这份 23 页的英文材料封面写的是 AI Risk Management: Implementation Examples，2026 年 1 月发布，由新加坡金管局（MAS）牵头的 MindForge 联合体组织，四家机构各写一章：星展银行（DBS）、瑞士宝盛（Julius Baer）、保诚（Prudential），以及一家匿名的投资机构。

它不卖工具，也不讲模型，讲的是"上线前后要做哪些业务工作"。四家机构的成熟度不同，写法也不同，正好可以当四种样本看。

星展的 Responsible Data Use 框架用三个问题分工：数据基础回答"我们能不能用这份数据"，靠数据政策框架覆盖安全、隐私、访问与质量；PURE 框架回答"该不该用"，处理伦理维度；AI 治理回答"怎么用"，用风险导向的方式覆盖用例的全生命周期。

他们特别提到生成式 AI 带来的复杂度，因此在上线流程里加了额外的护栏与控制，允许在受控条件下试。规模化的载体是一个叫 Data & AI Industrialisation 的项目。

CodeBuddy 那个用例写得比较细：一开始就指定用例负责人与模型负责人，确保全生命周期有人负责；部署前做初步风险实质评估并由高管批准，评估的是潜在负面影响与自主程度；用例与模型信息从早期就登记在内部系统 ALAN 里；采用人工在环设计，要求用户主动审核并批准生成内容。

他们最后列了自己踩过的坑与下一步计划，这两节比前面的框架更有参考价值。

瑞士宝盛的章节先讲治理格局，再拿 General Chatbot 做例子。这个机器人用开放权重模型，不做微调也不用 RAG，定位是通用助理：答一般问题、头脑风暴、起草与改写文字。

它跑在安全的本地环境里，同一套环境也承载微调或 RAG 方案，比如定制翻译、以及可以查询投资研究的工具。也就是说，他们的策略是"通用能力本地化、专用能力按需加"，而不是把所有需求都塞进一个模型。

材料里还提到，这个机器人背后的模型自上线以来已经更新替换过，说明治理框架必须能处理模型换代，而不是一次审批就完事。

保诚的 PRUShield 聊天机器人是个高影响力用例：面向财务代表，在常用通讯软件里回答 PRUShield 系列产品的复杂问题，答案来自 2,500 多页产品文档。

治理上有几件事值得抄：引入 AI 到既有非 AI 方案时，要重新走一次 AI 工作组评估；所有 AI 系统不论自建还是外购，都要定期复评，复评内容包括运营与质量指标、护栏再验证、风险层级重估、伦理合规状态确认，复评频率由风险实质层级决定；所有评审与结论都记进 AI 注册表。

技术侧的做法是抽样评测，用 Faithfulness 与 Context Precision/Recall 这类指标，当指标跌破阈值时触发治理复核。

这一章最像"制度模板"。能力建设上，他们一边招 AI 人才一边提升存量员工。关键文件是 AI 政策与 IT 及 IT 安全管理的政策标准；AI 风险由技术风险团队纳入日常风险评估；所有 SaaS 类 AI 产品都要过三道评估：AI 风险评估、技术风险评估、第三方风险评估。

高风险用例的判定标准写得很干脆，满足任一条即算：处理敏感数据；数据会被保留用于训练或微调；自动化执行且没有人工在环。

最后一页列了 AI 产品常见问题四条：对对抗性操纵的防护不足、AI 供应链实践不安全、可观测性被当成事后补充、缺少参考架构设计的最佳实践（SaaS、智能体 AI 等）。这四条是整份材料里最实用的清单。

一是都有人工在环或等效的人工审核，不是让模型直接对外输出。二是都把风险分级，按等级决定审批强度与复评频率。三是都有登记与留痕（注册表、内部系统、文档记录），使"谁批准的、什么时候批的"可追溯。四是都把模型换代当成常态，治理流程留了替换空间。

要做内部立项的，直接看投资机构那三条高风险判定与三道评估，能快速判断自己的用例属于哪一档。要做治理框架的，看星展的三层问法与保诚的复评机制。要选工具形态的，看瑞士宝盛怎么把通用助手与专用方案分开。

配套还有两本手册放在同一资料入口，案例集是"别人怎么做"，手册是"应该怎么做"，两份一起看更完整。

四个案例都是自述，没有失败项目的复盘，也没有成本与工时数据。投资机构是匿名的，无法核对规模与业务线。案例里的指标（如 2,500 页文档、三档风险）是各家自己的口径，不能直接横向比较。

PDF 直达地址、AI 风险管理手册与配套手册的入口、23 页的章节页码、四家案例的关键做法清单，回复本帖即可见。