Panduan lengkap untuk keselamatan dalam persekitaran pembangunan AI

Informatec Digital » Sumber » Panduan lengkap untuk keselamatan dalam persekitaran pembangunan AI

Organisasi yang membangunkan atau mengintegrasikan penyelesaian kecerdasan buatan menghadapi landskap kawal selia yang baharu sepenuhnya pada tahun 2025. Peraturan Kecerdasan Buatan Eropah (RIA) dan garis panduan sokongan yang diterbitkan di Sepanyol telah mengubah peraturan permainan bagi mereka yang mereka bentuk, melatih, menggunakan dan memantau sistem AI, terutamanya apabila ia dianggap berisiko tinggi.

Berhadapan dengan kerangka kerja perundangan yang kompleks, teknikal dan masih berkembang, banyak syarikat tertanya-tanya di mana hendak bermula. 16 panduan dan senarai semak yang diterbitkan oleh Agensi Sepanyol untuk Penyeliaan Kecerdasan Buatan (AESIA) telah menjadi titik rujukan praktikal untuk melaksanakan RIA (Analisis Penyelidikan dan Inovasi) dalam realiti harian PKS, syarikat baharu dan syarikat besar yang ingin berinovasi tanpa terperangkap dalam komplikasi peraturan.

Kementerian Transformasi Digital dan Pentadbiran Awam, melalui Sekretariat Negeri untuk Pendigitalan dan Kecerdasan Buatan (SEDIA), telah memilih pendekatan yang sangat pragmatik. Sebelum peraturan Eropah itu dikuatkuasakan sepenuhnya, AI Sandbox telah dilancarkan untuk menguji peraturan tersebut dengan dua belas sistem berisiko tinggi dunia sebenar daripada sektor yang sensitif seperti perkhidmatan penting, biometrik, pekerjaan, infrastruktur kritikal, jentera dan peranti perubatan diagnostik in vitro.

Dalam persekitaran ujian ini, pasukan Kementerian telah bekerjasama rapat dengan syarikat-syarikat terpilih, menyediakan latihan peringkat tinggi dan perundingan awam. Objektifnya ada dua: untuk membantu organisasi memahami apa yang diperlukan oleh RIA dalam praktik dan, pada masa yang sama, untuk mengenal pasti kekaburan dan pergeseran dalam piawaian apabila digunakan pada algoritma dan proses yang sudah berfungsi di dunia nyata.

Pelbagai syarikat telah mengambil bahagian, daripada firma yang pakar dalam biometrik dan analitik lanjutan kepada penyedia penyelesaian kesihatan dan pekerjaan digital. Pihak berkuasa penyeliaan utama seperti AESIA, Agensi Perlindungan Data Sepanyol (AEPD), Bank Sepanyol dan Agensi Keselamatan Penerbangan Negeri (AESA) turut mengambil bahagian dalam projek ini , bersama-sama dengan panel pakar kawal selia dan teknologi.

Kerja kolaboratif ini menghasilkan kesimpulan yang kini dibentangkan dalam garis panduan ini. Walaupun dokumen-dokumen ini tidak mengikat secara sah dan tidak menggantikan piawaian teknikal yang diselaraskan yang akan datang, ia menawarkan tafsiran yang praktikal, teratur dan realistik tentang kewajipan RIA untuk sistem AI berisiko tinggi.

Hasil daripada pengalaman ini, Sepanyol telah memperoleh peranan antarabangsa yang terkemuka. AI Sandbox disebut sebagai amalan terbaik dalam Laporan untuk Dekad Digital Eropah dan dilihat oleh negara lain sebagai model untuk menjangka pematuhan peraturan , mengurangkan ketidakpastian dan kesilapan yang merugikan di sepanjang jalan.

16 garis panduan AESIA: struktur, pendekatan dan objektif

Penerbitan AESIA disusun menjadi satu set 16 panduan yang koheren dan beberapa senarai semak. Tujuan utamanya adalah untuk membantu organisasi mengenal pasti, memahami dan mematuhi obligasi Peraturan (EU) 2024/1689 , yang memberi tumpuan kepada sistem yang dikelaskan sebagai berisiko tinggi.

Garis panduan ini ditujukan khusus kepada PKS, syarikat baharu dan syarikat besar yang membangun atau menggunakan AI dalam sektor yang dikawal selia. Ia tidak menggantikan peraturan atau piawaian yang akan diguna pakai, tetapi berfungsi sebagai alat sokongan untuk mereka bentuk sistem AI yang inovatif dan andal yang menghormati hak asasi — penting untuk memupuk dan menghapuskan inovasi.

