想象你买了一辆自动驾驶汽车，深夜在高速上疾驰。它可能突然把路牌误判成行人急刹车，可能因为传感器异常把白线看丢，更倒霉的是，车联网系统被黑客攻破，你的出行数据被拖走。车子出了问题，你不光要修自己，还得赔别人、挨监管罚单——这时候，你会不会想给这辆车买份保险？ AI 系统和企业现在正是这个局面。企业在生产环境部署一个大模型当“自动驾驶司机”，它代替你做决策、处理用户数据、生成内容，但它也会犯错：可能带着偏见拒绝某类用户的贷款，可能在医疗建议上判断失误，可能让训练语料里的敏感数据悄悄溜出来。这些错，轻则罚款，重则让企业赔到破产。AI 保险（AI Liability Insurance）就是专门为这些“AI 闯的祸”兜底的商业产品，它围绕模型偏差歧视、决策失误、数据泄露三类核心风险，提供不同承保范围、免赔额和保费方案。 这篇文章就像一次“4S 店保险选购指南”：先带你认识 AI 有哪些风险值得买保险，再看看货架上的产品各保什么，接着看懂合同里免赔额和保额的弯弯绕，然后揭秘保险公司怎么给 AI 做体检定保费，最后帮你搭一套企业选保决策框架。跟着这份指南，你就能从“给 AI 裸奔”升级为“给 AI 上保险”。

岗位关联

对 AI 从业者而言，理解 AI 保险是合规工程化的最后一公里：它把技术风险翻译成财务语言，让你既能用保险对冲模型风险，又能在企业采购决策时说清方案差异。

目录
  1. 可视化演示
  2. 风险类型识别：AI 可能闯的三种祸
  3. 产品类型概览：货架上的四份保单
  4. 条款核心差异：合同里的弯弯绕
  5. 风险评估方法：保险公司怎么给 AI “体检”
  6. 精算定价模型：保费是怎么算出来的
  7. 企业决策框架：怎么选合适保单
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态展示偏差歧视/决策失误/数据泄露三类AI风险的保险评估流程，风险经精算模型定价输出保费/免赔额/责任上限，切换风险类型观察承保差异。

本节配有交互动效（进入视口后自动加载，约 3KB）。

风险类型识别：AI 可能闯的三种祸

把 AI 系统想象成一台自动驾驶汽车，它替企业“开车上路”，但路上什么情况都可能发生：摄像头把白色货车误认为白云导致急刹，导航把单行道当双行道开，车载系统被黑客入侵泄露了车主位置。对应到 AI 系统，这三类事故演变成三类典型风险——模型偏差歧视、决策失误责任、数据泄露，它们是 AI 保险产品设计的原点和分界。

在买车险前，我们先得知道车会出哪些事。AI 保险也一样，第一步是认识风险。模型偏差歧视指 AI 因为训练数据或算法设计，对特定人群（性别、种族、年龄等）给出系统性不公平结果；决策失误责任指 AI 在医疗、金融、驾驶等场景下的输出导致用户或第三方实际损失；数据泄露是指训练语料、推理接口或日志中被套出敏感个人信息的风险。

三种风险可以量化成三个维度分数，再加权成一个综合风险评分。保险公司用这个分数决定是否承保、收多少保费。设 B 为偏差风险分（0-100），F 为失误风险分，D 为泄露风险分，权重 w 表示该风险在企业整体暴露中的重要性。

就像车险公司会查看车辆事故记录定保费，保险公司通过这三个分数给 AI 做“风险体检”。分数越高，代表 AI 越像一位“爱闯祸的司机”，保费自然水涨船高，甚至可能被拒保。

