بهترین شرکت هوش مصنوعی ایران را چگونه انتخاب کنیم؟ راهنمای ۱۴۰۵

جست‌وجوی «بهترین شرکت هوش مصنوعی ایران» در ظاهر یک نام می‌خواهد، اما برای خریدار حرفه‌ای در واقع به یک فرایند انتخاب قابل دفاع نیاز دارد. شرکتی که برای دستیار خدمات مشتری فارسی مناسب است، لزوماً بهترین گزینه برای بینایی ماشین صنعتی، فرایند مالی کنترل‌شده، استخراج سند یا سامانه دانش داخلی نیست. دموی روان، پایداری در تولید را ثابت نمی‌کند و فهرست طولانی فناوری نیز به‌تنهایی شاهد ارزش کسب‌وکار نیست.

این راهنما شرکت‌های هوش مصنوعی ایرانی را رتبه‌بندی نمی‌کند. هدف آن ساختن زبان مشترک میان خرید، فناوری، مالی، عملیات و ریسک است تا گزینه‌ها با معیار یکسان سنجیده شوند. مسیر درست از ادعای کلی به شاهد می‌رود: گردش‌کار تعریف‌شده، خط مبنای توافق‌شده، داده فارسی نماینده واقعیت، کنترل امنیت، پایلوت محدود، معیار پذیرش قابل‌اندازه‌گیری و قرارداد قابل خروج.

افشای منفعت تجاری: ژرف ناشر این راهنماست و خدمات توسعه و پیاده‌سازی هوش مصنوعی ارائه می‌کند؛ بنابراین در نحوه انتخاب تأمین‌کننده منفعت تجاری دارد. معیارهای این متن باید درباره ژرف به همان سخت‌گیری هر شرکت دیگر اعمال شوند. انتشار این راهنما تأیید مستقل، گواهی، رتبه‌بندی بازار یا ادعای «شرکت شماره یک هوش مصنوعی ایران» نیست.

یک گفت‌وگوی رسمی صندوق نوآوری و شکوفایی توسعه هوش مصنوعی را در کنار زیرساخت، شبکه‌سازی، تجاری‌سازی، نیروی انسانی و کاربرد صنعتی مطرح می‌کند. این منبع هیچ شرکت مشخصی را تأیید نمی‌کند، اما نکته سمت خریدار را تقویت می‌کند: توان تحویل در گردش‌کار واقعی را بسنجید، نه صرفاً میزان دیده‌شدن را.

از گردش‌کار شروع کنید، نه جدول رتبه‌بندی شرکت‌ها

پیش از درخواست پیشنهاد، مسئله عملیاتی را بنویسید. مشخص کنید چه افرادی کار را انجام می‌دهند، چه ورودی‌ای می‌گیرند، چه تصمیم یا اقدامی دارند، سامانه مرجع کدام است، تأخیر یا خطای امروز چیست و یک پاسخ اشتباه چه پیامدی دارد. «هوش مصنوعی می‌خواهیم» نیازمندی نیست. «دستیاری می‌خواهیم که برای ۴۰ کارشناس پشتیبانی، بند مرتبط را از اسناد مصوب بازیابی کند، استناد بدهد و ارسال پاسخ را به تأیید انسان بسپارد» قابل آزمون است.

راهنمای خرید هوش مصنوعی دولت بریتانیا برای بخش عمومی همان کشور نوشته شده و جای قانون یا قرارداد ایرانی را نمی‌گیرد، اما انضباط مسئله‌محور آن مفید است: داده را پیش از خرید ارزیابی کنید، منفعت و ریسک را تعریف کنید، راه‌حل غیرهوش مصنوعی را کنار نگذارید و برای کل چرخه عمر نظارت داشته باشید. خریدار ایرانی باید جداگانه قوانین، مقررات بخشی، الزام امنیت، محدودیت قرارداد و مجوزهای مرتبط با سازمان خود را با متخصص واجد صلاحیت بررسی کند.

یک شرح مسئله یک‌صفحه‌ای آماده کنید که شامل این موارد باشد:

• گردش‌کار و مالک پاسخ‌گو؛
• حجم، زمان چرخه، کیفیت، هزینه و شکست‌های مهم امروز؛
• کاربران و افرادی که از خروجی اثر می‌پذیرند؛
• منابع داده، مجوزها و نقص‌های شناخته‌شده کیفیت؛
• سامانه‌هایی که باید خوانده یا به‌روزرسانی شوند؛
• اقدام‌هایی که سامانه فقط پیشنهاد می‌دهد، پیش‌نویس می‌کند یا اجازه اجرای آن‌ها را دارد؛
• خط مبنای غیرهوشمند و مسیر جایگزین قابل قبول؛
• تاریخ تصمیم، محدوده بودجه و محدودیت‌های خرید.

