
中国银行保险报记者 谭乐之 杜肖锦
银行保险机构的AI应用仍在加速。截至今年上半年,工商银行已落地600多个AI应用场景;中国银行智能化助手已超2200个;建设银行生成式人工智能已覆盖超过600个应用场景;浦发银行累计推进超440个AI应用建设。中国平安CTO王晓航在近期接受采访时透露,平安日均Token(词元)消耗已从年初的300亿增长至2200亿,半年增长超6倍。“AI肯定是越来越自主的,但是我们需要AI的安全边界越来越清晰”。
AI应用在快速铺开,银行保险机构网络安全防线建到了哪一步?
《办法》明确要求金融机构应当建立新技术应用安全评估机制,新技术引入前应当开展安全评估,不得因引入新技术而降低网络安全防护水平。
从公开信息和机构披露来看,头部银行保险机构在AI安全评估与防护方面已形成各自路径。
阳光保险的“穿透式”管理是其中一项具体做法。阳光保险相关负责人介绍,集团已制定《第三方数据合作管理工作规范》,将数据安全评估前置,并深度嵌入新技术应用及第三方数据合作全流程,重点抓好三维度“穿透式”评估:一是“源头关”,在立项初期即审查数据合法性与授权完整性,严格查验授权链路,落实“最小必要”原则;二是“能力关”,对供应商开展实地验证与压力测试,核验其等保资质及数据传输、存储的全链路加密能力;三是“应用关”,遵循“数据不落地”原则,严防系统外导出,并重点审查系统接口安全,确保数据从接入、共享到退出的全链路可管可控。
在治理机制层面,阳光保险还构建了与之对应的三道防线架构:科技部门是第一道防线;风险合规是第二道防线,每年开展网络数据安全、外包等专项风险评估;审计是第三道防线,每年实施IT风险审计。具体来看,当相关系统与第三方数据厂商API对接时,若监测平台告警发现异常敏感数据流动,第一道防线通过日志溯源,初步判定为疑似数据泄露或越权事件,并将其定级;随后通报风险管理部门,第二道防线评估事件的影响,联合制定处置策略,同时第一道防线切断异常API,控制事态;处置后,稽核部门开展专项审计,评估第一二道防线响应及时性与合规性,审查合同条款及监测机制,出具审计报告,指出管理薄弱点并督促整改。
中国平安的实践聚焦规模化AI应用中的网络安全与信任风险管控。王晓航在采访中表示,规模化之后的AI面临两类新型问题:“一个是幻觉带来的决策错误,另外一个是权限的滥用、越界等信任风险。”中国平安的应对措施包括分级准入、最小必要权限、关键决策由专家复核、全程可监控可追溯可审计。
中国邮政储蓄银行运营数据中心运维安全处处长冯冰君曾公开表示,AI时代的网络安全建设,并非简单的技术版本升级,而是一场完整的安全体系重构。邮储银行则确立“全要素资产图谱为基、智能分析决策为核、组件化安全能力为用、内生免疫韧性为目标”的顶层框架,构建覆盖云、网、端、数、用、人的全要素动态资产图谱,收敛互联网暴露面,并建立智能研判、多设备协同响应、自我净化的内生免疫机制,在遭受攻击时调动多维度安全能力联动处置。
此外,工商银行、建设银行、浦发银行、中国太保等机构也在持续推进AI安全治理实践。
头部机构路径各有不同,但行业整体尚未形成统一标准。
中关村互联网金融研究院院长刘勇在接受采访时指出:“大型金融机构多数已搭建内部AI安全评估流程,但整个行业尚未形成统一的标准化范式。不少中小机构直接采购第三方模型服务,缺少完整的前置评估机制或依据,更多依赖第三方服务商出具的安全报告。”
中央财经大学中国精算科技实验室主任陈辉同样表示:“目前金融业AI模型引入前安全评估整体仍处于各自探索阶段,尚未形成全行业统一标准化流程。头部机构内部已搭建评估范式,中小机构多简单参照照搬。”
冯冰君指出,结合银行业业务实际,AI攻击已落地为5类风险场景:精准钓鱼与社会工程攻击、自动化漏洞扫描与利用、AI驱动智能欺诈、深度伪造身份冒用以及供应链与模型投毒。
从行业反馈看,AI网络安全压力主要可归结为三个层面:一是模型与供应链的“黑箱”,二是三道防线在跨部门协同中的衔接难题,三是应急响应与专项演练对AI新型风险适配不足。
《指导意见》要求,金融机构要建立对人工智能算力、模型、数据、技术工具等的供应链安全合规管理机制,确保应用自主可控,防范对个别技术服务过度依赖引发的集中度风险。