Koleksi ini dibahagikan kepada beberapa blok fungsi. Di satu pihak, ia merangkumi dua panduan pengenalan yang bersifat informatif, dan di pihak yang lain, tiga belas panduan teknikal yang tertumpu pada keperluan khusus RIA (pengurusan risiko, tadbir urus data, ketelusan, keselamatan siber, kualiti, rekod, pengawasan manusia, dll.).

Di samping itu, manual khusus untuk senarai semak telah diterbitkan, dan contoh senarai semak disediakan dalam format Excel. Fail-fail ini membolehkan penilaian kendiri tahap pematuhan sistem berisiko tinggi dan perancangan pelan tindakan penyesuaian yang teratur , dan bukannya membuat penambahbaikan saat akhir sebaik sahaja peraturan berkuat kuasa sepenuhnya.

Satu ciri penting ialah struktur modular dokumen. Panduan ini direka bentuk supaya setiap organisasi boleh menyelidiki lebih mendalam mengikut saiz, sektor dan tahap kematangan AI mereka ; ini menghalang PKS daripada dibebani oleh tahap perincian yang sama seperti yang diperlukan oleh syarikat multinasional besar dengan berpuluh-puluh model pengeluaran.

Panduan pengenalan: memahami RIA tanpa menjadi gila

Dua panduan pengenalan ini menyediakan asas konseptual untuk mengelakkan daripada tersesat dalam jargon kawal selia. Yang pertama ialah pengenalan umum kepada RIA, yang menerangkan skopnya, kategori risiko dan peranan berbeza yang terlibat (pembekal, pengurus penggunaan, pengedar, pengguna, dll.).

Ia menjelaskan isu-isu yang sering menyebabkan kekeliruan bagi syarikat, seperti apa yang sebenarnya merupakan sistem AI berisiko tinggi, yang mana penggunaannya dilarang secara langsung, dan kewajipan setiap pihak berkepentingan dalam rantaian nilai. Ia juga memperincikan bagaimana RIA berkaitan dengan peraturan Eropah lain yang berkaitan, seperti perlindungan data, keselamatan produk dan perkhidmatan kewangan , yang penting untuk mengelakkan pertindihan atau kelemahan.

Panduan pengenalan kedua mengambil pendekatan yang lebih praktikal, menggabungkan penjelasan kawal selia dengan kajian kes. Ia menunjukkan cara mengenal pasti sama ada sistem tertentu termasuk dalam kategori berisiko tinggi dan langkah asas yang perlu diambil untuk mematuhi peraturan , daripada fasa reka bentuk hingga pemantauan sebaik sahaja ia berada di pasaran.

Kedua-dua dokumen ini merangkumi glosari terperinci, yang sangat berguna untuk pasukan bukan undang-undang. Mendefinisikan istilah seperti "pengawasan manusia," "risiko yang boleh diramalkan secara munasabah," dan "risiko sistemik" dengan tepat dapat mencegah banyak salah faham dalaman antara jabatan teknikal, perundangan, perniagaan dan keselamatan siber.

Panduan konteks ini, dalam praktiknya, telah menjadi sumber rujukan untuk pengurus, DPO , CISO, pemimpin inovasi dan pasukan IT yang memerlukan gambaran keseluruhan yang jelas sebelum mendalami aspek yang lebih teknikal. Ia berfungsi sebagai peta umum, mengarahkan pembaca kepada panduan khusus yang sebenarnya mereka perlukan dan menghalang mereka daripada membuang masa menyemak dokumen yang tidak berkaitan dengan situasi mereka.

Garis panduan teknikal: mengasaskan keperluan RIA dalam kitaran hayat AI

Bahagian terbesar koleksi AESIA terdiri daripada tiga belas panduan teknikal, setiap satunya dikhaskan untuk keperluan RIA utama untuk sistem berisiko tinggi. Panduan ini merangkumi semua perkara penting dan menterjemahkan mandat undang-undang kepada proses, kawalan dan bukti yang boleh disahkan yang boleh dilaksanakan oleh organisasi dalam projek AI mereka.