این برگه پیشنهادها را قابل مقایسه می‌کند. همچنین به تأمین‌کننده حرفه‌ای اجازه می‌دهد صادقانه بگوید شاید قاعده، جست‌وجو، تحلیل، بازطراحی فرایند یا نرم‌افزار معمولی مسئله را ایمن‌تر از مدل حل کند.

نوع همکاری مورد نیاز را دقیق تعیین کنید

عنوان «شرکت هوش مصنوعی» می‌تواند به پیشنهادهای کاملاً متفاوت اشاره کند. فروشنده محصول آماده، نرم‌افزار تکرارپذیر می‌فروشد. شرکت توسعه سفارشی سامانه را دور فرایند شما می‌سازد. یکپارچه‌ساز مدل، داده، هویت و نرم‌افزارهای موجود را به هم متصل می‌کند. مشاور ممکن است راهبرد را تعریف کند اما بهره‌بردار سامانه نباشد. ارائه‌دهنده خدمت مدیریت‌شده می‌تواند پس از راه‌اندازی، عملیات و پایش را نیز بر عهده بگیرد.

از هر نامزد بخواهید پیشنهاد خود را در یکی یا چند دسته بالا قرار دهد و سهم مسئولیت شما را روشن کند. محصول آماده معمولاً سریع‌تر قابل استفاده است، اما ممکن است سفارشی‌سازی یا محل استقرار را محدود کند. ساخت سفارشی با گردش‌کار سازگارتر است، ولی مسئله نگهداری، دانش فنی و مالکیت ایجاد می‌کند. راه‌حل ترکیبی می‌تواند یک سکوی استاندارد را با بازیابی، اتصال، ارزیابی و کنترل اختصاصی سازمان همراه کند.

ژرف برای شفافیت، دامنه پیشنهاد خود را در صفحه خدمات هوش مصنوعی در ایران شرح می‌دهد. این صفحه اظهار خود فروشنده است، نه شاهد مستقل. از همه نامزدها جدول دامنه یکسان بخواهید: کشف نیاز، آماده‌سازی داده، دسترسی مدل، توسعه برنامه، یکپارچه‌سازی، میزبانی، امنیت، ارزیابی، آموزش، پشتیبانی و خروج.

شاهد اجرا را از برنامه آینده جدا کنید

از فروشنده بخواهید هر نمونه را دقیقاً پژوهش، نمونه اولیه، پایلوت، تولید یاری‌شده یا تولید خودکار بنامد. این مرحله‌ها هم‌ارز نیستند. نمونه اولیه امکان‌پذیری رابط را نشان می‌دهد. پایلوت یک گردش‌کار محدود را می‌آزماید. شاهد تولید باید کاربر واقعی، مالک پاسخ‌گو، کنترل عملیاتی، پشتیبانی، تاریخ و نتیجه اندازه‌گیری‌شده داشته باشد.

برای هر مطالعه موردی این اطلاعات را درخواست کنید:

• نام مشتری یا امکان تماس محرمانه با مرجع؛
• گردش‌کار و وضعیت واقعی استقرار؛
• دوره خط مبنا و تعریف دقیق سنجه؛
• اندازه نمونه، تاریخ ارزیابی و موارد حذف‌شده؛
• سهم دقیق تأمین‌کننده از پروژه؛
• طراحی بازبینی انسانی و مسیر جایگزین؛
• رخدادها، محدودیت‌ها و تغییرهای پس از راه‌اندازی؛
• اجازه مشتری برای انتشار نام، نقل‌قول یا عدد نتیجه.

ژرف یک سامانه تکمیل‌شده مدیریت انبار ساختمانی را با نام مشتری و تصویر محصول منتشر کرده است. خریدار همچنان باید دامنه و نتیجه را مستقیم بررسی کند و هیچ مطالعه عمومی را بدون راستی‌آزمایی، اثبات نهایی نداند. پروژه در مرحله برنامه‌ریزی، تصویر عمومی، اثر هنری تولیدشده، جدول بنچمارک و دموی تعاملی برای گفت‌وگو مفیدند؛ جای شاهد مشتری را نمی‌گیرند.

