2026 年 9 月 17 日，Anthropic 发布生命科学验证计划（Life Sciences Verification Program，LSVP）。它允许经过核验的生命科学机构，在特定用途下使用通常受更严格生物安全限制的模型能力。申请需接受研究资质、安全标准和伦理监督审查；常规使用资格面向团队、每年更新，高风险使用资格绑定单个项目、每六个月更新。计划目前处于测试阶段。[1]
这条消息对企业的启发，超出了生命科学行业：当 AI 能力足够强，统一的“开通账号”已不足以定义谁能做什么。真正需要管理的是某个人或 Agent，在什么项目、使用什么数据、为了什么目的，能够调用哪类能力并产生什么行动。
权限应跟着工作走，而不是跟着账号走
许多企业的 AI 权限仍按部门或产品席位发放。这样做便于采购，却难以处理两类现实情况：同一位员工可能同时参与低风险的资料整理和高风险的产品决策；同一个 Agent 可能在一个项目里只需阅读资料，在另一个项目里被要求调用外部工具。
LSVP 提供了一个值得观察的设计：把日常团队使用与高风险项目使用分开，分别设置适用范围、审核和有效期。[1] 对一般企业而言，这并不意味着照搬生命科学的风险分类，而是将授权对象从“工具”细化为“工作”。一份可执行的授权记录至少应说明：业务目的、使用者或 Agent、可访问的数据与工具、允许的输出和动作、审核人、有效期，以及触发复核或撤销的条件。
例如，采购团队让 AI 整理供应商公开资料，可以先授予只读权限；如果进一步要求它修改供应商评级、发送询价或影响准入决定，就需要另行审查数据依据、操作范围与人工责任。能力升级不应自动继承原有权限。
更少拦截，也意味着更清晰的事后责任
Anthropic 表示，该计划对获准用途减少实时拦截，转而结合跨请求、跨会话的离线监测；为此，相关流量需要保留 30 天，异常情况可通知机构管理员处置。[1] 这是一种特定场景下的取舍，并不等于企业普遍应当降低防护。尤其当数据涉及商业秘密、个人信息或受监管内容时，使用资格、监测范围、留存期限和事件处理约定必须一起评估。
企业可以据此追问供应商和内部平台四个问题：授权能否限定到项目和具体动作？跨会话异常由谁发现、谁响应？日志保留和访问由谁控制？项目结束或人员变更后，权限能否及时失效？这些问题比“是否支持单点登录”更接近真实的运行风险。NIST 零信任架构强调按资源敏感性和最小权限控制访问；其 AI 风险管理框架也要求明确角色、持续监测和定期复核。[2][3]
先选一个有边界的场景验证
对于正在推进 AI 落地的企业，第一步可以选一个跨越“分析—建议—执行”的流程，画出三条界线：AI 可以读取什么，可以建议什么，可以直接改变什么。然后为每次越界设置审批条件、留痕方式与撤销机制。评估时既看任务完成率，也看越权尝试、误拦截、复核时长和权限回收是否及时。
生命科学尤其提醒我们，模型能力的开放与业务结果的可信是两回事。美国 FDA 与欧洲药品管理局提出的药物研发 AI 良好实践原则强调明确使用情境、按风险评估、数据治理、文档记录和全生命周期管理。[4] LSVP 是模型访问安排，并不代表相关研究结论、临床用途或监管申报已经获得验证或批准；公告也未提供可证明该计划改善研发效率或安全结果的独立数据。[1]
企业 AI 的下一阶段，值得投资的不只是更强的模型，还包括一套能随任务变化而发放、观察和收回能力的制度。只有把“谁可以用”推进到“谁可以在何种条件下完成哪项工作”，高能力 AI 才更有机会成为可长期经营的生产能力。