在供应链安全管理方面,行业整体仍处于早期阶段。刘勇观察到,当前行业分化较为明显:“少数头部机构已实现供应商准入测评、持续监测、动态复评,但多数机构仍然停留在合同约束层面,主要依靠服务商安全承诺,缺少常态化技术检测手段。多数机构调用API服务,无法触及底层模型,很难开展深度的测评。此外,供应链层层嵌套溯源难,持续评估对人才、工具成本要求高,中小机构负担相对较重。”
AI供应链安全与传统供应链安全的重要区别在于底层模型的黑盒化。陈辉进一步指出,金融机构供应链管理的最大难点在于:AI模型版本迭代快,外部供应商模型黑盒化,机构难以深度核验底层算法与训练数据集;同时缺少统一第三方测评基准,持续动态评估成本高、技术门槛高。
治理机制层面,《办法》第八、九、十条分别明确网络安全主管部门、风险管理部门、审计部门三道防线的职责,确立“三道防线”协同共治机制。
但三道防线从制度设计到日常运转之间,仍面临挑战。刘勇指出,现实中“各管一段、衔接断裂”的问题远大于权责重叠。业务、科技、风控依据传统系统划定职责边界,面对AI这类跨领域的新技术,很容易形成责任缝隙,出现风险后相互推诿,并非多头监管。陈辉也持有类似判断:业务、科技、风控三道防线边界清晰,但跨环节信息传递不畅,风险识别存在断点。
AI的黑箱特性进一步放大了这一矛盾。“业务方识别不出模型潜在风险,技术人员对金融合规边界理解有限。”陈辉说。
在应急响应方面,《办法》指出“金融机构应当建立网络安全事件应急响应与处置组织架构”。多位专家反馈认为,当前行业整体准备程度仍有不足。陈辉给行业当前的应急响应准备程度打了6分(满分10分)。他认为,现有应急预案大多基于传统IT系统搭建,尚未充分适配AI系统幻觉、模型漂移、提示注入等特有风险。扣分主要来自两方面:原有预案对AI特有风险场景缺失,预案本身适用性不足;针对AI安全事件的专项演练严重不足,即便预案文本完善,真实事件下执行落地能力仍然不足。
刘勇也指出,现有预案大多针对传统网络攻击、系统故障,对提示词注入、模型投毒、第三方模型服务异常等AI特有风险覆盖不足,不少机构仅在旧预案上简单增补AI相关文字。
为保险机构提供AI系统服务的太极华保董事长周伟东从乙方视角观察到,在第三方API被攻击导致数据泄露的场景中,“早期授权边界不清导致响应延迟”是常见卡点之一。他进一步指出,在AI专项演练中,缺乏明确的“熔断/人工接管”阈值,很多时候靠人工排查,这是暴露出的核心问题之一。
当前,各类机构都在结合自身实际推进AI安全治理探索,但从行业整体看,技术、管理、资源等层面的约束仍然突出。
周伟东将当前挑战归纳为三个层面:“一是技术上,模型安全和第三方供应链风险是新增变量,传统安全体系覆盖不到;二是管理上,AI风险尚未完全纳入全面风险管理,跨部门协同和责任不清晰;三是资源上,中小险企安全与AI复合人才缺口巨大、预算有限。”
阳光保险相关负责人则从另一个维度指出,当前行业最突出的挑战,是传统安全体系难以适配AI新型风险的防护需求。“传统网络安全以边界隔离、静态规则、事后处置为主,只能应对已知、确定性风险。而AI风险具备内生性、动态性、隐蔽性特征,像提示词注入、模型幻觉、智能体越权等新型问题层出不穷。”
针对上述挑战,专家建议可归纳为四方面:监管标准与分级分类、行业公共测评与风险共享、机构全生命周期管理、供应商协同与应急演练。
刘勇建议,在监管层面,应积极推动搭建金融行业AI安全公共测评与供应链风险共享平台。面向中小机构开放标准化测评工具、供应商风险数据库,降低中小机构合规门槛;同时建立行业风险共享机制,同步AI供应链风险、高风险组件信息。此外,每家机构独立完成全链条评估对中小机构压力过大,可以通过行业公共基础设施,把专业能力公共化。
陈辉则建议,新增对外购AI大模型实施“分级分类准入管理”的配套细则。按业务影响范围划分高、中、低风险AI应用等级,明确不同等级对应的第三方测评、准入校验、定期复评等强制要求。
阳光保险相关负责人也表达了类似诉求,建议监管和行业协会加快出台AI应用分类分级、AI应用全生命周期管理等细化标准,为保险机构提供明确合规指引。同时考虑到AI技术迭代快、体系转型周期长,建议设置合理的落地过渡期,支持保险机构分阶段整改、稳步落地。
从《指导意见》到《办法》,金融AI安全治理的制度框架已基本成型。下一步,如何让制度要求转化为每一家机构的日常操作规范,仍是行业面临的共同课题。