RiskScore=w1×Bbias+w2×Ffailure+w3×Dleak\displaystyle \text{RiskScore} = w_1 \times B_{\text{bias}} + w_2 \times F_{\text{failure}} + w_3 \times D_{\text{leak}}
这个公式把一个 AI 系统的“闯祸潜力”压缩成一个 0-100 的数字，数字越高，保险公司越紧张，报价越贵。
  1. 偏差风险分由公平性审计得出，衡量模型对敏感人群预测结果的差异程度，差异越大分数越高。
    BbiasB_{\text{bias}}
  2. 失误风险分由链路测试与对抗验证得出，衡量边界条件下系统出错的概率与后果严重度。
    FfailureF_{\text{failure}}
  3. 泄露风险分由隐私影响评估得出，衡量训练数据和接口中敏感信息暴露的可能性。
    DleakD_{\text{leak}}
  4. 加权求和三个权重之和为 1，表示三者在整体风险中的相对重要性，权重越大代表该类风险的财务影响越大。
    ∑i=13wi=1\displaystyle \sum_{i=1}^{3} w_i = 1

产品类型概览：货架上的四份保单

回到 4S 店保险柜台，货架上摆着不同险种：划痕险管车身小伤，三者险管撞了别人，盗抢险管车被偷。AI 保险的货架也类似，围绕第一节的三类风险，衍生出四类主力产品。

算法歧视责任险，保的是模型因偏见输出导致用户或机构遭受的名誉与经济损失，以及应诉产生的法律费用，类似“AI 版划痕险”；AI 决策失误责任险，保的是 AI 建议或自动决策引发第三方人身或财产损失，类似“AI 版三者险”；数据泄露安全险，覆盖隐私泄露后的通知、信用监控、监管罚款和法律费用，类似“AI 版盗抢险”；综合 AI 责任险则把三类风险打包，提供一揽子保障，类似“全险”。

不同产品最直观的区别是承保范围的覆盖率。把企业所有风险敞口视为一个集合，某个产品只覆盖其中的子集。覆盖率越高，自留风险越少，但保费也越高。假设企业识别出 N 类风险，某保单覆盖了其中 N_covered 类：

买划痕险不会赔被盗，买盗抢险不会赔三者——保险始终遵循“合同白名单”原则。理解这一点是选产品的前提：先把企业风险画像画清楚，再看哪份保单的白名单与你最匹配。

Coverage=NcoveredNtotal\displaystyle \text{Coverage} = \frac{N_{\text{covered}}}{N_{\text{total}}}
Coverage 越接近 1，说明这份保单越是“全险”；越接近 0，说明它只保了一小撮风险。
  1. 承保风险数该保单条款中明确列明可赔付的风险种类数量，比如只保歧视、不保泄露。
    NcoveredN_{\text{covered}}
  2. 全部风险数企业通过风险画像识别出的全部 AI 相关风险种类总数。
    NtotalN_{\text{total}}
  3. 覆盖率比值两者相除得到一个 0 到 1 的小数，小数越高，保障越全面。
    NcoveredNtotal\displaystyle \frac{N_{\text{covered}}}{N_{\text{total}}}

条款核心差异：合同里的弯弯绕

买车险时，同样的险种不同公司报价差别巨大，核心差异藏在合同里：承保范围、免赔额、保费定价方式、责任上限。这四个条款决定了保单实际值多少钱。

承保范围规定了“白名单”细节，比如歧视险是否包含第三方歧视控告、是否包含律师费；免赔额类似车险的“500 元以内自己修”，即损失低于 D 时企业全自付，超过 D 的部分按赔付比例 r 赔付；保费定价模式分为按年固费和按 API 调用量或模型部署数浮动的计量费率；责任上限则规定了单次赔付上限 U_single 和累计责任上限 U_accum。

