在AI相关工作中，很多风险并不是来自技术做不到，而是来自“明知道存在问题，却还是要求继续做”。

比如，项目负责人要求使用一批来源不明的数据训练模型；为了赶上线时间，明知道算法对某类用户存在明显偏见，却要求跳过测试；客户要求直接导出大量用户个人信息；或者有人要求把企业内部数据上传到未经批准的公开AI工具中进行处理。

面对这些情况，AI从业者应该怎么办？

职业操守的意义，就体现在这些真正需要做选择的时刻。

对于AI从业者来说，遇到明显违规或者高风险要求时，不能因为“领导让我做”“客户要求做”或者“大家都这么做”，就忽略数据安全、个人信息保护和用户权益。

一、先判断：这是正常业务要求，还是已经触碰风险边界？

遇到一项任务时，首先要判断这件事是否存在明显风险。

可以先问自己几个问题：这些数据从哪里来？有没有明确授权？是否包含个人信息或敏感信息？当前用途是否超出了原来的使用范围？这个操作会不会导致数据泄露？模型是否存在已经发现但尚未解决的重大风险？

例如，公司拿到了一批用户数据，并不代表任何部门都可以随意复制、导出和使用。如果数据涉及个人信息，其处理需要遵守合法、正当、必要和诚信等基本要求；在现行中国数据与网络安全法律框架下，个人信息和网络数据处理也受到相应的安全与合规要求约束。2026年1月1日起施行的修改后《网络安全法》还增加了与人工智能安全发展相关的规定。

所以，面对一项AI任务，第一反应不应该只是“技术上能不能实现”，还需要判断“数据能不能用”“这个用途合不合适”“可能影响谁”。

二、发现问题后，不要直接默默执行

如果已经发现任务存在明显风险，最不应该做的，就是明知道有问题还直接执行。

比如，一名算法工程师发现训练数据中存在严重偏见，但项目为了赶进度要求直接上线。如果工程师什么都不说，继续完成上线，那么一旦系统产生不公平结果，就很难再说自己“完全没有责任”。

更合理的做法，是先明确指出问题。

可以向项目负责人说明：目前发现了什么风险，可能产生什么后果，需要补充哪些测试或处理措施。

这一步的重点不是简单说一句“我不做”，而是把风险讲清楚。

例如，可以说明：“当前数据来源尚未确认授权范围，如果直接用于模型训练，可能存在数据使用风险，建议先确认数据来源和使用权限。”

把问题从“个人觉得不合适”，转变成“具体风险是什么”，沟通通常会更加有效。

三、对明显高风险的要求，要保留必要记录

有些情况下，工作人员已经明确提出风险，但仍然被要求继续执行。

这时，保留必要的工作记录非常重要。

例如，可以保留正常的项目邮件、审批记录、工作沟通记录或风险评估文件，记录自己什么时候发现了什么问题、提出过什么建议，以及最终是如何处理的。

这里的目的不是制造矛盾，而是让重要决策过程能够被追溯。

AI系统本身强调可问责性，AI项目的管理过程同样应该如此。

如果出现问题后所有人都说“我不知道”“不是我决定的”，那么整个组织就很难真正找到问题原因并完成整改。

因此，对于涉及数据安全、隐私、算法公平等重要风险的决策，最好留下清晰、正式的处理记录。

四、遇到明显违规操作，不能因为“上级要求”就放弃底线

现实工作中，一个比较困难的情况是：明知道某项操作明显不合适，但提出要求的人是领导或者客户。

这时候需要明确一个基本原则：

职业责任不会因为“别人要求我做”就自动消失。

比如，有人要求绕过权限批量导出用户信息，或者要求使用明显未经授权的数据，这类情况就不能只按照普通工作任务理解。

从业者应该通过企业内部的合规、法务、安全、数据管理或更高级别管理渠道进行反馈和确认。

如果已经属于明显违法违规行为，应当拒绝直接执行，并按照组织制度和适用法律进行处理。

尤其是在涉及大量个人信息、敏感个人信息或重要数据的场景中，风险评估和内部监督越来越重要。当前中国的个人信息保护合规制度也对达到一定处理规模的个人信息处理者提出了负责人、合规审计等要求。

所以，拒绝明显违规要求并不是“不配合工作”，而是在避免一个风险进一步扩大。

五、AI系统出现问题后，应该怎么处理？

职业操守不仅体现在“防止问题发生”，也体现在“问题发生以后怎么办”。

如果AI系统已经出现错误、数据泄露、明显偏见或者其他不良后果，第一步不应该是推卸责任。

正确的思路应该是先控制影响，再查找原因。

例如，发现模型正在产生明显不公平的推荐结果，可以先暂停相关自动决策或增加人工审核；发现数据存在泄露风险，应及时限制访问和进一步传播；发现模型训练使用了存在争议的数据，应停止继续使用并重新核查数据来源。

之后再进一步判断问题出现在数据、算法、系统权限还是管理流程中，并制定相应的整改方案。

对于AI从业者来说，“系统已经上线”并不意味着责任结束。持续监测、发现问题和及时纠正，同样属于负责任的AI工作方式。

六、企业也不能把职业操守完全交给个人自觉

AI职业操守不能只依赖某一个员工“够不够谨慎”。

企业本身也应该建立相应的管理机制。

例如，对敏感数据设置更严格的访问权限，对高风险AI项目进行上线前审查，对数据来源进行记录，对模型公平性和安全性进行测试，并定期开展数据安全、隐私保护和AI伦理培训。

如果组织没有明确规则，员工遇到问题时也不知道应该找谁处理，那么很多风险最终只能依靠个人临时判断。

所以，一个成熟的AI项目应该做到：不仅有人开发模型，也有人检查风险；不仅关注项目能否上线，也要关注上线以后可能产生什么影响。

七、面对违规要求，可以记住一个基本处理流程

对于普通AI从业者来说，不需要把所有法律法规都背下来，但可以建立一个基本的处理思路：

先判断风险，再提出问题；重要问题留下记录；明显违规拒绝执行；必要时通过合规、法务、安全或管理渠道升级处理；出现问题后主动配合调查和整改。

简单来说，就是：

发现风险 → 明确反馈 → 留存记录 → 拒绝明显违规 → 升级处理 → 配合整改。

这个流程不能代替具体公司的管理制度，也不能替代针对特定法律问题的专业判断，但可以帮助从业者建立最基本的职业风险意识。

今日知识总结

AI岗位职业操守真正受到考验的，往往不是一切顺利的时候，而是在项目进度、商业利益和合规要求发生冲突的时候。

遇到明显违规或者高风险要求时，不能抱着“别人让我做，我就没有责任”的想法。

AI从业者需要先识别风险，及时提出问题，对重要决策保留必要记录，对明显违规操作坚持底线，并在问题发生后主动参与调查和补救。

可以用一句话快速记忆：

有风险要提醒，有问题要记录，明显违规不执行，出了问题不甩锅。

今日小测试

一名算法工程师发现某招聘AI对女性候选人存在明显不公平，但负责人为了赶上线时间，要求跳过公平性测试直接发布。算法工程师应该怎么做？

答案是：应该明确反馈已经发现的公平性风险，建议完成必要测试和整改，并对重要沟通过程保留正常工作记录。如果该要求明显违反组织规范或相关要求，应通过企业内部合规、安全或管理渠道进一步处理，而不是明知道存在重大风险仍直接执行。

本章学习到这里，我们已经从AI基本概念、技术分类、隐私保护，一路学习到了人工智能伦理和AI岗位职业操守。理解这些内容，是为了让我们不仅知道AI“怎么用”，也知道AI“应该怎么用”。