从数据、产品上线、合同交易到中韩出海，一张图看懂企业 AI 业务的全生命周期风险。
你的公司可能不研发大模型，也不把自己称为“AI 公司”。
但员工已经在用生成式 AI 写方案、改代码、审合同；客服系统接入了第三方模型；市场部门用 AI 生成图片和视频；企业知识库里装着客户资料、内部制度和研发文档。
这时，AI 已经进入企业的数据、产品、合同、人员和决策链条。
到了 2026 年，企业要回答的问题已不再只是“能不能用 AI”，而是：
数据是怎么进入模型的？ 生成结果由谁复核？ 第三方模型会不会留存数据或用于训练？ 产品要不要备案、登记或者添加标识？ AI 输出错误、侵权或泄密，责任由谁承担？
核心判断：AI 法律风险不跟着“AI 公司”的标签走，而是跟着数据、功能和决策走。
截至 2026 年 6 月 30 日，国内已有 988 款生成式人工智能服务完成备案、598 款应用或功能完成登记。2026 年开展的“清朗·整治 AI 应用乱象”专项行动，第一阶段累计处置违规 AI 产品 1.4 万余款。备案登记、生成内容标识、训练语料安全和平台审核能力，已经从纸面要求走向实际治理。〔1〕〔2〕
因此，这篇文章讨论的对象，不只是大模型公司或 AI 软件开发商，而是所有开发、采购、部署或实际使用 AI 的企业。
一、第一步不是罗列法条，而是先认清企业角色
同一项 AI 功能，链条上可能同时存在三类主体。
第一类：模型或 AI 服务提供者。
它们提供基础模型、生成式 AI 服务或 API 能力，重点关注训练数据、备案、安全评估、内容安全、生成内容标识和用户权益。
第二类：应用开发者或系统集成商。
它们调用第三方模型，把 AI 嵌入 App、SaaS、智能客服、数字人或企业解决方案，重点关注模型选择、接口调用、产品设计、数据流向以及与底层模型厂商的责任分配。
第三类：AI 采购和使用企业。
它们不一定对外提供 AI 服务，却会让员工或业务部门使用 AI 处理客户资料、员工信息、合同、代码和经营数据，重点关注输入数据、供应商管理、人工复核和最终决策责任。
一家企业还可能同时扮演多种角色。例如，它采购基础模型，却又面向客户提供二次开发后的智能客服。这时，不能只把自己理解为“买方”，也要评估自己作为应用提供者应承担的责任。
图 1｜先认角色，再沿业务阶段识别风险，最后落到数据、产品、合同、人员和跨境治理。
二、2026 年，为什么企业需要重新检查 AI 风险地图？
过去一年，至少出现了五个值得企业注意的变化。
1. AI 正式进入网络安全基础法律框架
修订后的《网络安全法》已于 2026 年 1 月 1 日起施行。新增内容明确支持人工智能研发和基础设施建设，同时强调完善人工智能伦理规范、加强风险监测评估和安全监管。〔3〕
这意味着，AI 不再只是生成式 AI、算法推荐等专项规则中的问题，也进入了网络安全基础法律的制度框架。
2. 生成内容标识从“有规则”走向“实际检查”
《人工智能生成合成内容标识办法》及配套强制性国家标准已自 2025 年 9 月 1 日起施行，区分显式标识与隐式标识。2026 年的专项治理已将标识不到位列为重点问题。〔2〕〔4〕
企业需要检查的，不只是在页面上写一句“由 AI 生成”，还包括文件元数据、传播平台核验、用户声明和不得恶意删除标识等要求。
3. 拟人化互动服务出现新的专项规则
《人工智能拟人化互动服务管理暂行办法》自 2026 年 7 月 15 日起施行，重点涉及情感陪伴、虚拟伴侣等持续性情感互动服务，要求关注未成年人模式、过度依赖提醒、交互数据、敏感个人信息训练、安全评估和退出机制。〔5〕