在损失 L、免赔额 D、赔付比例 r 下，企业期望自付成本可用下式表达：

理解自付公式就会发现，低保费不等于低自付——免赔额设得高的产品，年缴保费低，但真出险时企业自付的窟窿可能更大。和选车险一样，别只看单价，要看全方位成本。

Cself=min⁡(L,D)+(1−r)×max⁡(0,L−D)\displaystyle C_{\text{self}} = \min(L, D) + (1 - r) \times \max(0, L - D)
这个公式是看 AI 保险合同时最该盯住的“算账口诀”：先扣免赔额，剩下的按比例自付一部分。
  1. 免赔额内自付当损失不超过免赔额时，企业完全自掏腰包，保险公司不赔。
    min⁡(L,D)\min(L, D)
  2. 超免赔额部分损失减去免赔额后剩下的部分，才是保险公司参与分摊的范围。
    max⁡(0,L−D)\max(0, L - D)
  3. 自付比例赔付比例 r 是保险公司承担的比例，1 减去 r 就是企业在超出免赔额部分仍需自担的比率。
    (1−r)(1 - r)
  4. 自付总额免赔额内自付加上超免赔额的共保自付，就是企业真金白银付出的期望成本。
    Cself\displaystyle C_{\text{self}}

风险评估方法：保险公司怎么给 AI “体检”

保险公司给 AI “体检”，比给车体检要复杂得多。车可以看里程和保养记录，AI 却没有“驾龄证明”，保险公司必须用一整套方法来评估风险，就像 4S 店的技师既看刹车片磨损，又读行车电脑故障码，还要试驾跑一圈。

主流的评估工具箱有四件：公平性偏差审计，用统计检验检测模型在敏感属性上的预测差异，相当于查“刹车片是否偏磨”；模型测试与红队验证，用故障注入、对抗样本、边界条件做压力测试，相当于“极端天气试驾”；数据隐私影响评估，扫描训练语料中的个人身份信息（PII）并评估接口反演风险，相当于检查“行车记录仪是否泄露车内对话”；最后把所有维度映射进统一的风险评分体系。

多维指标最终汇总成一个综合评分。设第 i 个维度的得分为 s_i，权重为 w_i，综合风险评分 S 为：

体检越细致，定价越精确。这就像保险公司给装了防碰撞系统、行车记录仪的车主折扣——AI 系统治理水平越高（可解释性、监控、审计日志齐备），风险评分越低，保费也就越低。

S=∑i=1nwisi,其中∑i=1nwi=1\displaystyle S = \sum_{i=1}^{n} w_i s_i, \quad \text{其中} \sum_{i=1}^{n} w_i = 1
风险评分就是把多个维度的“体检指数”加权揉成一个总分，权重代表各维度在整体风险里的分量。
  1. 维度得分第 i 个评估维度标准化后的 0-100 分，例如公平性审计输出 80 分表示偏差很严重。
    sis_i
  2. 维度权重每个维度对整体风险的重要性占比，权重由行业损失数据和监管要求共同决定。
    wiw_i
  3. 加权求和把每个维度的得分乘上权重再相加，得到综合风险评分 S。
    ∑i=1nwisi\displaystyle \sum_{i=1}^{n} w_i s_i
  4. 权重归一化所有权重加起来等于 1，确保综合评分 S 也落在 0-100 的区间里，方便横向比较。
    ∑i=1nwi=1\displaystyle \sum_{i=1}^{n} w_i = 1

精算定价模型：保费是怎么算出来的

体检结果出来，精算师就要出场了。精算师的工作，和 4S 店金融专员算月供类似：先估计车一年内出险几次、每次修车花多少钱，再决定月供收多少。AI 保险的定价逻辑完全一致，只是把“出险”换成了“AI 事故”。

用历史损失数据估计期望赔付次数 E[N]（赔付频率）和单次期望赔付金额 E[S]（赔付严重度），两者相乘得到覆盖期望赔付成本的“纯保费”。纯保费之外，还要摊入保险公司运营费用、销售佣金和风险附加，即费用率 e。毛保费就是纯保费除以（1 - 费用率）：

