对当前AI系统的误解，会使关键注意力偏离我们今天面临的真正风险。
有效的治理要求将AI视为由人驱动的社会技术系统，而非中立的工具。
领导者必须超越对未来的推测，立即制定问责和数据质量标准。
人工智能已经嵌入招聘系统、工作场所监控、资格评估、信贷决策和公共管理之中。这些系统影响着哪些人会入围求职名单、哪些申请会被优先处理、合规风险如何被标记，以及公共资源如何分配。
然而，政策辩论仍倾向于以两种方式看待AI：作为存在性的未来威胁，或作为中立的技术工具。两种看法都具有误导性。真正的监管风险并不在于假设性的未来系统，而在于对当下已在塑造具有法律后果决策的AI系统存在误解。
这种误解由一小批顽固的误区所维持，它们所造成的危害不止于将AI过度简化。它们削弱治理、模糊问责，并将监管注意力从机构已经难以应对的当下风险上引开。
误区1：AI只是数学或代码
将AI仅视为技术问题，会让组织得以推卸责任。事实上，AI系统是社会技术系统，其形态取决于人类在数据选择、优化目标、部署环境和可接受误差方面所作的选择。在就业筛选、自动化绩效评分或行政分诊中，风险很少仅仅来自“算法”本身，而是来自围绕这些系统如何设计、部署和被依赖的机构决策。将AI仅视为技术问题，会削弱清晰的法律和组织问责界线。
误区2：数据集越大，AI就越好
规模常被误认为可靠性。在受监管的场景中，大规模数据集可能放大噪声、偏见和虚假相关性，而非减少它们。高质量、具有代表性的数据集往往优于规模庞大但整理不善的数据集。将规模等同于安全的政策制定者，可能会为那些未能达到基本验证、文档和尽职调查标准的系统背书。
误区3：AI要么是中立的，要么必然存在偏见
这两种假设都不正确。AI系统并非中立，但偏见也并非不可避免的特征。通过审慎的技术和治理选择，偏见可以被减少，在某些情况下甚至可以有效消除。这些选择包括谨慎的数据整理、受约束的优化、跨子群体的验证以及持续审计。监管的失败在于将偏见视为要么不存在、要么无法避免，而没有在就业、信贷和行政系统中强制实施可执行的偏见管理义务。
误区4：AI取代专家判断
AI可以通过标记异常、对选项排序或模拟结果来协助专业人员。但它无法取代判断、自由裁量权或法律责任。在涉及解雇、福利资格或合规监管的决策中，过度依赖AI会造成问责缺口。政策制定者必须确保人类监督是切实有效的，而非流于形式，并且当AI辅助决策造成损害时，责任仍然得到明确界定。
误区5：AI只具有预测功能
许多监管过于狭隘地关注预测，忽视了AI在排序、优化和决策塑造中更广泛的作用。生成式系统和基于优化的系统即使未做出明确预测，也会影响结果。仅将AI视为预测工具，会导致治理框架不完整，无法涵盖这些系统实际如何影响法律和行政决策。
误区6：AI系统是无法解释的黑箱
不透明性常被说成是不可避免的。实际上，可解释性往往是一种设计和治理选择。可解释模型、可解释性技术和文档标准已经存在，并在安全关键领域得到应用。默认接受不透明性，会削弱透明度、正当程序和可审计性义务，而这些义务正是行政法和劳动法的核心。
误区7：AI本质上不安全
AI系统本质上既非绝对安全，也非绝对不安全。安全性来自标准、测试、监测和监督。出于恐惧而实施的全面限制，其无效程度可能不亚于监管的无所作为。有效的治理应侧重于认证、验证和问责，而非假定风险无法管理。
误区8：AI是未来的问题
或许最具危害性的误区是认为AI监管可以等待。AI已经在影响招聘、晋升、解雇、资格评估和行政优先级排序。将AI视为未来的问题，会延误对当下已经产生法律后果的系统的监督。
政策制定者应转而关注的重点
AI治理的失败很少是由技术局限造成的，而是源于误导监管的概念性错误。政策制定者应减少对投机性未来的关注，更多地聚焦于可执行的义务。这些义务包括：明确部署决策的问责制、数据质量和验证标准、可解释性和可审计性要求，以及在AI辅助决策造成损害时的补救机制。
纠正这些误区不会消除风险。但它将使政策制定者能够依据AI的实际状况进行监管，而非将其视为遥远的抽象概念，并应对机构已经面临的真正法律和合规挑战。