需要注意的是：普通智能客服、知识问答、工作助手、学习教育等服务，如果不涉及持续性情感互动，并不当然适用该办法。 企业应先判断具体功能，而不是看到“拟人化”就一概套用。
4. 数据安全管理正在从制度文件走向风险评估
《网络数据安全管理条例》已于 2025 年 1 月 1 日起施行。《网络数据安全风险评估办法》已经公布，并将于 2026 年 8 月 20 日起施行。后者进一步细化网络数据安全风险识别、分析和评价机制。〔6〕〔7〕
这传递出一个清晰信号：企业不能只证明“有制度”，还要能够说明风险在哪里、风险有多大、采取了什么整改措施。
5. 韩国 AI 监管也已进入实施阶段
韩国《人工智能发展与信赖基础建设基本法》及其施行令已于 2026 年 1 月 22 日起施行，涉及生成式 AI、高影响 AI、透明度和经营者义务等问题。韩国个人信息保护委员会也已发布生成式 AI 开发与应用的个人信息处理指南。〔8〕〔9〕
因此，面向韩国用户或客户提供 AI、SaaS 和数字化服务，已经不能只翻译一份隐私政策。
三、设立、研发和融资：企业是否真正拥有核心资产？
AI 和数字科技企业最早出现的风险，往往不是行政处罚，而是核心技术和数据资产权属不清。
早期产品可能由创始人、技术合伙人、兼职人员和外包团队共同开发。源代码、模型参数、提示词方案、产品原型、训练数据、域名账号和软件著作权，未必都已经归属于公司。
融资、接受大客户尽调或发生团队分裂时，企业通常会被追问：
核心代码由谁开发？ 外包成果是否已经书面转让？ 员工入职前的技术是否与公司产品混同？ 使用了哪些开源模型和软件组件？ 开源许可证是否允许商业化、修改和闭源分发？ 训练数据和测试数据能否说明来源？ 公司是否有权对技术成果许可、销售和再开发？
如果这些问题无法回答，企业即使有产品、有客户、有收入，也未必真正拥有完整、稳定和可处分的核心资产。
所以，AI 企业的融资前检查不能只看股权和章程，还要同时检查代码、模型、数据、开源组件、知识产权和研发人员协议。
四、数据和知识库：能被技术获取，不等于能被合法使用
企业常见的误区包括：
公开网页的数据可以随意抓取； 客户上传到系统的数据可以用于模型优化； 购买的数据一定具有合法来源； 内部资料用于知识库，不需要再审查授权； 简单脱敏后就不再涉及个人信息。
实际上，训练数据和知识库资料可能同时包含个人信息、敏感个人信息、商业秘密、版权作品、客户资料、数据库内容和受平台规则限制的信息。
企业至少需要连续回答七个问题：
数据最初如何收集？ 数据提供方是否有权授权？ 授权是否覆盖 AI 训练、检索增强和模型优化？ 数据能否用于商业化输出？ 是否含有敏感个人信息或未成年人信息？ 模型是否可能复现个人信息、作品或商业秘密？ 使用目的改变后，原有授权是否仍然有效？
更容易被忽视的是：企业即使不训练模型，员工也可能把合同、客户名单、财务材料、源代码和会议记录输入外部 AI 工具。
图 2｜AI 数据治理既包括训练数据，也包括员工日常使用 AI 时的输入数据。
此时，风险可能同时落在个人信息保护、商业秘密、客户合同、数据跨境和内部管理上。
因此，企业至少应建立：批准使用的 AI 工具清单、禁止输入信息目录、企业账号管理、权限控制、输出复核和日志留痕机制。
五、产品上线与系统部署：接入一个模型，不只是增加一个功能
企业在网站、App、小程序或 SaaS 系统中增加 AI 客服、AI 写作、智能推荐、数字人或智能体，看起来只是产品升级，却可能触发多项义务。
上线前至少要判断：