E[N] × E[S] 就是精算师眼里的“风险原价”，除以（1 - e）是厚道的零售价。把这个逻辑延伸开，就不难理解为什么高风险 AI 的保费昂贵——保险公司的报价本质上是对技术风险的财务翻译。

P=E[N]×E[S]1−e\displaystyle P = \frac{\mathrm{E}[N] \times \mathrm{E}[S]}{1 - e}
分子是“风险原价”，分母是“零售加成”。精算师把期望损失和经营成本一起揉进了你每年缴的保费里。
  1. 期望赔付频率一年内 AI 系统出险次数的期望值，比如 0.2 次/年，等价于平均五年出一次险。
    E[N]\mathrm{E}[N]
  2. 期望赔付严重度单次出险平均赔多少钱，由理赔数据和法律判例估算，例如平均每次 50 万元。
    E[S]\mathrm{E}[S]
  3. 纯保费频率乘以严重度，理论上恰好覆盖期望赔付成本的“裸保费”。
    E[N]×E[S]\displaystyle \mathrm{E}[N] \times \mathrm{E}[S]
  4. 费用率折扣e 是运营费用率加安全附加率的总和，除以（1 - e）把成本摊回保费中，e 越大保费越贵。
    11−e\displaystyle \frac{1}{1 - e}

企业决策框架：怎么选合适保单

买车险，新手往往被推销“全险”，老司机则按自己水平只买部分险种。AI 保险决策也一样：没有最好的产品，只有最匹配的产品。企业的目标不是“买最贵的”，也不是“买最便宜的”，而是让风险转移的性价比最大化。

决策的关键是先算清楚期望总成本。无论买哪份保单，企业真实付出 = 保费 + 期望自付损失。把前面自付公式放进来，对企业所有可能的损失场景求期望，就得到选保总成本。同时还要检查保额上限是否覆盖最大可承受损失——如果最大潜在损失是 800 万，而保单累计上限只有 500 万，那 300 万的缺口仍需自己扛：

保险只是风险转移的手段，不是风险的终结者。企业最优策略排序是：先治理（降低风险评分），再转移（买保险兜底），最后自留（承担残余小风险）。就像老司机买了三者险仍小心驾驶——保险是安全感，不是免死金牌。

TC=P+E[min⁡(L,D)+(1−r)×max⁡(0,L−D)]\displaystyle TC = P + \mathrm{E}\left[\min(L, D) + (1 - r) \times \max(0, L - D)\right]
这个公式告诉你：买保险并不是“保费越少越赚”，而是“保费 + 期望自付”的总账最划算才赚。
  1. 年度保费每年固定缴纳给保险公司的钱，是决策的第一个成本项。
    PP
  2. 期望损失自付对所有可能风险场景，用前文自付公式计算企业自掏腰包的部分，再按发生概率求期望。
    E[min⁡(L,D)+(1−r)×max⁡(0,L−D)]\displaystyle \mathrm{E}\left[\min(L, D) + (1 - r) \times \max(0, L - D)\right]
  3. 总额比选在同等保障条件下，选择让 TC 最小的产品，且单次和累计责任上限不低于企业最大可承受损失。
    min⁡TC\displaystyle \min TC

AI 应用场景

AI 保险公司的智能核保平台

阶段：风险评估与承保定价

解决的问题：传统人工审核无法量化算法偏见等新型 AI 风险，核保人员面对模型架构和训练数据往往无从下手，导致要么拒保要么盲目定价。用公平性审计工具和自动风险评分系统，把企业模型快速换算成风险分数和保费报价。

具体案例：某保险科技公司上线智能核保平台，投保企业提交模型卡片、数据审计报告和系统日志，平台 48 小时内输出含偏差分、失误分、泄露分的四维风险评分卡，并自动生成三档保费方案。一家信贷模型企业因性别偏差指标过高被加价 40%，补充再训练材料后重新评估获得折扣。