فارسی و شرایط عملیاتی ایران را با داده خودتان بیازمایید

عبارت «پشتیبانی از فارسی» بدون آزمون معنای کافی ندارد. مجموعه ارزیابی را از زبان و اسناد واقعی کاربران بسازید: فارسی رسمی، گفت‌وگویی، تفاوت نیم‌فاصله، نویسه عربی و فارسی، رقم فارسی و لاتین، تاریخ شمسی، اصطلاح ترکیبی فارسی و انگلیسی، مخفف، غلط تایپی، جدول، اسکن و نام‌های اختصاصی سازمان.

کل سفر کاربر را بسنجید، نه فقط پاسخ مدل را. راست‌به‌چپ، کپی و خروجی متن، نرمال‌سازی جست‌وجو، نمایش سند، تبدیل تاریخ، استناد، موبایل، دسترس‌پذیری و ارجاع به کارشناس را بررسی کنید. اگر سامانه فاکتور، قرارداد یا فرم می‌خواند، دقت را برای هر فیلد حیاتی جدا بسنجید و ناحیه منبع مورد استفاده برای تأیید را نگه دارید. اگر پاسخ می‌دهد، استناد به سند مصوب اجباری باشد و زمان پیدا کردن بند پشتیبان توسط بازبین اندازه‌گیری شود.

تناسب محلی اتصال و عملیات را هم دربرمی‌گیرد: هویت، حسابداری یا برنامه‌ریزی منابع، ارتباط با مشتری، مخزن سند، کانال پیام، سابقه حسابرسی، محدودیت استقرار، تداوم پرداخت و ساعت پشتیبانی. ایرانی‌بودن فروشنده به معنی پشتیبانی خودکار از همه سامانه‌های محلی نیست. نام اتصال، نسخه، روش احراز، جهت داده، رفتار تکرار پس از خطا و مالک رفع خرابی را دقیق بپرسید.

حق داده و امنیت را به پرسش‌های قابل پاسخ تبدیل کنید

پیش از تحویل فایل نمونه، جریان داده را رسم کنید. ثبت شود چه چیزی وارد می‌شود، کجا پردازش می‌شود، چه چیزی در لاگ می‌ماند، چه کسانی دسترسی دارند، کدام پردازشگر فرعی داده را می‌گیرد، آیا برای آموزش استفاده می‌شود، مدت نگهداری چقدر است، حذف چگونه انجام می‌شود و چه شاهدی حذف را تأیید می‌کند. داده تولید را از عیب‌یابی پشتیبانی و داده بهبود مدل جدا کنید.

در برنامه مبتنی بر مدل زبانی، آزمون امنیت باید تزریق دستور، افشای اطلاعات حساس، استفاده ناامن از خروجی، اختیار بیش از حد ابزار، ریسک زنجیره تأمین و اتکای بی‌جا را پوشش دهد. فهرست ده ریسک اصلی مدل زبانی مولد OWASP در ۲۰۲۶ منبع خوبی برای کشف تهدید است، نه گواهی یک محصول. از تأمین‌کننده بخواهید تهدید مرتبط را به معماری، کنترل پیشگیرانه، آزمون، پایش، پاسخ رخداد و ریسک باقی‌مانده متصل کند.

محل استقرار فقط یکی از کنترل‌هاست. ابر، ابر خصوصی، داخل سازمان یا محیط جدا هرکدام ممکن است شکست بخورند اگر هویت ضعیف باشد، راز در دستور قرار گیرد، بازیابی مجوز را رعایت نکند، لاگ متن حساس را افشا کند یا ابزار اختیار زیاد داشته باشد. کنترل دسترسی نقش‌محور، کمترین اختیار، رمزنگاری، جداسازی محیط، لاگ امنیت، نسخه پشتیبان، بازیابی، کنترل تغییر و روش آزموده‌شده قطع مدل یا ابزار بدون توقف کل فرایند را بخواهید.

سامانه را در برابر خط مبنا ارزیابی کنید

بنچمارک عمومی نمی‌گوید فروشنده گردش‌کار شما را بهتر می‌کند یا نه. پیش از پایلوت، مجموعه پذیرش نماینده و نسخه‌دار توافق کنید و در صورت امکان بخشی را دست‌نخورده نگه دارید. مدل، دستور، نمایه بازیابی، ابزار، آستانه و پیکربندی را ثبت کنید تا نتیجه قابل بازتولید باشد.

