AI治理决策——企业真正需要的，不是AI治理，而是AI治理决策

企业如何做出真正有效的AI治理决策

写在前面

2026年8月14日，上海市工商联数字经济商会、中国计算机行业协会与北京金诚同达（上海）律师事务所，共同举办“数智时代，共赴合规新篇”数智合规实践研讨会。我受邀作为主题分享嘉宾，坐在台下的，是来自各家企业的法务总监、合规负责人和企业管理者。

一下午交流下来，我最深的感受是，大家关心的问题都特别具体。有人问“我们公司到底该怎么治理AI”，有人问“要治理到什么程度、该花多少钱、由谁拍板”。AI治理没有一套可以照抄的模板，每一家企业都要自己做选择。

会后，我把分享内容整理成文。整场分享想讲的，是三个观点：企业真正需要的，是AI治理决策；AI是动态推理，治理必须持续复评；法律治理的对象，是AI带来的风险。以下为正文。

人工智能正在进入企业经营的每一个环节：智能客服、文档处理、数据分析、营销内容生成、代码辅助……与此同时，围绕AI的监管与执法明显提速。2026年7月，上海市委网信办通报“清朗·整治AI应用乱象”专项行动第一阶段工作成果：清理拦截违法违规信息487万余条，处置违规账号1.8万余个，下架违规智能体1.4万余个。监管之密集、执法之明确，让越来越多企业开始认真面对同一个问题：AI，到底该怎么治理？

但在长期为企业提供数据合规与AI治理服务的过程中，我们发现，企业真正关心的，是另外五个问题：要不要治理？治理哪些内容？治理到什么程度？投入多少资源？如何兼顾业务发展？

我们的基本判断是，企业真正需要的，不是AI治理，而是AI治理决策。治理解决的是合规问题，治理决策解决的是经营问题。本文从律师的实战视角出发，梳理企业AI治理决策的三个变量、一个关键认知、一条法律主线与一套落地机制。

01.三个变量：法律风险、治理成本与价值

AI治理决策，本质上是法律风险、治理成本与价值三个变量的综合平衡。三者互为构成、相互影响，共同构成企业治理决策的考量维度。

法律风险是底线。AI应用横跨个人信息保护、数据安全、网络安全、算法与内容治理、知识产权、劳动用工等多个监管领域，一旦失控，可能引发行政处罚、民事侵权乃至刑事责任。随着专项执法常态化，法律风险已经从“理论上的可能”，变成“现实中的代价”。

治理成本是约束。制度建设、影响评估、权限管理、技术措施、审计留痕，每一项合规工作都需要投入人力、财力与时间。企业的资源总是有限的，治理成本在很大程度上决定了治理方案的上限。

价值是目标。企业引入AI，是为了效率、质量与竞争力，商业价值与业务价值都是价值。治理的价值，在于让AI用得安全、用得长久。一个风险再低的方案，如果扼杀了业务价值，也不是好方案。

三个变量彼此牵动，法律风险高的场景需要更重的治理投入，但投入必须与价值相匹配，高价值场景才值得更高的治理预算；价值能否持续兑现，又取决于风险是否可控。所谓治理决策，就是在这三个变量之间找到属于这家企业的平衡点，而不是照搬一份所谓的“通用方案”。

AI治理决策首先是经营决策，其次才是合规决策。它需要管理层站在业务全局作出判断，而不能简单地交由IT部门或法务部门单独决定：法务与合规人员提供风险判断，管理层对成本与价值负责，最终在风险、成本与价值之间拍板。

02.治理方案因“决策”而异：两个真实项目的对照

同一套法律体系与合规要求之下，不同企业的治理方案可以完全不同。以下是我们经办的两个不同类型企业项目的对照（已脱敏）。

项目A是一家物业服务集团：大型、全国化，多法人、多层级，系统数量多，包括物业ERP、社区生活、资产管理、员工管理、AI分析、对外SaaS等，业务场景多、个人信息量大。其治理工作采取体系化方案：数据分类分级、全场景个人信息保护影响评估（PIA）、权限分级、AI治理专项，并界定对外角色、签署数据处理协议（DPA），覆盖中间层与顶层合规，投入成本为百万级。

项目B是一家教育服务企业：中型、业态单一，核心是一个知识管理系统，处理少量个人数据，业务以专业培训服务为主。其治理工作为基础方案：落实个人信息处理基本规则、更新隐私政策、设置未成年人信息保护专项、签署DPA、建立基础管理机制，分阶段建设并预留升级接口；同时，基于当前业态与风险评估，暂缓实施若干事项，包括不设专职个人信息保护负责人、不做全场景PIA、不建立多系统分级体系、不单独上AI治理专项。投入成本为万级。

这个对照想说明三点。第一，两家企业面对的是同一套法律体系与合规要求，不存在“一个合规、一个不合规”的道德差异。第二，需求、工作内容与投入成本完全不同，根源于业务画像与风险画像的差异，而不是哪家更重视合规。第三，项目B“暂缓实施”不等于“没有合规要求”，那是基于当前业态与风险的审慎决策，会随业务发展逐步补强。

