AI风险观测站：年报披露揭示社会韧性的真相

一个被忽视的数据宝库：企业年报

社会韧性研究长期面临一个瓶颈：缺乏有用且可操作的数据。企业每年发布的年度报告恰恰是一座尚未被充分挖掘的信息富矿——它们记录了公司如何看待风险、如何采纳新技术，以及如何向投资者和公众交代自己的应对策略。

最新发布在 arXiv 上的研究《The AI Risk Observatory》提出了一个核心问题：能否借助大语言模型（LLM）大规模处理年报，从中提取出企业应对人工智能的有用信号？研究团队对 1362 家英国上市公司在 2020 至 2025 年间发布的 9821 份年报（含部分 2026 年数据）进行了系统分析，给出了一份颇具分量的实证答卷。

方法论：可复现的两阶段分类流水线

研究采用了一套可复现的两阶段分类流水线。为了确保机器判断的可靠性，团队将方法与 474 段人工标注的文本段落进行了对照验证，结果显示该方法具有高召回率和中等程度的标签级一致性。

这意味着 LLM 能够较为完整地捕捉到年报中与 AI 相关的表述，但在精细化的标签判定上仍存在一定的主观性差异。这一透明的验证环节，为后续的大规模统计结论提供了基本的可信度支撑，也为同类研究提供了可借鉴的范式。

两阶段分类流水线的典型设计通常分为「相关性筛选」与「类别标注」两步：第一阶段先判断某段文本是否与AI相关，过滤掉无关内容；第二阶段再对通过筛选的段落进行更细粒度的标签分配，例如区分「AI风险」「AI采纳」「AI危害」等类别。这种级联设计既能控制成本（无需对全量文本做精细分类），也有助于在各阶段独立优化准确率与召回率之间的权衡。召回率（Recall）衡量的是模型能找回多少真正相关的内容，高召回率意味着漏报率低，适合需要「不遗漏」的场景；而标签级一致性（label-level agreement）则反映模型与人工标注者在具体类别判定上的吻合程度，中等一致性说明细粒度分类仍有歧义空间，研究者须在解读结论时保持审慎。

三大实证发现

AI风险披露五年激增近15倍

最引人注目的趋势是披露频率的爆发式增长。2020 年，仅有 2.8% 的年报提及 AI 风险；到 2025 年，这一比例飙升至 41.2%。另一边，涉及 AI 采纳的披露也从 13.8% 上升到 45.2%。

值得关注的是供应商集中度问题——被点名提及的 AI 服务商高度集中于少数几家头部企业，其中微软（Microsoft）位居首位。这种对单一或少数供应商的依赖，本身就构成了一种潜在的系统性风险：当关键基础设施广泛押注于同一批供应商时，一旦出现故障或供应中断，冲击将被放大。

披露差异：行业与市场板块的分化

披露水平在不同的国家关键基础设施（Critical National Infrastructure）行业和市场板块之间存在显著差异。

数据显示，另类投资市场（AIM）的年报在 AI 风险披露率上远低于主板市场（Main Market）。更令人担忧的是，能源（Energy）和数据基础设施（Data Infrastructure） 这类对社会运转至关重要的行业，在 AI 风险披露方面反而落后于其他行业。这种结构性的披露洼地，恰恰出现在最需要关注技术风险的领域，暴露出社会韧性建设中的薄弱环节。

另类投资市场（AIM，Alternative Investment Market）是伦敦证券交易所于1995年设立的二线市场，主要面向规模较小、成长阶段较早的公司，上市门槛与信息披露要求均低于主板（Main Market）。主板公司须遵守更严格的《上市规则》和《披露指引与透明度规则》，而AIM公司仅需遵守相对宽松的AIM规则，无需发布招股说明书审计、也无最低市值要求。这一制度差异在一定程度上解释了为何AIM公司在AI风险披露上系统性落后——较轻的合规压力意味着较少的主动披露动力。国家关键基础设施（Critical National Infrastructure，CNI）则是英国政府认定的对社会正常运转不可或缺的行业集合，通常包括能源、水务、交通、通信、金融等领域，这些行业的技术风险一旦实现，影响将远超单一企业边界，因此其披露滞后具有更高的系统性意义。

危害披露近乎空白

在整个语料库的 9821 份报告中，涉及 AI 实际危害（harm）的披露仅有 7 份。这几乎可以视为一种集体性的沉默。企业愿意谈论 AI 带来的风险概念，却极少承认或记录实际发生的损害，这种落差值得监管者和研究者警惕。

披露的「量」与「质」：实质性危机

研究最具穿透力的洞察，在于区分了披露的数量与质量。团队开发了一套「实质性」（substantiveness）分类标准，用以评估披露内容的真正价值。

结论相当发人深省：绝大多数 AI 风险披露都不具实质性。在 2025 年，虽然 41.2% 的报告提及 AI 风险，但其中仅有 4.3% 包含被判定为具有实质内容的 AI 风险披露。

换言之，热闹的数字背后更多是「样板式」或「合规式」的表述——企业把 AI 风险写进报告，更像是跟随潮流的标准动作，而非对自身真实风险敞口的深入剖析。这种「披露通胀」现象，提醒我们不能仅凭提及率来判断企业的风险治理成熟度。

「实质性披露」（substantive disclosure）这一概念源自财务报告领域，指的是披露内容能够为信息使用者提供真正有助于决策的具体信息，而非泛泛的套话或模板化表述。在AI风险语境下，实质性披露通常需要包含：风险的具体来源与传导路径、公司已采取或计划采取的缓解措施、以及对财务或运营影响的量化或半量化估计。与之相对的是「样板式披露」（boilerplate disclosure），即企业直接套用行业通用语言，如「AI技术的快速发展可能对我们的业务产生不确定影响」，这类表述虽在技术上满足了披露要求，却几乎不传递任何关于该公司具体风险敞口的增量信息。研究中仅4.3%的报告达到实质性标准，与监管机构期望通过强制披露推动风险治理改善的初衷之间存在显著落差。

对社会韧性的启示

这项研究证明了一个方法论价值：年报经由 LLM 大规模处理后，确实能够成为观察社会如何应对 AI 的有用信号来源。它为建立持续的「AI 风险观测」机制提供了可行路径。

从治理角度看，几个信号值得政策制定者重视：供应商高度集中带来的系统性依赖、关键基础设施行业的披露滞后、以及实质性内容的普遍缺失。真正的社会韧性，不在于有多少企业「提到」AI 风险，而在于它们是否真正理解并管理这些风险。当披露沦为形式，监管与公众都难以据此判断系统的真实脆弱程度。