سنجه را متناسب با تصمیم انتخاب کنید:

• دقت استخراج برای هر فیلد حیاتی و زمان اصلاح؛
• نرخ پاسخ مستند، درستی استناد و شدت پاسخ بی‌پشتوانه؛
• دقت، پوشش، مثبت کاذب و منفی کاذب برای طبقه‌بندی؛
• نرخ تکمیل، درستی ارجاع و تغییر نظر بازبین؛
• تأخیر و دسترس‌پذیری زیر بار واقعی؛
• هزینه هر کار تکمیل‌شده و پذیرفته‌شده، نه فقط هر توکن؛
• تفاوت عملکرد میان گروه زبانی، کاربر یا سند مرتبط؛
• رفتار بازیابی هنگام قطع مدل، ارائه‌دهنده، اتصال یا منبع داده.

راهنمای ارزیابی مدل‌های مرزی توضیح می‌دهد چرا امتیاز منتشرشده و سامانه قابل استقرار دو پرسش متفاوت‌اند. فروشنده باید پیشنهادش را با فرایند دستی فعلی، اتوماسیون قاعده‌محور، جست‌وجو و مدل ساده‌تر مقایسه کند، هرجا این گزینه‌ها خط مبنای واقعی هستند.

حاکمیتی بخواهید که بعد از راه‌اندازی کار کند

حاکمیت یک اسلاید با عنوان «هوش مصنوعی مسئولانه» نیست. بپرسید چه کسی کاربرد موردنظر را تأیید می‌کند، چه کسی اختیار توقف دارد، چه کسی رخداد را بررسی می‌کند، تغییر چگونه آزموده می‌شود و فرد اثرپذیرفته چگونه می‌تواند نتیجه را اصلاح یا به آن اعتراض کند. تصمیم پراثر به اختیار انسانی و شاهد قوی‌تری از پیش‌نویس متن داخلی نیاز دارد.

چارچوب مدیریت ریسک هوش مصنوعی NIST داوطلبانه است و کار ریسک را در محورهای راهبری، شناخت زمینه، اندازه‌گیری و مدیریت سازمان می‌دهد. خود NIST نیز اعلام کرده نسخه ۱٫۰ در حال بازنگری است؛ پس فروشنده باید نسخه و نمایه مورد استفاده را مشخص کند. استاندارد ISO/IEC 42001 الزام‌های سامانه مدیریت هوش مصنوعی در سازمان را تعریف می‌کند. نام‌بردن از هیچ‌کدام انطباق را ثابت نمی‌کند و ادعای گواهی باید با خود گواهی، دامنه، مرجع صادرکننده و اعتبار زمانی بررسی شود.

ثبت شواهد را مطالبه کنید: ارزیابی ریسک، تبار داده، برنامه ارزیابی، نتیجه آزمون، سابقه تأیید، نسخه مدل و دستور، لاگ تغییر، آستانه پایش، تغییر نظر کارشناس، رخداد و برنامه بازنشستگی. مطلب شواهد حسابرسی و اطمینان‌بخشی هوش مصنوعی تفاوت میان بیان یک کنترل و شاهد اجرای واقعی آن را دقیق‌تر شرح می‌دهد.

پایلوت محدود با تصمیم روشن ادامه یا توقف بسازید

پایلوت خوب نسخه ارزان تولید نیست. گروه کاربر، داده، مجوز، دوره ارزیابی، خط مبنا، بازبین و شرط توقف آن محدود و روشن است. وقتی خطا ممکن است بر پول، حق، ایمنی یا مشتری اثر بگذارد، از آزمون آفلاین یا حالت سایه آغاز کنید. پس از شناخت الگوی خطا به استفاده یاری‌شده بروید.

برنامه پایلوت باید این هشت مورد را مشخص کند:

1. فرضیه و خط مبنا؛
2. گردش‌کار داخل و خارج دامنه؛
3. تأیید داده و امنیت؛
4. پیکربندی ثابت برای هر اجرای ارزیابی؛
5. سنجه پذیرش و حد شکست شدید؛
6. قاعده بازبینی انسانی و ارجاع؛
7. مالک پشتیبانی و رخداد؛
8. شاهد لازم برای ادامه، اصلاح یا توقف.

اجازه ندهید بهبود میانگین، شکست خطرناک در دنباله را پنهان کند. پردازش سند شاید سریع‌تر شود اما اگر شماره حساب را بی‌صدا تغییر دهد قابل قبول نیست. دستیار ممکن است مفید باشد اما اگر رکورد مشتری دیگر را بازیابی کند مردود است. یادداشت تصمیم باید هم نتیجه کلی و هم مهم‌ترین شکست‌ها را نشان دهد.

