简要回答： 人工智能应对检验证据进行分类、指出缺漏并向专家提供建议。符合性决定、关键发现的解释、例外接受和报告发布，则必须在具备相应能力的人员作出可追溯批准后才能完成。
为什么应按任务划定边界？
仅问“我们是否使用人工智能”还不够。真正需要明确的是系统执行什么任务，以及错误输出会造成什么后果。将照片匹配到正确工单，与判断设备是否适合使用，属于不同的风险类别。
ISO 于 2026 年 3 月发布的 ISO/IEC 17020:2026以检验机构的能力、公正性和一致运作为基础；新版还突出基于风险的思维以及数据和信息控制。由此得出的技术要求是：人工智能输出应设计为受控的流程输入，不能成为替代检验方法和胜任人员的独立决定。
人工智能在哪些任务中能够安全创造价值？
最适合的是输出可撤回、且专家能够轻松返回原始证据的辅助任务。不接受系统建议不应破坏工作流程；置信度低、数据漂移或证据缺失时，应自动创建待复核任务。
- 记录完整性检查： 在报告发布前标出必填字段、照片、设备记录、人员能力和时间戳中的缺漏。
- 异常优先级排序： 从大量测量数据或图像中筛选并排序需要专家优先查看的可疑记录，但不作出“存在缺陷”的判定。
- 文件与证据匹配： 将现场照片关联到设备、检查点和工单；不确定的匹配交由人工处理。
- 生成草稿： 根据已批准字段生成报告摘要或发现草稿；无法指出来源的句子不予发布。
- 计划支持： 依据工作量、位置和时间数据建议路线或顺序，但不能绕过能力、独立性和设备适用性等硬性规则。
NIST AI RMF 1.0 现行在线核心框架要求明确人类与人工智能的角色，记录系统的知识边界，定义人工监督流程，并在部署前和使用中测试系统。落实到 VizyonTech 工作流程中，就是在同一审核轨迹中保留模型版本、输入证据、置信度或异常状态以及人工操作。
哪些环节必须保留人工批准？
如果输出影响安全、法规符合性、认可范围、客户权益或报告的正式性质，人工参与就不能只是象征性地点击“批准”。具备相应能力的人员应能访问原始证据、拒绝建议、记录理由并停止流程。
| 任务 | 人工智能的角色 | 人工把关环节 | 条件不满足时的阻断行为 |
|---|---|---|---|
| 照片与记录分类 | 提出建议 | 核实低置信度的匹配 | 匹配不明确时，记录不能结案 |
| 异常筛查 | 确定优先级 | 解释原始证据并形成检验发现 | 模型结果本身不能认定为缺陷 |
| 测量结果接受 | 一致性或限值警告 | 评估方法、设备和条件的适用性 | 可追溯性不完整时，结果不可使用 |
| 符合性决定 | 汇总证据 | 由具备能力的人员作出技术决定 | 没有人工批准，不形成决定 |
| 例外或偏离 | 提示风险 | 由授权人员说明理由后接受或拒绝 | 没有有期限且有记录的批准，流程即停止 |
| 报告发布 | 草稿与完整性检查 | 技术批准及必要时的签署 | 未经批准的版本不得对外开放 |
欧盟《人工智能法案》2024/1689 第 14 条规定，高风险系统的监督人员应能够理解系统的能力与限制，警惕自动化偏见，解释并推翻输出，以及停止系统。本文并非认定所有检验中的人工智能应用在法律上都属于“高风险”，而是将这些能力作为关键检验决策的有力设计检查清单。
如何使人工批准成为真正的控制？
在批准界面填写一个姓名并不够。有效控制需要让职责、权限和证据在同一处汇合：
- 预先定义角色： 将谁可以在哪种方法、范围和决定类型下批准，与相应能力记录关联。
- 展示原始证据： 专家不仅应能查看人工智能摘要，还应能看到照片、原始测量、设备、方法和以往修订。
- 不要隐藏不确定性： 在审核轨迹中保留模型版本、评估时间、性能阈值和低置信度原因。
- 确保可以拒绝： 修改建议、拒绝建议、转交二次复核及紧急停止的权限，都应实际可用。
- 衡量自动化偏见： 定期审查人员在无证据支持下接受建议的频率，以及漏检和误报案例。