企业投保前的 AI 风险自评

阶段：风险画像与保额测算

解决的问题：企业不知道自己该买多少保额、买哪类产品，容易要么过度投保浪费预算，要么保障不足风险裸奔。用风险评估方法给自家 AI 系统打分，再对照保额缺口测算框架做决策。

具体案例：一家医疗影像 AI 公司在采购保险前用偏差审计工具自测，发现模型对深肤色人群误诊率偏高，风险评分达 72 分。团队先做针对性再训练和重测，评分降到 45 分后再投保，年度保费下降 35%，同时拿到了更低的免赔额。

保单生效后的持续合规联动

阶段：持续治理与动态风控

解决的问题：保单生效后，企业如果偷偷换模型或改训练数据，风险可能悄悄升高。保险公司需要持续监控投保 AI 系统的风险变化，否则理赔时容易产生纠纷。用自动化监控平台扫描模型接口和部署日志，风险超阈值时触发重新评估。

具体案例：某保险公司与 MLOps 平台打通数据链路，投保企业的模型每次更新都会自动触发轻量级公平性扫描。一次某客户上线了新推荐模型，平台检测到年龄偏差指标上升 25%，系统自动预警并启动重新定价流程，避免了后续理赔争议。

Python 演示

python57 行
class AIRiskProfile:    def __init__(self, bias_score, failure_score, leak_score, weights):        self.bias_score = bias_score        self.failure_score = failure_score        self.leak_score = leak_score        self.weights = weights     def risk_score(self):        raw = (self.weights[0] * self.bias_score               + self.weights[1] * self.failure_score               + self.weights[2] * self.leak_score)        return max(0.0, min(100.0, raw))  class InsuranceProduct:    def __init__(self, name, base_premium, slope):        self.name = name        self.base_premium = base_premium        self.slope = slope     def quote(self, risk_score):        return self.base_premium + self.slope * (risk_score / 100.0)  class ActuarialPricing:    def __init__(self, avg_freq, avg_severity, expense_rate):        self.avg_freq = avg_freq        self.avg_severity = avg_severity        self.expense_rate = expense_rate     def pure_premium(self):        return self.avg_freq * self.avg_severity     def gross_premium(self):        return self.pure_premium() / (1.0 - self.expense_rate)  def main():    profile = AIRiskProfile(30.0, 45.0, 60.0, (0.3, 0.4, 0.3))    score = profile.risk_score()    print("综合风险评分: %.1f" % score)     products = [        InsuranceProduct("歧视责任险", 5.0, 30.0),        InsuranceProduct("决策失误险", 8.0, 45.0),        InsuranceProduct("数据泄露险", 6.0, 55.0),    ]    for p in products:        print("%s 年保费报价: %.1f 万元" % (p.name, p.quote(score)))     pricing = ActuarialPricing(0.12, 80.0, 0.25)    print("纯保费(期望损失): %.1f 万元" % pricing.pure_premium())    print("毛保费(含费用率): %.1f 万元" % pricing.gross_premium())  if __name__ == "__main__":    main()
目的：这是一个简化版 AI 保险报价器——先计算企业 AI 系统的综合风险评分，再让三类保险产品分别报价，最后用精算公式算出纯保费和毛保费，演示了正文中的风险评分、产品比价和精算定价三个环节。

常见误区

误区我以为买了一份“AI 全险”之后，模型任何形式的闯祸——歧视投诉、决策错误、数据泄露——保险公司都会照单全赔，就像给 AI 上了个无限责任的金钟罩。

正解保险只赔合同“白名单”里列明的风险。综合责任险虽然覆盖三类核心风险，但每类都有细致的除外条款：例如歧视险可能排除“明知偏见仍故意部署”的情形，失误险可能要求模型必须经过指定测试流程。就像车险不赔酒驾，保险的本质是承保“意外的疏忽”，不是为企业故意违规兜底。签合同前务必逐条核对承保范围、免赔额和除外责任。

