据 SME horizon 报道的最新调查，大多数新加坡企业在采用人工智能（AI）工具后，仍无法向监管机构、客户乃至自身管理层”证明”AI 决策的依据——即无法解释模型如何得出某一结论、依据了哪些数据、以及出错时如何追溯。这一”AI 可解释性”（explainability）缺口，正成为企业智能化转型的最大隐患之一。
这一问题在金融、医疗与人力资源等受监管行业尤为突出。当AI被用于信贷审批、保险定价或简历筛选时，企业不仅要对结果负责，还必须能够向监管方与受影响者说明决策逻辑。无法证明AI决策的合理性，轻则面临合规风险，重则可能在纠纷中承担举证不能的法律后果——这与中国离岸信托合规潮、欧盟AI法案等环球监管收紧的趋势一脉相承。
新加坡监管层对此已有前瞻布局。金管局（MAS）近年推出的 Veritas 框架与 Model AI Governance Framework，正是为AI在金融领域的公平性、可问责性与稳健性提供评估工具；最新的 FSI 4.0 计划也把AI治理与人才培养列为 2.2 亿新元投入的重点方向。但对广大中小企业而言，把治理框架落地为日常操作，仍有相当距离。
专家建议，企业可以从三步入手：第一，为AI应用建立决策日志与数据 lineage（血缘）记录，确保每个输出可追溯；第二，在采购AI工具时把”可解释性”写入供应商合同与技术标准；第三，设置人工复核节点，对高风险决策保留”人在回路”（human-in-the-loop）机制。这些措施的边际成本不高，却能大幅降低日后的合规与商誉风险。
更深层的启示在于：AI 竞争已从”谁用得多”转向”谁用得稳”。随着监管框架在 2026-2027 年间逐步收紧，率先建立AI治理能力的企业，将在客户信任与监管关系上建立难以复制的优势。对新加坡这个以”受信任的科技枢纽”为定位的经济体而言，企业级AI治理的普及速度，将直接影响这一国家品牌的成色。
来源：SME horizon