上市公司信息披露：AI生成报告与人工审核的责任边界
发布日期：2026年03月22日
【摘要】 当前，人工智能在上市公司信息披露环节的应用已从辅助工具演变为深度参与主体，但技术介入程度与责任归属尚未形成清晰共识。本报告指出：AI生成内容本身不构成法律责任主体，其合规性最终取决于人工审核的实质有效性——即审核者是否具备充分的专业判断能力、是否履行了勤勉尽责的注意义务，以及是否对关键假设、逻辑链条和风险提示实施了实质性复核。实践中，过度依赖算法输出或流于形式的“点击确认”式审核，正悄然稀释法定披露责任，增加监管与声誉风险。报告强调，责任边界并非由技术使用与否划定，而取决于人在信息生成全流程中的控制力与干预深度：从指令设定、数据校验、异常识别到最终签发，每个环节的人为把关质量，共同构成合规防线。建议管理层将AI定位为增强型生产力工具，同步升级审核机制、人员能力与内控标准，确保技术增效不以责任模糊为代价。
【概览】
关键发现：
-
AI生成内容的合规性落脚点始终在人工审核的有效性，而非算法本身的精确度或自动化程度。
-
审核流于形式（如仅确认输出结果而未复核底层假设与逻辑）正成为信息披露失当的主要诱因之一。
-
责任边界随人在信息生成全流程中的实际干预深度动态变化，指令设定、数据输入、异常响应和签发决策共同构成责任锚点。
-
技术使用强度与法律责任强度之间不存在线性关系，关键取决于审核者是否实质性履行勤勉尽责义务。
核心建议：
-
建立分层审核机制，对AI生成报告按风险等级实施差异化复核，高敏感内容须由具备领域资质的人员执行穿透式验证。
-
将AI使用纳入信息披露内控流程，明确各环节人工干预的操作标准、留痕要求和问责触发条件。
-
开展常态化能力适配培训，重点提升审核人员对模型局限性的识别能力、关键参数的校验方法及风险提示的实质判断水平。
【引言】 近年来，随着生成式AI在财报摘要、ESG简报、重大事项公告等场景中的快速渗透，越来越多上市公司尝试将AI作为信息披露初稿的“智能协作者”。行业调研显示，超六成大型券商和四成中型上市公司已部署AI辅助撰写工具，但同期因表述歧义、数据口径偏差或合规要点遗漏引发的监管问询同比上升37%。这一矛盾凸显出技术效率与责任刚性之间的张力：AI能批量处理结构化信息、压缩编制周期，却无法替代对会计准则实质的理解、对监管语境的敏感判断，以及对未公开信息边界的审慎权衡。本报告不预设“人机对立”，而是立足信息披露“真实、准确、完整、及时”的法定底线，聚焦一个务实问题——当AI生成内容进入法定披露流程，责任链条如何在算法输出、人工复核、签字董监高及中介机构之间清晰锚定？我们基于对23家典型上市公司的实操访谈、17份监管处罚案例的归因分析，以及对《证券法》《信披管理办法》及最新AI治理指引的交叉解读，梳理出三类常见责任模糊地带：一是“一键生成即提交”导致的审核缺位；二是人工仅作格式校对而忽略逻辑校验；三是多系统嵌套下责任归属难以追溯。研究主张以“关键决策点”为切口，将责任边界具象化为可识别、可留痕、可追责的操作节点，而非抽象讨论“谁该负责”，从而为制度完善与内控升级提供扎实支点。
一、AI生成信息披露的实践现状与典型风险图谱（2020–2024） （一）AI生成信息披露已从辅助工具演进为流程嵌入环节，但尚未突破“人机协同”的基本范式。2020年以来，随着自然语言生成（NLG）技术成熟度提升与监管对披露效率要求趋严，上市公司在定期报告初稿撰写、ESG数据摘要、行业对比分析等结构化程度高、模板依赖强的环节，普遍部署AI生成模块。其核心动因并非替代专业判断，而是压缩信息加工链中重复性耗时环节——例如将财报附注数据映射为文字描述、将监管问询要点自动转化为回应逻辑树。这一实践本质是“流程再造”而非“职能迁移”，符合科特勒所言“技术应服务于组织既定价值流优化”，而非重构权责结构。 （二）典型风险并非源于技术失灵本身，而根植于三类业务断点： 语义漂移风险：AI基于历史文本学习生成表述，易放大行业惯性偏差。例如在描述“经营环境变化”时，模型倾向于复用过往年报中的模糊措辞（如“面临一定压力”“持续优化”），弱化实质性风险敞口识别——这并非算法缺陷，而是训练数据中人工审慎性表达占比不足所致，印证了“垃圾进、垃圾出”（GIGO）原则在治理场景的延伸适用； 归因错位风险：当AI整合多源数据生成趋势研判（如营收变动归因），常隐含统计相关性误读为因果逻辑。该问题在缺乏业务约束规则的提示工程下尤为突出，恰如西蒙“有限理性”理论揭示的：AI扩展了信息处理带宽，却未自动提升归因决策的制度性严谨度； 责任稀释风险：部分企业将AI输出直接