Panduan penilaian pematuhan menerangkan bagaimana sistem AI berisiko tinggi harus disediakan untuk lulus prosedur penilaian yang ditetapkan dalam peraturan. Ia menerangkan dokumentasi yang diperlukan, bagaimana audit dalaman dan luaran dianjurkan , dan peranan badan yang diberitahu dalam mengesahkan bahawa model memenuhi keperluan penting.

Satu lagi panduan memberi tumpuan kepada sistem pengurusan kualiti. Tujuannya adalah untuk memastikan metrik dan objektif yang ditakrifkan semasa reka bentuk sistem kekal stabil sepanjang pembangunan, pengesahan dan operasi , dan sebarang penyimpangan direkodkan dengan betul. Ia menekankan kepentingan mengekalkan bukti semua pengesahan dan ujian yang dijalankan, bukan sahaja untuk pematuhan tetapi juga untuk dapat mempertahankan kekukuhan sistem kepada pihak ketiga.

Panduan pengurusan risiko menterjemahkan pendekatan berasaskan risiko RIA ke dalam metodologi operasi. Ia merangkumi panduan untuk mengenal pasti, menganalisis, menilai dan mengurangkan risiko yang berkaitan dengan kesihatan, keselamatan dan hak asasi , baik dalam penggunaan sistem yang dimaksudkan mahupun dalam penggunaan yang boleh dijangka secara munasabah. Ia juga menangani keperluan untuk semakan berkala apabila data, konteks atau teknologi itu sendiri berubah. Untuk merancang langkah praktikal, adalah disyorkan untuk menggunakan alat penilaian kendiri yang memberikan panduan tentang keutamaan mitigasi.

Pengawasan manusia diliputi dalam panduan yang berasingan dan komprehensif. Panduan ini memperincikan reka bentuk, antara muka dan proses organisasi yang diperlukan oleh mereka yang memantau sistem untuk mengesan anomali, campur tangan dengan segera dan mengelakkan pergantungan membuta tuli pada automasi . Ia mencadangkan, sebagai contoh, mekanisme penggantian manusia, amaran yang jelas dan prosedur peningkatan yang jelas apabila sesuatu kelihatan tidak kena.

Panduan mengenai data dan tadbir urus amat relevan untuk model yang kompleks. Ia menerangkan keperluan yang mesti dipenuhi oleh set data yang digunakan untuk melatih, mengesahkan dan menguji sistem AI : kerelevanan, keterwakilan, ketiadaan bias yang tidak wajar, kualiti, integriti dan kebolehkesanan. Tambahan pula, ia menangani keperluan untuk dasar tadbir urus yang mengawal siapa yang boleh mengubah suai data, bagaimana sumber didokumenkan dan bagaimana ralat yang dikesan selepas itu dikendalikan.

Satu lagi dokumen teknikal memberi tumpuan kepada ketelusan. Ia mencadangkan langkah-langkah untuk membolehkan penyedia dan pengguna sistem AI mematuhi kewajipan pelaporan mereka : daripada menjadikan dokumentasi teknikal mudah diakses oleh penyepadu hinggalah memastikan komunikasi yang jelas dengan orang yang terjejas oleh keputusan automatik atau separa automatik.

Panduan ketepatan ini memberikan panduan tentang cara memilih, mengukur dan memantau metrik prestasi model. Ia tidak terhad kepada ketepatan statistik; ia juga menangani isu-isu seperti kestabilan temporal, prestasi subkumpulan dan tingkah laku di bawah syarat sempadan , untuk mengelakkan keputusan yang mengelirukan yang boleh memberi kesan negatif kepada kumpulan tertentu.

Kekukuhan sistem juga dibincangkan dalam dokumennya sendiri. Panduan ini menggariskan langkah-langkah yang mesti diambil untuk memastikan toleransi kesalahan, daya tahan terhadap input yang berlawanan atau perubahan dalam persekitaran , dan keupayaan untuk terus beroperasi dalam parameter yang selamat walaupun beberapa komponen gagal atau data merosot.

Keselamatan siber dibincangkan dalam panduan khusus yang menggariskan langkah-langkah teknikal dan organisasi yang diperlukan untuk melindungi sistem AI daripada serangan atau manipulasi yang berniat jahat. Ia merangkumi aspek seperti keselamatan saluran data, perlindungan penyusupan model, kawalan akses dan tindak balas insiden , menyelaraskan keperluan ini dengan visi keselamatan maklumat organisasi yang lebih luas. Untuk maklumat yang lebih mendalam tentang ancaman tertentu, lihat Ancaman Keselamatan Siber dan Kesannya terhadap AI.

