmodeller for KI som er direkte knyttet til disse regulatoriske kravene.

ISO / IEC 42001

ISO/IEC 42001, som ble publisert som den første internasjonale standarden for AI-styringssystemer, gir et sertifiserbart rammeverk som dekker AI-policy, planlegging, støtte, drift, ytelsesevaluering og forbedring. Den følger den kjente Planlegg-Gjør-Sjekk-Handle-strukturen som brukes i andre ISO-styringssystemstandarder, noe som gjør den tilgjengelig for organisasjoner som allerede er sertifisert under ISO 27001 eller lignende rammeverk. Denne standarden refereres i økende grad til i anskaffelseskrav og regulatoriske retningslinjer.

Velge riktig rammeverk

De fleste organisasjoner drar nytte av å kombinere elementer fra flere rammeverk i stedet for å ta i bruk ett enkelt isolert. Utvalget bør styres av regulatoriske forpliktelser, geografisk omfang, bransjekrav og organisatorisk modenhet. Ansvarlige rammeverk for AI-styring bør behandles som levende dokumenter som utvikler seg i takt med teknologien, det regulatoriske miljøet og organisasjonens AI-kapasiteter.

Beste praksis for ansvarlig AI-styring for organisasjoner

Å omsette prinsipper og rammeverk til operativ virkelighet krever konkrete og handlingsrettede fremgangsmåter. Følgende beste praksiser for ansvarlig AI-styring gjenspeiler erfaringer fra organisasjoner som har implementert styringsprogrammer i stor skala med hell.

Opprett en tverrfaglig komité for AI-styring

Effektiv styring av kunstig intelligens kan ikke eies av én enkelt avdeling. Opprett en komité som inkluderer representanter fra juridisk, samsvarsavdeling, informasjonssikkerhet, datavitenskap, ingeniøravdeling, HR og forretningsdrift. Denne komiteen bør ha myndighet til å godkjenne eller avvise brukstilfeller innen kunstig intelligens, fastsette retningslinjer og fordele ressurser til styringsaktiviteter. Møtetakten bør være regelmessig, med ad hoc-sesjoner for høyprioriterte gjennomganger.

Opprett og vedlikehold et AI-lager

Organisasjoner kan ikke styre det de ikke kan se. Det er grunnleggende å opprettholde en omfattende oversikt over alle AI-systemer, inkludert tredjepartsverktøy, nettleserutvidelser med AI-funksjoner og generative AI-tjenester som er tatt i bruk av ansatte. Denne oversikten bør dokumentere hvert systems formål, datainngang, risikoklassifisering, eier og gjennomgangsstatus. Skygge-AI og agentoppdagelsesfunksjoner er avgjørende for å identifisere ikke-godkjente AI-verktøy som ansatte bruker via nettlesere og SaaS-applikasjoner.

Implementer risikobaserte vurderingsprosesser

1. Kategoriser hvert AI-system etter risikonivå basert på brukstilfelle, datafølsomhet og potensiell innvirkning på enkeltpersoner.
2. Vurdere identifiserte risikoer ved hjelp av standardiserte evalueringskriterier, inkludert potensial for skjevhet, implikasjoner for personvern, sikkerhetssårbarheter og regelverksmessig anvendelighet.
3. Minske risikoer gjennom tekniske kontroller (bias-testing, tilgangsbegrensninger, filtrering av utdata) og organisatoriske kontroller (gjennomgangsprosesser, opplæring, dokumentasjon).
4. Overvåke risikonivåene kontinuerlig og utløse revurdering når det skjer betydelige endringer i modellen, datakildene eller distribusjonskonteksten.
5. Report styringsmålinger til ledelsen med jevne mellomrom, inkludert samsvarsstatus, antall hendelser og risikotrender.

Håndhev bruksregler for AI på tilgangspunktet

Retningslinjer er bare effektive når de håndheves. Organisasjoner bør implementere tekniske kontroller som styrer hvordan ansatte samhandler med AI-verktøy, spesielt nettleserbaserte og SaaS-leverte AI-tjenester. Dette inkluderer tilgangskontrollmekanismer for AI som begrenser hvilke AI-verktøy som kan brukes, brukskontroller for AI som begrenser hvilke data som kan sendes til AI-tjenester, og funksjoner for forebygging av misbruk av AI som oppdager og blokkerer brudd på retningslinjene i sanntid. Håndheving på nettlesernivå er spesielt viktig fordi nettleseren er det primære grensesnittet som ansatte får tilgang til generative AI-verktøy gjennom.

