AAISMは、一貫性のある再現可能なリスク対策を確保するために、AI脅威制御マトリックスの構築と維持を推奨しています。このマトリックスは、ライフサイクル全体を通して、各重大な脅威（即時注入、毒物注入、情報漏洩など）を、指定された制御策、テスト／証拠手順、および保証責任者に追跡します。ベースラインとベンダーの証明書は保証を裏付けるものですが、それだけでは不十分です。制御策の選択を実装後まで延期することは、AAISMのプロアクティブな対策原則に反します。
参考文献：AIセキュリティ管理™（AAISM）知識体系 - AIリスク対策計画、脅威制御トレーサビリティ、AIシステムのための保証および証拠管理。

新しいモデルリリースで出力に一貫性が見られない場合、潜在的な不安定性や意図しない動作を示唆するため、以前の安定版に戻すことが当面の最善策です。以前に検証済みのバージョンに戻すことで、問題の調査と修正が行われる間、運用リスクとセキュリティリスクを最小限に抑えることができます。

AAISMは、AI BCPを、以下の項目を含むAIコンポーネントの検証済みフェイルオーバーおよびリカバリテストを必要とするものと定義しています。
- モデルホスティング環境
- モデル提供API
- フィーチャーストア
- 推論パイプライン
オプションBのみが、AI機能の実際の継続性をテストします。

AAISMは、自動化されたAIサイバーセキュリティシステムの有効性は、質の高い過去の攻撃データを用いた、十分に訓練された検出モデルに大きく依存すると述べている。
過去のデータの改善点：
* 検出精度
偽陽性の減少
* 人間の誤解の減少
手動監視（A）は人的ミスを増加させる。機械学習による「責任の確保」（C）は明確な制御策ではない。侵入テスト（D）は人的ミスを減らすものではない。
参考文献：AAISM学習ガイド - サイバーセキュリティにおけるAI；脅威検出のためのモデルトレーニング。