Panduan pembalakan menentukan log dan bukti yang perlu disimpan dalam sistem AI berisiko tinggi. Ia merangkumi panduan tentang peristiwa yang perlu direkodkan, berapa lama masa untuk menyimpannya dan cara memastikan integriti dan ketersediaannya supaya ia boleh digunakan untuk audit, siasatan insiden atau tuntutan daripada individu yang terjejas. Penggunaan mekanisme penyulitan yang sesuai disyorkan untuk melindungi integriti log.

Satu lagi panduan memberi tumpuan kepada pengawasan pasca pasaran. Dokumen ini menerangkan proses yang diperlukan untuk memantau prestasi sistem selepas penggunaan , mengumpulkan maklum balas pengguna, mengesan insiden, melaraskan model jika risiko baharu muncul dan melaporkan kepada pihak berkuasa apabila sesuai.

Bahagian teknikal dilengkapi dengan panduan pengurusan insiden, yang menerangkan cara melaporkan insiden serius yang berkaitan dengan sistem AI berisiko tinggi dan panduan dokumentasi teknikal. Panduan dokumentasi teknikal menggariskan keperluan kandungan dan struktur untuk dossier teknikal yang akan menunjukkan pematuhan sebelum sistem diletakkan di pasaran atau digunakan.

Senarai Semak: Daripada Kertas kepada Tindakan dalam Perniagaan

Di samping garis panduan tersebut, AESIA telah menerbitkan manual senarai semak dan contoh senarai semak berstruktur dalam format Excel. Tujuannya bukanlah secara teori, tetapi sebaliknya untuk berfungsi sebagai alat operasi supaya organisasi dapat menilai sendiri tahap pematuhan sistem AI berisiko tinggi mereka.

Senarai ini mengikuti logik yang sama seperti panduan keperluan. Bagi setiap dua belas keperluan RIA utama, satu set soalan, bukti dan medan untuk dilengkapkan disertakan , yang membantu menjalankan penilaian kendiri yang berstruktur dan konsisten. Fail ini merangkumi tab maklumat dengan arahan penggunaan dan konteks, serta lembaran kerja untuk memasukkan maklumat khusus tentang setiap sistem.

Ideanya ialah syarikat bukan sahaja harus "menanda kotak", tetapi sebaliknya menggunakan alat tersebut untuk membina pelan penyesuaian yang tulen. Penilaian kendiri harus menghasilkan pelan tindakan yang realistik yang mengutamakan risiko dan langkah berdasarkan impak dan usaha — sesuatu yang amat penting bagi organisasi yang mempunyai sumber yang terhad.

Pendekatan ini amat berguna terutamanya pada masa tarikh akhir kelihatan panjang tetapi kerjanya sengit. Kewajipan peraturan AI yang paling mencabar akan mula berkuat kuasa pada Ogos 2026, tetapi semakan proses dalaman, model data dan tadbir urus tidak berlaku dalam sekelip mata , jadi mereka yang berjaya akan mempunyai lebih banyak kelonggaran dan kurang improvisasi.

Tambahan pula, penggunaan senarai semak yang sistematik memudahkan pasukan yang sangat berbeza (perundangan, keselamatan siber, IT, produk, data) untuk bertutur dalam bahasa yang sama. Apabila semua orang bekerja dengan kriteria dan tahap bukti yang sama, gangguan dalaman, kelewatan dan reka bentuk semula yang tidak perlu dapat dikurangkan , yang biasanya diterjemahkan secara langsung kepada penjimatan kos dan kurang masalah dalam projek AI.

Kod amalan baik untuk model AI tujuan umum

Walaupun Sepanyol sedang mencapai kemajuan dengan garis panduan Sandbox dan AESIA, satu lagi instrumen penting sedang dibangunkan di peringkat Eropah: Kod Amalan Baik untuk AI Tujuan Umum (GPAI). Pejabat AI Eropah telah menyelaraskan proses penyertaan dengan hampir seribu pihak berkepentingan untuk membangunkan kod ini, yang melengkapi kewajipan Akta AI untuk penyedia model tujuan umum.

Model AI tujuan umum ialah model yang mampu melaksanakan pelbagai tugas yang berbeza dan menyokong pelbagai sistem dan aplikasi. Sebahagian daripada model ini boleh menjana risiko sistemik jika ia sangat berkuasa atau meluas di pasaran , oleh itu penggubal undang-undang Eropah telah menetapkan keperluan khusus untuk ketelusan, hak cipta dan keselamatan.