Tren og utdanne arbeidsstyrken

Styringsprogrammer lykkes når ansatte forstår begrunnelsen bak AI-retningslinjer og sin rolle i å opprettholde dem. Opplæringen bør dekke retningslinjer for akseptabel bruk, krav til datahåndtering for AI-interaksjoner, rapporteringsprosedyrer for AI-relaterte bekymringer og konsekvensene av brudd på retningslinjene. Opplæringen bør være rollespesifikk: dataforskere trenger annen veiledning enn markedsanalytikere eller kundeservicerepresentanter.

Vanlige utfordringer ved implementering av ansvarlig AI-styring

Selv velmenende styringsprogrammer møter på hindringer. Å forstå disse utfordringene på forhånd lar organisasjoner utforme styringsstrukturer som er robuste og tilpasningsdyktige.

Skygge-AI og ustyrt verktøyadopsjon

En av de mest vedvarende utfordringene er spredningen av skygge-AI, der ansatte tar i bruk AI-verktøy uten IT- og sikkerhetsteamenes viten om eller godkjenning. Nettleserbaserte AI-assistenter, AI-drevne nettleserutvidelser og tredjeparts SaaS-applikasjoner med innebygde AI-funksjoner kan alle behandle sensitive data utenfor styrte kanaler. Organisasjoner trenger innsikt i bruken av AI-verktøy på tvers av bedriften, inkludert muligheten til å oppdage og klassifisere AI-interaksjoner som skjer via nettlesere. Uten denne innsikten forblir styringspolicyer teoretiske snarere enn operative.

Balansering av innovasjon med kontroll

For restriktiv styring kan kvele bruken av AI og presse ansatte mot usanksjonerte løsninger. Omvendt utsetter utilstrekkelig styring organisasjonen for uakseptabel risiko. Vellykkede programmer finner en balanse ved å tilby godkjente AI-verktøy som møter de ansattes behov, effektivisere godkjenningsprosesser for nye brukstilfeller for AI og implementere proporsjonale kontroller basert på risikoklassifisering i stedet for generelle begrensninger.

Holde tritt med endringer i regelverket

Det regulatoriske miljøet for AI utvikler seg raskt på tvers av jurisdiksjoner. Organisasjoner må overvåke utviklingen i lovgivningen, tolke dens anvendelighet og oppdatere styringspolicyer deretter. Dette krever dedikerte juridiske og compliance-ressurser med AI-spesifikk ekspertise, samt styringsrammeverk som er modulære nok til å imøtekomme nye krav uten fullstendig redesign.

Måling av styringseffektivitet

• Dekningsmålinger – Hvor stor prosentandel av AI-systemer er inventarisert, risikovurdert og aktivt overvåket?
• Samsvarsberegninger – Hvor mange AI-systemer oppfyller alle gjeldende regulatoriske og politiske krav?
• Hendelsesmålinger – Hvor mange AI-relaterte hendelser (skjevhetshendelser, dataeksponeringer, brudd på retningslinjer) oppsto, og hva var gjennomsnittlig tid til løsning?
• Adopsjonsmålinger – Bruker ansatte godkjente AI-verktøy, eller øker bruken av skygge-AI?
• Modenhetsmålinger – Hvordan er organisasjonens styringsmodenhet sammenlignet med etablerte rammeverk og bransjestandarder?

Organisatorisk motstand

Styringsinitiativer møter noen ganger motstand fra team som ser på tilsyn som byråkratisk friksjon. For å overvinne dette kreves det ledelsesstøtte, tydelig kommunikasjon om forretningsbegrunnelsen for styring (inkludert risikoreduksjon og samsvar med regelverk), og demonstrasjon av at styring muliggjør snarere enn å hindre ansvarlig AI-innovasjon. Å integrere styringskontrollpunkter i eksisterende arbeidsflyter i stedet for å opprette parallelle prosesser reduserer friksjon og forbedrer adopsjonen.

