AI训练数据的「来料检验」困局：质量管控新视角
AI×质量管理 · 宏观前瞻 · 第1篇💡 本文要点制造业做来料检验（IQC, Incoming Quality Control）是基本功——原材料不合格，成品一定不合格。AI领域同样如此：训练数据就是AI的"原材料"，如果数据有质量问题，模型再优秀也白搭。本文用质量人的IQC框架，重新审视AI训练数据质量管理。2024年，某知名大模型公司被曝训练数据中包含大量低质量网页内容和机器生成文本，导致模型在某些专业领域频繁"幻觉"。2025年，另一家AI公司因训练数据偏见被监管机构罚款。这些事件的共同根源指向同
AI治理文件撰写指南：L1标准层 · 完结篇
AI与质量管理 · L1标准层 · 第4/4篇💡 跨域洞察（开篇）：起草AI治理文件与编写企业员工手册遵循相同逻辑——都是界定边界、承诺责任、让所有相关方清楚"哪些可以做、哪些不能做"。本文提供的框架同样适用于其他行业领域。ISO 42001 标准5.2条款明确规定：最高管理层必须制定、实施并持续维护AI治理文件。许多质量从业者听到"治理文件"，条件反射就是上网找个范本、更换公司名称后直接提交。如果你也是这种想法，这篇文章就是为你准备的——治理文件不是空洞口号，而是组织的最高承诺。在 ISO 42001
ISO42001实战第13天：控制域8下的AI供应商与供应链治理
---------------------------------------------------------------标准来源：ISO42001:2023 第8.4条款，针对外部提供的过程、产品和服务进行控制。核心难点在于：第三方AI模型、数据标注、云平台服务及外包开发缺少专门管理，进而引发AI知识产权、数据合规以及输出失控等风险，不符合ISO42001对外部治理的要求。ISO42001强调，应把全部AI相关供应商纳入“全生命周期治理框架”中。管理重点不只是传统信息安全，更要关注AI合规性、知识产