自动化决策的审计，核心不是证明模型“算得对”，而是证明每一次决策都能够被还原、解释和追责。企业必须回答四个问题：系统使用了什么数据，调用了哪个模型，经过了怎样的推理或规则处理，最终为何产生该结果。若这条证据链不完整，即使决策结果看似有效，也难以满足高风险业务的治理要求。
先审计决策输入
审计应从数据进入决策引擎之前开始。结构化业务数据、合同和制度等文档数据、生产或交易等实时事件数据，不能以同一套标准直接进入模型。企业需要记录数据域归属、分类分级、更新时间、质量校验结果和访问权限，并对缺失值、重复记录、格式异常、口径不一致等问题设置拦截或告警。
尤其要关注“模型能否访问”与“业务上是否应该访问”的区别。数据权限必须和模型调用权限打通，审计日志至少应能说明：哪个角色在什么时间，通过哪个业务场景，调用了哪些数据。元数据、数据血缘和业务口径越清晰，事后解释就越可靠。
再审计决策过程
自动化决策不能只保存最终输出，还应保留模型版本、提示词或任务配置、检索到的数据来源、工具调用记录、规则条件以及人工干预信息。对于采用统一AI能力层的企业，这些记录应集中沉淀，避免不同业务系统各自留存，造成审计链断裂。
模型给出的建议与真正执行的动作也要区分。处于分析、归因和推演阶段时，企业可以通过决策沙箱验证不同方案，由业务专家确认后再进入生产流程。只有在高频、规则相对清晰且容错空间可控的场景中，才适合逐步放开自动执行权限。
最后审计结果与责任
事后审计不能只看准确率，还要检查异常决策、人工覆盖、权限越界和数据变化对结果的影响。每次决策的输出及其实际效果都应回流，形成“AI建议—人工确认—执行结果—效果反馈”的闭环。若发现模型幻觉、偏差或数据质量问题，应能够定位到具体输入、模型版本和处理环节。
因此，自动化决策审计本质上是一项持续治理机制，而不是项目上线前的合规检查。先建立可追溯的证据链，再扩大自动化范围；无法解释、无法复现、无法明确责任的决策，即使效率很高，也不应直接进入关键业务流程。