Verktøy og modeller for ansvarlig styring av kunstig intelligens

Implementering av ansvarlig AI-styring i stor skala krever verktøy som automatiserer håndheving av retningslinjer, gir innsikt i bruk av AI og støtter kontinuerlig overvåking. Den rette kombinasjonen av ansvarlige AI-styringsmodeller og -verktøy avhenger av organisasjonens størrelse, AI-modenhet og risikoprofil.

Kategorier av styringsverktøy

Nettleserbasert AI-styring

Fordi nettleseren har blitt det primære arbeidsområdet for de fleste ansatte, er det også den primære kanalen som AI-verktøy er tilgjengelige gjennom. Nettleserbaserte styringsløsninger gir unike fordeler for ansvarlig AI-styring, inkludert sanntidsinnsikt i AI-interaksjoner, muligheten til å håndheve DLP-policyer ved dataregistrering og kontroll over AI-drevne nettleserutvidelser. LayerX Security opererer innen dette området og tilbyr sikkerhetsfunksjoner for nettlesere i bedrifter, inkludert skygge-AI og agentoppdagelse, AI DLP, AI-tilgangskontroll og forebygging av AI-misbruk. Disse kontrollene opererer direkte i nettleseren, slik at organisasjoner kan håndheve styringspolicyer uten å forstyrre ansattes arbeidsflyter eller kreve at trafikk rutes via nettverksproxyer.

Styringsmodeller

Organisasjoner tar vanligvis i bruk én av tre ansvarlige AI-styringsmodeller basert på deres struktur og modenhetsnivå.

1. Sentralisert modell – Ett enkelt styringsorgan setter og håndhever alle AI-policyer. Denne modellen gir sterk konsistens og kontroll, men kan skape flaskehalser i store organisasjoner med ulike bruksområder for AI.
2. Forent modell – Forretningsenhetene opprettholder sine egne AI-styringsfunksjoner innenfor retningslinjer fastsatt av en sentral myndighet. Denne modellen balanserer lokal fleksibilitet med organisatorisk konsistens og fungerer godt for store bedrifter med varierte AI-applikasjoner.
3. Hybridmodell – Sentral styring definerer prinsipper, risikoterskler og obligatoriske kontroller, mens forretningsenhetene håndterer implementering og daglig tilsyn. De fleste modne organisasjoner trekkes mot denne modellen fordi den skalerer effektivt samtidig som den opprettholder ansvarlighet.

Integrering av styring i eksisterende sikkerhetsinfrastruktur

Ansvarlige verktøy for AI-styring gir mest verdi når de integreres med eksisterende sikkerhets- og samsvarsinfrastruktur. Dette inkluderer å mate AI-bruksdata inn i SIEM-plattformer, samkjøre AI-tilgangspolicyer med identitets- og tilgangsstyringssystemer (IAM), og integrere AI-risikovurderinger i bedrifts-GRC-plattformer. Organisasjoner bør også sørge for at deres web- og SaaS DLP-funksjoner utvides til AI-interaksjoner, og at programmer for deteksjon av innsidetrussel tar hensyn til AI-relaterte datautfiltreringsvektorer. SaaS-identitetsbeskyttelse og kontroller for sikker nettlesing styrker styringsposisjonen ytterligere ved å sikre at AI-verktøy som er tilgjengelige via nettleseren, opererer innenfor godkjente grenser.

Bygge et bærekraftig styringsprogram

Verktøy og modeller er nødvendige, men ikke tilstrekkelige. Et bærekraftig og ansvarlig AI-styringsprogram krever kontinuerlig investering i mennesker, prosesser og teknologi. Organisasjoner bør sette av et eget budsjett til styringsaktiviteter, etablere tydelige eskaleringsveier for AI-relaterte hendelser, gjennomføre regelmessige vurderinger av styringsmodenhet og tilpasse programmene sine etter hvert som AI-kapasiteter og regulatoriske krav utvikler seg. Organisasjoner som behandler AI-styring som en kontinuerlig disiplin snarere enn et engangsprosjekt, vil være best posisjonert til å realisere fordelene med AI samtidig som de håndterer risikoene effektivt.