服务是否直接面向境内公众？ 使用自研模型，还是调用第三方已备案模型？ 企业提供底层模型，还是通过 API 提供应用功能？ 服务是否具有舆论属性或社会动员能力？ 是否需要备案、登记并公示模型名称及相关编号？ 文本、图片、音频、视频是否需要显式和隐式标识？ 是否建立违法内容识别、投诉、申诉和纠错机制？ 是否处理未成年人、老年人或其他特殊群体的信息？ 是否用于金融、医疗、招聘、教育等重要场景？
真正有效的法律工作，应当在产品需求、数据流和技术架构阶段介入，而不是上线前几天只修改一份用户协议。
对于高风险业务，还应保留合理的人工复核、结果解释、纠错和退出机制。AI 可以辅助判断，但企业通常不能把最终决策责任简单推给模型。
六、AI 采购与商业化合同：买方和卖方都要划清四类责任
AI 合同真正需要划分的，不只是“软件能做什么”，而是四类责任：
数据责任： 谁收集、谁提供、能否用于训练、保存多久、发生泄露如何通知？
模型责任： 使用哪个模型、是否调用第三方、模型变更如何通知、备案与安全义务由谁完成？
输出责任： 准确率如何表述、是否构成专业意见、侵权投诉由谁处理、损失如何分担？
决策责任： 哪些结果必须人工复核、哪些场景禁止使用、最终决定由谁作出？
卖方需要避免过度承诺“绝对准确”“完全替代人工”，并在服务范围、SLA、验收、责任上限和第三方模型依赖中设置清晰边界。
买方则应重点审查：
供应商是否有权处理企业数据？ 企业数据是否会被用于训练公共模型？ 数据存储在境内还是境外？ 合同终止后能否导出、返还和删除？ 供应商是否承担安全事件通知义务？ 输出错误、侵权或系统中断时，责任上限是否合理？
没有数据处理协议、模型使用说明和责任分配条款的 AI 合同，很容易在出现问题时把风险留给最靠近终端客户的一方。
七、AI 生成内容：输入、输出和传播都可能侵权
AI 可以生成图片、文字、音乐、声音、视频、代码和虚拟人物，但“由 AI 生成”不等于企业当然取得没有瑕疵的商业使用权。
企业应分别审查三个环节。
输入端： 训练素材、参考图片、人物声音、品牌标识和上传文档是否获得合法授权？
输出端： 生成内容是否可能与他人作品实质性相似，或者侵犯著作权、商标权、肖像权、声音权益、名誉权和商业秘密？
传播与交付端： 能否将内容用于广告、电商、游戏、直播、影视或客户项目？发生第三方投诉时，平台、生成服务商、用户和客户如何分责？
因此，企业需要建立素材授权清单、内容审查流程、生成内容标识、客户交付条款和侵权投诉处理机制。
发生争议后，工作也不只是判断“侵不侵权”，还包括证据固定、平台下架或反通知、权利人沟通、和解谈判与诉讼应对。
八、网络与数据安全：合规正在变成持续运行的能力
AI 系统会处理大量客户数据、交互数据、日志和模型运行数据。风险既可能来自外部攻击，也可能来自内部越权、数据投毒、接口滥用、模型记忆和敏感信息输出。
企业需要的，不只是一份隐私政策，还包括：
网络安全责任和账号权限体系； 数据分类分级与重要数据识别； 日志留存、异常监测与漏洞修复； 数据备份、加密和容灾措施； 安全事件应急预案； 供应商、开源组件和第三方接口管理； 定期风险评估与整改闭环。
这一部分很难由法务或技术部门单独完成。有效的 AI 风险治理，需要业务、产品、法务、合规、信息安全、运维和采购共同参与。
九、中韩跨境与出海：先画数据流，再谈法律结论
企业向韩国、欧盟或其他海外市场提供 AI 和数字化服务时，最先要做的不是翻译隐私政策，而是画清数据流：
谁收集用户数据？ 数据存储在哪里？ 中国团队能否访问？ 是否调用境外模型、云服务或分析工具？ 境外客户数据是否回传中国？ 是否用于模型训练或产品优化？
