详细解答
简要回答：问责制不是事后追问“谁出错了”，而是在执行前明确谁授权、谁负责、依据什么规则行动。
LERA 提高问责制的方式，是把责任放到执行之前，而不是等 AI 行动造成后果以后再回头重建责任链。
在许多 AI 系统中，责任会被分散到模型、供应商、用户、工作流、数据和组织流程之间。结果是：事情发生了，但很难说明到底是谁允许它发生、谁应当承担责任。
没有 LERA 时，责任容易被拆散
当自动化行动造成损害时，各方可能会分别说：
- 这是 AI 生成的；
- 用户点击了确认；
- 供应商只是提供系统；
- 工作流只是自动执行；
- 数据本身不正确；
- 内部政策没有写清楚；
- 没有人预料到这个结果。
这些说法可能各有一部分事实，但它们合在一起会让责任变得模糊。
LERA 如何让责任提前清楚
在行动进入执行之前，LERA 要求系统回答几类问题：
- 谁有权允许这个行动继续？
- 谁对这个行动及其后果负责？
- 它依据哪些规则、政策或法律条件？
- 它属于普通执行，还是高后果执行？
- 它是否需要阻断、升级或更强审查？
这样，问责制不再依赖事后猜测，而是在执行前通过结构明确下来。
这不等于每一步都要人工批准
LERA 并不要求每一个行动都由某个人实时点击批准。责任可以通过组织角色、机构授权、任务边界、管理政策和经过批准的自治范围来分配。
关键是：自动化可以执行行动，但不能替人类或机构承担责任。
一个简单例子
AI 系统可以在既定政策范围内自动批准小额客户退款。此时责任来自已批准的运营政策，以及对该政策负责的管理角色。
但如果系统提出异常大额退款、改变退款政策，或试图越过授权范围，就不应继续自动执行，而应进入升级审查。
问责也包括识别故障位置
LERA 还帮助区分不同类型的失败：
- 判断失败；
- 治理失败；
- 规则失败；
- 未经授权的规则变更；
- 执行控制失败；
- 执行层故障。
中心原则是：自动化可以执行某项操作，但它不能承担人类或机构的责任。