为何常见：产品名字听起来很全面，销售话术也常强调“一站式保障”，容易让人忽略合同里密密麻麻的除外条款。

误区比价时我只看保费数字，哪家便宜选哪家，觉得反正都是 AI 保险，风险也差不多，省下来的钱就是赚到。

正解保费只是冰山一角。低保费往往对应高免赔额、低赔付比例或更窄的承保范围。按正文的自付公式，如果免赔额从 50 万提到 150 万，虽然年缴保费降了，但真出险时企业要多掏 100 万。正确做法是比较总成本 TC = 保费 + 期望自付损失，而不是单看保费标签。

为何常见：人天然对直观的价格标签敏感，而对“概率性支出”（期望自付损失）缺乏感知，这是行为经济学里经典的“确定性偏好”。

误区我觉得保险既然能兜底，就不需要再花大价钱做模型监控、公平性审计、隐私保护了，反正出事有保险公司赔。

正解保险是风险转移工具，不是风险消除工具。首先，保险公司的风险评分会动态评估你的治理水平，治理差评分高、保费贵甚至拒保；其次，理赔时保险公司会核查你是否履行了合同约定的治理义务，例如是否按时做偏差审计、是否记录模型变更。如果因治理缺失导致风险升高，赔款可能被折扣甚至拒赔。就像装了防碰撞系统的车主才有保费折扣——治理不仅是为了安全，也是为了让保险“买得起、赔得到”。

为何常见：把保险误解成“免死金牌”，混淆了风险转移和风险消除的本质区别。

误区我们公司 AI 风险评分很高，那直接买最贵的综合责任险总没错，保障全、心里踏实。

正解风险评分高说明系统本身的风险敞口大，保险公司对高评分客户要么提高保费、要么降低承保比例，综合险可能贵到失去性价比。理性的做法是优先做治理降险——优化偏差、补测试、加监控，把评分降下来再投保。这就像赛车手想买车险，保险公司不会因为你开快车就卖你便宜全险，而是先要求你加装防滚架、限速器。

为何常见：面临高风险时人倾向于“花钱买安心”，但忽略了保险是精算定价的——高风险对应高保费，先降险再投保才是成本最优路径。

面试题

Q1. AI 保险主要针对哪一类风险提供保障？

单选题 · easy

  • A.模型训练算力成本
  • B.模型偏差歧视损失← 正确答案
  • C.硬件设备折旧成本
  • D.员工培训外包费用

答案：B。AI 保险围绕三类核心风险设计：模型偏差歧视、决策失误责任和数据泄露。训练算力、硬件折旧、员工培训属于企业常规运营成本，不属于 AI 责任风险的承保范围。这就像车险保的是行驶中的风险，而不是油费和保养费。

Q2. 保险条款中的“免赔额”（Deductible）是指什么？

单选题 · easy

  • A.保险公司最高赔付金额
  • B.出险后企业先自付的金额← 正确答案
  • C.每年需要缴纳的保费
  • D.保险费率上调比例

答案：B。免赔额是损失发生后企业自己承担的部分，损失低于免赔额全部自付，超过部分保险公司才按比例赔付。责任上限才是保险公司的最高赔付额，保费是企业每年缴纳的费用，三者是合同里不同的概念。

Q3. 算法歧视责任险承保的核心场景是？

单选题 · mid

  • A.模型推理速度慢出故障
  • B.模型对特定人群输出不公← 正确答案
  • C.服务器宕机导致停服
  • D.训练数据集规模不足

答案：B。歧视责任险专门覆盖模型因偏见对敏感人群产生不公平结果而引发的赔偿与诉讼费用。推理速度、服务器宕机属于性能问题，数据规模不足更接近研发投入问题，三者都不是歧视险的白名单风险。