هزینه کل را مقایسه کنید، نه عدد ابتدای پیشنهاد را

هر پیشنهاد را به مدل هزینه کل سه‌ساله یا بازه مناسب کسب‌وکار تبدیل کنید. کشف نیاز، پاک‌سازی و برچسب‌گذاری داده، اتصال، میزبانی، مصرف مدل یا رابط، مشاهده‌پذیری، بازبینی امنیت، بازبینی انسانی، پشتیبانی، آموزش، مدیریت تغییر، مالیات، فرض ارز، رشد مورد انتظار و خروج را در آن بیاورید. روشن کنید قیمت ثابت، شاخص‌دار، مصرفی، وابسته به ارز خارجی یا وابسته به طرف سوم است.

سناریوی مصرف کم، مورد انتظار و زیاد بسازید. رفتار تکرار و متن بلند را حساب کنید؛ یک فراخوان ارزان مدل ممکن است پس از بازیابی، تولید دوباره، اصلاح انسانی و خرابی اتصال به گردش‌کار گران تبدیل شود. بپرسید اگر مدل بالادست تغییر کند، رابط در دسترس نباشد یا کانال پرداخت لازم قطع شود چه اتفاقی برای قیمت و تداوم خدمت می‌افتد.

فرایند مالی کنترل جدا می‌خواهد، زیرا خطا می‌تواند پول، رکورد، گزارش و رفتار با مشتری را تغییر دهد. راهنمای هوش مصنوعی در امور مالی توضیح می‌دهد چرا تقلب، اعتبار، بازار و دستیار مولد به سنجه و مرز اختیار متفاوت نیاز دارند.

مالکیت، تغییر و خروج را پیش از پایلوت مذاکره کنید

قرارداد باید مالکیت و حق استفاده از کد منبع، دستور، پیکربندی، محصول تنظیم مدل، مجموعه ارزیابی، داده مشتق، لاگ، مستندات و اتصال اختصاصی مشتری را تعیین کند. همچنین روشن باشد آیا ارائه‌دهنده می‌تواند ورودی، خروجی یا بازخورد شما را برای خدمت مشتری دیگر به کار گیرد.

سطح خدمت را به گردش‌کار کسب‌وکار متصل کنید، نه فقط یک نشانی فنی. ساعت پشتیبانی، شدت رخداد، زمان اعلام، بازیابی، برگرداندن داده، رخداد امنیت، تغییر مهم مدل یا پردازشگر فرعی، ارزیابی پس از تغییر و امکان بازگشت را تعریف کنید. حق متناسب برای دیدن شاهد و آزمون کنترل داشته باشید، بدون اینکه اطلاعات محرمانه مشتری دیگر مطالبه شود.

برنامه خروج باید خروجی داده و پیکربندی در قالب خوانا، شاهد حذف، کمک انتقال، انتقال دانش، تعویض اعتبارنامه تحت مدیریت فروشنده و ادامه دسترسی در مهاجرت را پوشش دهد. گاهی قفل‌شدن به فروشنده در برابر منفعت واقعی پذیرفته می‌شود، اما باید آگاهانه قیمت‌گذاری و تأیید شود. امتیاز بالای دمو، ریسک تعویض را حذف نمی‌کند.

تیم و مدل عملیاتی واقعی را بررسی کنید

بپرسید چه کسانی پروژه را اجرا می‌کنند، نه فقط چه کسی در جلسه فروش حضور دارد. برنامه معتبر معمولاً مالک کسب‌وکار، متخصص حوزه، مسئول محصول یا تحویل، مهندس داده و یادگیری ماشین، توسعه‌دهنده برنامه و اتصال، مسئول امنیت و پشتیبان پس از راه‌اندازی را مشخص می‌کند. شرکت کوچک ممکن است نقش‌ها را ترکیب کند؛ مهم این است که هر مسئولیت مالک نام‌دار و در دسترس داشته باشد.

زندگی‌نامه، کار مرتبط، نمایه حرفه‌ای بیرونی و توان توضیح محدودیت با زبان روشن را بررسی کنید. بپرسید چه بخشی برون‌سپاری می‌شود، کدام افراد به پایلوت متعهدند، با خروج آن‌ها چه می‌شود و چه کسی در رخداد تولید تصمیم می‌گیرد. ژرف تیم و تجربه اعلام‌شده خود را منتشر کرده است؛ خریدار باید آن را بررسی و تیم پیشنهادی پروژه را مطالبه کند، همان‌طور که برای هر نامزد دیگر انجام می‌دهد.