Kod ini, yang dikemukakan kepada Suruhanjaya Eropah pada 10 Julai 2025, merupakan alat sukarela, tetapi mempunyai kelebihan yang jelas. Pembekal yang mematuhi Kod ini boleh menggunakannya untuk menunjukkan pematuhan terhadap obligasi Artikel 53 dan 55 RIA , sekali gus mengurangkan beban pentadbiran dan meningkatkan kepastian undang-undang mereka berbanding penyelesaian ad hoc.

Dokumen ini distrukturkan kepada tiga bahagian utama: ketelusan, hak cipta dan keselamatan/perlindungan. Berkenaan ketelusan, Kod ini menyediakan borang dokumentasi model standard yang mengumpulkan maklumat penting tentang keupayaan, batasan, data latihan, pengujian dan pengesahan . Maklumat ini mesti dikemas kini dan tersedia kepada pihak berkuasa dan penyedia hiliran atas permintaan.

Berkenaan hak cipta, Kod ini menterjemahkan perundangan harta intelek Eropah ke dalam konteks AI. Ia mengesyorkan langkah-langkah khusus seperti mengehadkan perayapan web kepada kandungan yang boleh diakses secara sah, menghormati tempahan hak cipta melalui robots.txt atau metadata, mengecualikan domain yang melanggar dan mewujudkan dasar hak cipta dalaman yang jelas , menetapkan pihak yang bertanggungjawab dan saluran aduan.

Bahagian ketiga membincangkan model AI tujuan umum dengan risiko sistemik, yang bermaksud model yang keupayaan berimpak tingginya boleh memberi kesan yang ketara terhadap pasaran EU. Ia mencadangkan prinsip pengurusan kitaran hayat yang komprehensif, perkadaran dengan tahap risiko, inovasi dalam keselamatan dan penerapan prinsip berjaga-jaga , terutamanya apabila masih terdapat data saintifik yang tidak mencukupi untuk menilai sepenuhnya bahaya tertentu.

Kod ini juga memberi tumpuan kepada PKS yang membangunkan model canggih. Ia menyokong laluan pematuhan yang dipermudahkan untuk pembekal kecil, dengan syarat tahap perlindungan yang dijangkakan dikekalkan , dan memperincikan obligasi seperti pemberitahuan insiden serius atau dokumentasi tindakan pencegahan sebelum insiden tersebut berlaku.

Instrumen ini tidak statik. Teks itu sendiri memperuntukkan semakannya sekurang-kurangnya setiap dua tahun, supaya ia boleh dikemas kini berdasarkan perkembangan teknologi, kemunculan risiko baharu atau pengalaman yang diperoleh daripada mengaplikasikan RIA di lapangan.

Templat untuk meringkaskan data latihan

Selari dengan Kod Amalan Baik, Pejabat AI Eropah telah membangunkan templat khusus untuk meringkaskan data latihan yang mesti diumumkan oleh penyedia model AI tujuan umum. Kewajipan ini, yang ditetapkan dalam Perkara 53.1(d) RIA, bertujuan untuk memperkukuh ketelusan dan menghormati hak cipta dalam latihan model.

Untuk membangunkan templat ini, Pejabat ini telah mengumpulkan input melalui rundingan pelbagai hala, dan menerima lebih 430 respons daripada pelbagai pihak berkepentingan. Idea awal juga telah dikaji semula dalam rangka kerja proses Kod Amalan Baik, dengan input daripada pembekal, pakar, wakil Negara Anggota dan Parlimen Eropah , sebelum penerimaan rasminya pada Julai 2025.

Templat ini berkait rapat dengan bab ketelusan Kod dan mencari keseimbangan yang halus. Di satu pihak, ia memerlukan ringkasan yang cukup terperinci untuk pihak ketiga memahami secara munasabah jenis data yang telah digunakan ; di pihak yang lain, ia menghormati kerahsiaan maklumat perniagaan sensitif dan tidak memerlukan pendedahan setiap elemen tertentu dalam set data.

Dalam praktiknya, alat ini memupuk budaya dokumentasi yang lebih matang dalam kalangan penyedia model tujuan umum. Mereka yang melatih model besar dengan jumlah data yang sangat besar perlu memahami dengan jelas sumber data, lesen yang mengawal penggunaannya dan bagaimana semua ini akan tercermin secara luaran , baik untuk mengurus risiko undang-undang mahupun untuk membina kepercayaan dalam ekosistem yang dibina berdasarkan model tersebut.