面向检验机构的 ILAC P15:05/2020是说明 ISO/IEC 17020:2012 在认可中如何应用的现行 ILAC 文件。即使 ISO 已发布 2026 版，仍应另行核实机构的过渡计划及其认可主管机构的现行规定。因此，软件不能假定标准版本固定不变，而应允许配置方法、范围和过渡规则。
如何保护数据安全与隐私？
不应未经控制地将现场照片、客户信息、人员记录和报告内容发送给通用模型。KVKK 于 2025 年 11 月 24 日发布的 《生成式人工智能与个人数据保护指南》强调以人为本、透明且可审核的方法，并要求在个人数据处理的整个生命周期中进行评估。
技术实施应同时建立数据最小化、基于角色的访问、传输目标记录、保存期限、第三方供应商评估，以及删除或匿名化流程。模型的输入与输出不应形成脱离访问控制的独立影子档案库。
VizyonTech 工作流程中的控制架构示例
Vizyon Periyodik 等以现场作业为核心的流程中，人工智能层可在工单、人员能力和设备检查之后，评估证据完整性并确定异常处理优先级。但技术决定、版本锁定和报告发布应继续由现有授权批准链控制。同样，在 NDT 报告管理 中，各方法专属的原始证据应独立于人工智能摘要保存。
最低限度的审核轨迹应包括工单标识、数据来源、模型及规则版本、时间、建议、置信度或异常信息、人工查看的证据、接受或拒绝操作、理由，以及已发布报告的版本。模型不可用时，关键决策流程应能以安全的人工方式继续；不得在证据不完整时自动发布。
证据矩阵
| 论点 | 来源 | 日期或版本 | 在 VizyonTech 中的对应做法 | 技术效果 |
|---|---|---|---|---|
| 检验可信度建立在能力、公正性和一致运作之上 | ISO，ISO/IEC 17020 | 2026 年，第 3 版；更正版为 2026 年 6 月 | 人工智能作为辅助层 | 符合性决定仅由具备相应能力的角色作出 |
| 应记录人类与人工智能的角色、边界和监督方式 | NIST AI RMF 核心框架 | AI RMF 1.0，2023 年；在线来源访问于 2026 年 | 角色、模型、输入及操作轨迹 | 建议可以被拒绝和测试 |
| 在关键监督环节，人员应能推翻输出并停止系统 | 欧盟 2024/1689 第 14 条 | 2024 年；实施时间表因用途和范围而异 | 人工覆盖决定、停止和二次复核 | 建立有效控制，而非象征性批准 |
| ISO/IEC 17020 在认可中的应用另有解释文件 | ILAC P15 | 05/2020 | 配置版本与过渡规则 | 不自行假定新旧标准的过渡安排 |
| 应在人工智能整个生命周期中评估个人数据影响 | KVKK 生成式人工智能指南 | 24.11.2025 | 数据最小化、访问和保存控制 | 现场数据不会未经控制地传给模型 |
最终判断
良好的检验人工智能设计，比“让人参与循环”的口号更具体：它加快低风险的准备工作，将关键决定交给具备能力的人员，并把双方的每项操作与证据关联。首次试点只选择一项任务，在投入生产前书面明确错误代价、退出条件、人工权限和成功标准。
参考来源
- ISO — ISO/IEC 17020:2026，合格评定 — 对从事检验的机构的要求 （2026 年 3 月；英文更正版于 2026 年 6 月发布）。
- ILAC — ILAC P15:05/2020，ISO/IEC 17020:2012 在检验机构认可中的应用.
- NIST — 人工智能风险管理框架（AI RMF 1.0），NIST AI 100-1 （2023 年 1 月 26 日）。
- NIST AIRC — AI RMF 核心框架：治理、映射、测量、管理.
- EUR-Lex — 欧盟条例（EU）2024/1689，特别是第 14 条 （2024 年 6 月 13 日）。
- 个人数据保护局 — 生成式人工智能与个人数据保护指南（15 问） （2025 年 11 月 24 日）。