امتیازدهی شفاف بسازید و شرط‌های قطعی را نگه دارید

جدول وزنی مانع می‌شود پرسر‌وصداترین دمو خرید را تعیین کند. ساختار شروع می‌تواند چنین باشد:

هر معیار را از صفر تا پنج امتیاز دهید و برای امتیاز شاهد مکتوب بخواهید. وزن‌ها را پیش از بازکردن پیشنهاد تجاری تنظیم کنید، نه بعد از دیدن فروشنده محبوب. دلیل تصمیم، عدم‌قطعیت و تعارض منافع را داخل سازمان ثبت کنید.

بعضی موارد باید شرط عبور باشند نه امتیاز وزنی: دسترسی قانونی به داده، حد قابل قبول شکست شدید، کنترل الزامی استقرار یا امنیت، پاسخ‌گویی نام‌دار و خروج شدنی. شرکت نباید شکست در شرط امنیتی را با رابط زیبا جبران کند.

برای همه نامزدهای نهایی یک آزمون یکسان اجرا کنید

به نامزدها شرح مسئله، نمونه نماینده، سناریوی دمو، پرسش، محدودیت زمانی و قاعده امتیاز یکسان بدهید. بخواهید دقیقاً جدا کنند چه چیزی زنده است، چه چیزی برای نمایش تنظیم شده، چه چیزی برنامه آینده است و کدام بخش به ارائه‌دهنده دیگر وابسته است. پاسخ‌ندادن را ثبت کنید و جای خالی را با فرض خودتان پر نکنید.

ترتیب عملی می‌تواند کشف نیاز، پاسخ مکتوب کوتاه، نمایش ساختاریافته روی نمونه خریدار، بازبینی معماری و امنیت، بررسی مرجع، همسان‌سازی تجاری و سپس پایلوت محدود پولی برای مناسب‌ترین گزینه باشد. شدت فرایند باید متناسب با ریسک و ارزش قرارداد بماند؛ هر ابزار جست‌وجوی داخلی به خرید در سطح بانک نیاز ندارد.

اگر ژرف یکی از نامزدهاست، از مسیر تماس پاسخ دامنه‌بندی‌شده بخواهید و همین جدول را درباره آن اعمال کنید. پاسخ صادقانه به «بهترین شرکت هوش مصنوعی ایران کدام است؟» شرکتی است که شرط‌های غیرقابل‌مذاکره شما را می‌گذراند و برای گردش‌کار تعریف‌شده، بهترین نتیجه را با شاهد قابل مقایسه و هزینه کل قابل قبول تولید می‌کند. این پاسخ باید در ارزیابی به دست آید، نه اینکه پیشاپیش در یک رتبه‌بندی نوشته شود.

یادداشت منابع (بازبینی‌شده در ۲۰۲۶-۰۸-۱۰)

• زمینه صنعتی ایران: گفت‌وگوی صندوق نوآوری و شکوفایی درباره زیرساخت، تجاری‌سازی، نیروی انسانی، شبکه‌سازی و کاربرد صنعتی هوش مصنوعی. این منبع تصویری از زیست‌بوم و گفت‌وگوی سیاستی می‌دهد و هیچ فروشنده مشخصی را تأیید نمی‌کند.
• خرید مسئله‌محور و کنترل چرخه عمر: راهنمای خرید هوش مصنوعی دولت بریتانیا. راهنما به حوزه قضایی خود وابسته است و فقط چک‌لیست مفید می‌دهد؛ مشاوره حقوقی ایران نیست.
• چارچوب داوطلبانه مدیریت ریسک: چارچوب مدیریت ریسک هوش مصنوعی NIST. خود NIST اعلام کرده نسخه ۱٫۰ در حال بازنگری است.
• استاندارد سامانه مدیریت هوش مصنوعی: ISO/IEC 42001. صفحه استاندارد ثابت نمی‌کند یک فروشنده گواهی دارد یا سامانه خاصی منطبق است.
• کشف ریسک امنیت هوش مصنوعی مولد: ده ریسک اصلی مدل‌های زبانی مولد OWASP در ۲۰۲۶. این منبع تهدید و راهکار است، نه رتبه‌بندی یا گواهی فروشنده.