在中国一侧，企业需要判断数据出境安全评估、个人信息出境标准合同、认证或免予申报情形是否适用。〔10〕
在韩国一侧，则要关注韩国《个人信息保护法》、AI 基本法及实施规则。韩国个人信息保护委员会已经明确，外国经营者在向韩国信息主体提供商品或服务、其处理活动对韩国信息主体产生直接且重大影响等情形下，可能适用韩国 PIPA。〔11〕
图 3｜跨境 AI 项目不是一条“数据传输线”，而是供应商、合同、模型、数据和本地规则共同组成的责任链。
所以，中韩 AI 业务不是翻译一份文件，而是重新审查产品角色、数据流向、用户告知、供应商关系、跨境路径和客户合同。
十、企业真正需要的，是一套 AI 业务风险治理顺序
面对复杂规则，企业不必一开始就做一套厚重的制度文件。更现实的顺序是：
第一步：列清角色和供应商
明确企业是模型提供者、应用集成者还是采购使用方；同时列出底层模型、云服务、API、插件和外包供应商。
第二步：画清数据流
从数据来源、输入、存储、调用、输出、共享、出境到删除，画出完整流向，并标记个人信息、敏感数据、客户资料和商业秘密。
第三步：检查产品与合同缺口
判断备案、登记、标识、用户告知、人工复核、投诉机制是否到位；同步检查采购合同、SaaS 协议、DPA、SLA 和责任上限。
第四步：按风险等级整改
优先处理可能阻断上线、融资、客户尽调或造成重大责任的事项，再建设员工使用规则、培训、日志和持续评估机制。
图 4｜若其中 3 项以上无法明确回答，建议先做一次 AI 业务法律风险初筛。
十一、法律服务的价值，不是“告诉企业不能做”
对企业而言，真正有价值的法律服务，是帮助业务回答三个现实问题：
哪些数据可以用？哪些功能可以上线？出了问题，责任如何控制？
一个可落地的 AI 业务风险初筛，至少应形成四项成果：
- 角色与数据流图： 说明企业、模型厂商、客户和其他供应商之间的关系；
- 重点风险清单： 按上线、交易、数据、知识产权、人员和跨境分类；
- 整改优先级： 区分必须立即处理、上线前处理和持续建设事项；
- 文件修改清单： 明确用户协议、隐私政策、DPA、SLA、员工制度和供应商合同需要怎样调整。
如果一家企业正在上线 AI 功能、采购企业级 AI 工具、用客户数据建设知识库、接受融资或大客户尽调，或者准备进入韩国等海外市场，越早把这些问题梳理清楚，后续补救成本通常越低。
合规不是让企业停止使用 AI，而是让产品可以上线、合同可以签、客户愿意信任、数据能够在清晰边界内流动。
参考资料
〔1〕国家互联网信息办公室：《关于发布生成式人工智能服务已备案信息的公告（2026 年 5 月至 6 月）》
〔2〕中央网信办：《“清朗·整治 AI 应用乱象”专项行动第一阶段工作》
〔3〕国家法律法规数据库：《中华人民共和国网络安全法（2025 年修正）》
〔4〕国家互联网信息办公室：《四部门联合发布〈人工智能生成合成内容标识办法〉》
〔5〕国家互联网信息办公室：《人工智能拟人化互动服务管理暂行办法》
〔6〕国务院：《网络数据安全管理条例》
〔7〕国家互联网信息办公室等：《网络数据安全风险评估办法》
〔8〕韩国国家法律信息中心：《人工智能发展与信赖基础建设基本法》及《施行令》
〔9〕韩国个人信息保护委员会：《生成式人工智能开发与应用个人信息处理指南》
〔10〕国家互联网信息办公室：《促进和规范数据跨境流动规定》
〔11〕韩国个人信息保护委员会：《外国经营者适用个人信息保护法指南（英文官方页）》
本文仅作一般信息交流，不构成对任何具体项目的正式法律意见。具体义务需结合企业角色、服务对象、数据类型、部署方式和行业场景判断。