Sekali lagi, penekanannya bukan sekadar formalistik. Ketelusan dalam data latihan bukan sekadar tentang pematuhan; ia juga membolehkan perbincangan yang jujur ​​tentang potensi bias, had penggunaan yang munasabah dan jangkaan prestasi yang realistik apabila model ini disepadukan ke dalam penyelesaian untuk industri kritikal atau pengguna akhir berskala besar.

Audit alat AI dan visi strategik untuk eksekutif

Selain daripada kewajipan kawal selia semata-mata, banyak organisasi sedang mempertimbangkan cara untuk menilai pulangan pelaburan sebenar inisiatif AI mereka pada tahun 2025. Tidak cukup hanya dengan menggunakan model dan ejen pintar; adalah perlu untuk mengaudit sama ada ia menjana nilai sebenar, sama ada ia selamat dan sama ada jumlah kos pemilikan mereka masuk akal berbanding alternatif teknologi lain.

Audit alat AI yang direka bentuk dengan baik membolehkan CEO, CIO dan eksekutif lain memisahkan gembar-gembur pemasaran daripada hasil yang ketara. Analisis jenis ini mengkaji semula sejauh mana setiap kes penggunaan sejajar dengan objektif perniagaan, mengukur faedah yang dijangkakan dalam produktiviti, pengurangan ralat atau penjanaan pendapatan dan menganalisis risiko teknikal dan kawal selia seperti berat sebelah, kelemahan keselamatan siber atau ketidakpatuhan RIA.

Dalam konteks ini, metrik yang sangat spesifik menjadi relevan: penjimatan masa kitaran, pengurangan kos operasi, peningkatan penukaran, ketepatan model dalam pengeluaran, kos setiap transaksi dan penjimatan yang disebabkan oleh automasi. Petunjuk risiko juga dinilai, seperti kerentanan yang dikesan dalam ujian keselamatan, tahap pematuhan peraturan dan kemungkinan pergantungan yang berlebihan pada vendor tunggal (penguncian vendor).

Syarikat yang melengkapi AI dengan penyelesaian risikan perniagaan dan visualisasi, seperti papan pemuka yang menggunakan alatan Power BI, memperoleh pandangan yang lebih jelas tentang impaknya. Memusatkan data prestasi, kos dan risiko dalam papan pemuka yang mudah difahami oleh pihak pengurusan memudahkan pembuatan keputusan berasaskan bukti , daripada bergantung pada intuisi atau trend teknologi yang sekejap.

Secara selari, penyepaduan dengan infrastruktur awan (AWS, Azure atau lain-lain) dan anggaran tepat jumlah kos pemilikan merupakan komponen utama analisis. Pemahaman yang menyeluruh tentang kos latihan, inferens, penyimpanan dan penyelenggaraan dalam awan, serta mekanisme keselamatan yang berkaitan, adalah asas bagi AI untuk benar-benar menyokong strategi dan tidak menjadi perbelanjaan mahal yang sukar untuk dijustifikasikan. Untuk keputusan mengenai sandaran dan perlindungan data awan, rujuk perbandingan sandaran awan dan di premis.

Pendek kata, pengauditan AI bukan lagi satu kemewahan tetapi satu keperluan strategik. Mereka yang menggabungkan pendekatan yang ketat terhadap pematuhan RIA dengan pengukuran ROI teknologi yang jujur ​​akan berada pada kedudukan yang lebih baik untuk memanfaatkan kecerdasan buatan secara mampan , baik dari segi ekonomi mahupun reputasi dan kepercayaan sosial.

Keseluruhan ekosistem garis panduan, kod sukarela, templat ketelusan dan amalan pengauditan ini akan membentuk rangka kerja baharu untuk keselamatan dalam persekitaran pembangunan AI menjelang 2025. Organisasi yang mula menginternalisasikan alatan ini, menggunakannya secara sistematik dan mengintegrasikannya ke dalam tadbir urus teknologi mereka akan mempunyai peluang yang lebih besar untuk menjadikan peraturan sebagai kelebihan daya saing , menunjukkan bahawa adalah mungkin untuk berinovasi dalam AI secara bertanggungjawab, selamat dan selaras dengan hak asasi manusia.