Q4. 精算定价中“纯保费”（Pure Premium）的计算方式是？

单选题 · mid

  • A.期望赔付频率乘以严重度← 正确答案
  • B.免赔额加上保单保额
  • C.保费减去运营费用
  • D.风险评分乘以保额

答案：A。纯保费 = 期望赔付频率 E[N] × 期望赔付严重度 E[S]，它只覆盖期望赔付成本，不含运营费用。毛保费才是纯保费除以（1 - 费用率）。这就像 4S 店金融专员先算风险成本，再加管理费和利润。

Q5. 在综合风险评分公式中，权重的主要作用是？

单选题 · mid

  • A.决定保险公司利润高低
  • B.反映各类风险的重要程度← 正确答案
  • C.固定所有企业统一标准
  • D.只影响免赔额高低

答案：B。权重 w_i 表示各风险维度（偏差、失误、泄露）在整体风险中的相对重要性，所有权重和为 1。不同行业的权重不同，例如金融机构更看重歧视风险，医疗企业更看重决策失误风险。权重与利润、免赔额没有直接关系。

Q6. 某 AI 系统发生损失 200 万元，保单免赔额 50 万元，赔付比例 80%，企业自付金额为？

单选题 · hard

  • A.50 万元
  • B.80 万元← 正确答案
  • C.30 万元
  • D.120 万元

答案：B。套用自付公式：先扣免赔额，min(200, 50) = 50 万元企业自付；超出免赔额部分为 200 - 50 = 150 万元，赔付 80% 后企业承担 20%，即 30 万元；合计自付 50 + 30 = 80 万元。这符合“先扣免赔，超出部分按比例共保”的保险逻辑。

Q7. 某 AI 产品年期望赔付频率 0.15 次/年，单次平均损失 200 万元，费用率 20%，毛保费约为多少？

单选题 · extreme

  • A.24 万元
  • B.30 万元
  • C.37.5 万元← 正确答案
  • D.40 万元

答案：C。纯保费 = 0.15 × 200 = 30 万元；毛保费 = 纯保费 ÷（1 - 费用率）= 30 ÷ 0.8 = 37.5 万元。费用率把运营、佣金和风险附加摊进保费，就像零售价要在进价基础上加价才能覆盖店铺成本。

Q8. 下列哪些属于 AI 保险的主要产品类型？

多选题 · mid

  • A.算法歧视责任险← 正确答案
  • B.决策失误责任险← 正确答案
  • C.数据泄露安全险← 正确答案
  • D.机房散热保修险

答案：ABC。AI 保险三类核心产品对应三类风险：歧视责任险保偏见损失，决策失误险保自动决策引发的第三方损失，数据泄露险保隐私泄露成本。机房散热属于基础设施运维，不属于 AI 责任风险承保范围，类似车险不保轮胎磨损。

Q9. 关于 AI 保险与合规治理的关系，下列说法正确的是？

多选题 · mid

  • A.保险可以替代日常合规审计
  • B.治理强化能压低保险费率← 正确答案
  • C.保险只能兜底不能免除责任← 正确答案
  • D.投保后无需再监控模型

答案：BC。治理水平直接影响风险评分，评分低则保费便宜；保险是风险转移工具，只能兜底经济损失，不能免除企业的合规责任。投保后模型变更仍需持续监控，否则可能触发理赔折扣条款。这就像装了行车记录仪才能拿保费折扣，但装了记录仪不代表可以危险驾驶。

Q10. 企业选择 AI 保险方案时，应考虑哪些关键因素？

多选题 · hard

  • A.自身风险画像← 正确答案
  • B.免赔额与保额比例← 正确答案
  • C.产品承保范围← 正确答案
  • D.员工平均工时

答案：ABC。决策框架要求企业先绘制风险画像，识别自己最重的三类风险；再对比各产品的承保范围、免赔额、赔付比例和责任上限；最后用总成本公式 TC = 保费 + 期望自付损失 比价。员工平均工时与 AI 责任保险的定价和条款无关。