AI治理从原则宣示走向执行落地：企业该把合规成本算在哪一层

生成摘要

AI 生成，仅供参考

企业讨论 AI 治理时，最容易问错的问题是“要为合规预留多少钱”。更有用的问题是：一项 AI 功能在什么地方、替谁作出什么决定，出了问题由谁解释和纠正？自 2025 年以来，中美欧的治理路径仍在分化，但对企业有一个共同的经营含义：原则声明不足以证明系统可控，合规成本正进入产品设计、采购、上线和持续运营流程。

三条路径，带来三种预算压力

事实层面，欧盟已建立以《人工智能法案》为核心的分级规则，义务随相关条款的适用安排逐步落地。通用人工智能模型提供者与特定高风险 AI 系统的提供者、部署者，并不承担完全相同的义务。企业因此不能只问“是否用了 AI”，还要识别自己在具体业务中扮演什么角色、系统用于什么目的。

美国的联邦政策更强调创新与竞争，但这不等于企业可以按“没有统一 AI 法，就没有合规要求”编预算。州层面的规则、既有的隐私、消费者保护及行业监管要求，仍可能作用于同一产品。联邦与地方之间如何划分规则空间，也使跨州经营者面临持续变化的适用性判断。

中国的治理更突出按服务和场景处理具体问题。对企业而言，关键不只是追踪“AI 专门规则”，还要把生成内容标识、数据处理、服务提供及行业要求放回实际业务链条中核对。称之为“小切口、场景化”，是一种对治理方式的概括，不能代替对适用规则和主体身份的逐项判断。

由此可以推断：三地规则不会自然收敛为一张全球通用清单。跨境企业可以共用风险登记、测试和留痕等内部能力，却仍需按市场、用途和角色分别判断外部义务。

哪些业务会先感到约束

执行压力通常先出现在两类场景：一类是 AI 输出直接影响个人机会或权益的决策，例如招聘筛选、信贷评估等；另一类是生成内容面向公众传播、数据来源复杂，或系统以企业名义向用户提供服务的场景。这里的“先”不是对执法顺序的预测，而是企业内部排查的优先级：影响越重大、涉及主体越多、纠错越困难，越应先投入治理资源。

责任认定也不能简单归给模型供应商。模型可能产生不准确输出，应用方却决定了提示方式、接入的数据、是否自动采纳结果以及用户能否申诉；采购方还可能设定实际业务目标。合同可以分配双方的测试、通知和配合义务，却不能把面向用户或监管的责任问题一笔勾销。

合规成本该算在哪一层

把全部支出归入“法务费用”或“模型采购费”，都会低估持续运营成本。更可操作的办法是按风险产生与控制的位置分账：

这是一种内部预算归集方法，不是法律上的责任划分。同一项支出也可能横跨多层：例如一次错误回答，原因可能是底层能力限制、检索材料过期，或应用界面把建议包装成了确定结论。企业应按控制能力指定负责人，再通过采购合同和内部流程明确协作，而不是寻找一个包揽所有风险的部门。

用可迭代机制代替一次性清单

我的判断是，企业最值得建设的不是覆盖所有地区的厚手册，而是一套能随用途和规则变化更新的“敏捷治理”流程。

先建立 AI 使用台账，记录系统用途、目标市场、供应商、数据流向、受影响人群和人工介入方式。随后按影响程度决定审查深度：低风险的内部辅助工具可采用较轻的审批和抽查；涉及个人重大利益或对外服务的系统，则需要更充分的测试、留痕与纠错安排。上线不是终点，模型版本、数据来源、业务用途或适用地区一旦变化，就应触发复核。

这套机制也有边界。资源有限的企业不必对每个试验项目投入同等成本，但不能因项目仍被称为“试点”，就忽略它是否已经影响真实用户。反过来，文档齐全也不等于风险已经受控：若无人能暂停系统、解释一次决定或接收纠错请求，治理仍停留在纸面。

因此，预算决策应从业务场景倒推，而非先给模型、应用或数据层设定固定比例。明确用途与责任链，再把钱投向企业实际能够控制、也最需要证明其已尽审慎义务的环节。具体法定义务仍须依经营地、行业、系统用途和主体身份核对；上述框架不能替代法律意见。