从方法上看，项目B采用的基础方案，本质上是一种“最小可行治理”（Minimum Viable Governance）：以与风险水平相匹配的最低必要投入，先守住合规底线，同时预留升级接口，使治理能力能够随业务扩张同步成长。治理的力度，应当与风险相称。

治理方案因“决策”而异。律师能够提供的，是帮助企业作出治理决策的能力，而非一套可以复制粘贴的模板。

03.AI是动态推理：治理必须持续复评

为什么AI治理不能“一次完成”？因为AI不是固定流程，而是动态推理。

传统软件是确定的：输入，固定流程，固定结果。AI则完全不同：设定目标之后，模型进行动态推理，自主选择知识、选择工具、生成执行路径，最后输出结果。AI不是在执行流程，AI是在生成流程。这意味着治理对象（模型的行为、能力边界，以及它所触及的数据与权限）本身就处于持续变化之中。

变化主要来自两个层面。先看模型层面，模型升级、提示词变化、知识库增加，都会改变输出行为与能力边界，原有内容安全与审核规则可能失效，知识库范围扩大则使数据访问与权限边界需要重审；对应的治理动作，是重新进行安全评估与对齐审查、更新内容标识与审核规则、复核知识库权限与数据边界，必要时重新备案或登记。再看工具与能力层面，新工具加入、智能体（Agent）能力升级，会扩大工具调用权限，带来数据外流与越权访问风险；Agent自主执行范围扩大，行为与责任边界随之变化；对应的治理动作，是工具准入与最小权限、调用留痕与审计、设置人工审核节点，并在变更后复评权限与协议。

这也解释了为什么AI治理必须嵌入企业的变化管理流程：上线前做评估，运行中做监控，变更后做复评。任何一次模型升级或新工具上线，都应被视为一次新的治理触发事件，而不是一次例行的版本更新。

两个真实案例可以说明，“治理失效”是现实而不是假设。2024年2月，Google Gemini图像生成功能在模型更新后，生成的历史人物图像出现系统性不当内容，谷歌于2月21日公开道歉，次日紧急暂停“人物图像生成”功能，重新进行对齐与安全测试，数月后才恢复。连具备成熟治理能力的头部AI公司，都会因为一次模型变化而治理失效。2025年9月，Notion发布3.0版本、主打AI Agents，上线次日即被安全研究者披露“间接提示注入”漏洞，恶意PDF或网页内容可以操控Agent窃取数据。原有平台的安全治理并没有失效，但新能力带来了此前不存在的风险面。

模型升级、新工具加入、权限扩大，都会让原来的治理方案失效。因此，AI治理不是一次性工作，而是持续复评、动态调整权限与边界的过程。“一次治理、永久有效”的假设，应当被企业彻底放弃。

04.法律治理的对象是风险，不是AI

不少企业把AI治理理解为“治理技术”，这其实是方向性误解。从法律逻辑看：AI技术只是载体，AI的行为与使用方式，才触发侵权、违约、权益被侵犯或行政处罚等后果，进而产生法律风险。法律不治理Transformer、不治理提示词，也不治理Agent本身；法律治理的是数据、权限、行为、后果与责任。技术只是风险的载体。

这一点在真实判例中体现得很清楚。2025年6月，昆明市呈贡区人民检察院发布典型案例：某云计算公司大客户总监吕某，未经授权非法登录公司客服管理软件账号，利用AI“爬虫”软件非法下载并保存1.5万余条公民个人信息；法院以侵犯公民个人信息罪判处其有期徒刑十一个月并处罚金；检察机关同时向企业制发检察建议，要求强化数据安全管理（官方通报未披露具体案号）。在这个案件中，被法律评价的不是“AI爬虫”这一技术本身，而是未经授权的访问行为、被非法获取的数据，以及由此产生的后果与责任。

对应的刑法条款包括：《刑法》第二百八十五条（非法侵入计算机信息系统罪、非法获取计算机信息系统数据罪）、第二百八十六条（破坏计算机信息系统罪）、第二百五十三条之一（侵犯公民个人信息罪）。需要特别提示的是，相关工具本身合法，但能力是双刃剑，一旦被用于未经授权的目标或数据，企业面临的就不只是民事侵权与行政处罚，在组织、指使或放任的情况下，甚至可能构成单位犯罪。

对企业而言，AI治理的落点必须清晰：约束AI智能体的工具调用权限、划定行为边界、保留责任留痕。技术形态如何演进可以变化，但“管住数据、权限、行为、后果与责任”这条主线不会变。

需要提示的是，如果我们将昆明案中“个人利用AI工具非法获取数据”的行为，置于“企业AI智能体被赋予自主调用外部工具权限”的场景下推演，自动化、规模化执行将使数据合规、侵权、不正当竞争乃至刑事风险同步放大。这一推演基于真实判例与真实技术能力，属风险提示性质的拟制示例，并非真实案件。

05.风险可控地使用AI：三个机制

治理不是限制AI，而是让企业在风险可控的前提下，更安全、更放心地使用AI。落到操作层面，我们建议企业围绕三个机制搭建治理框架，

1. 边界与目标：明确AI用于什么目标、数据从哪里来、到哪里去，划定目标边界与数据边界；

2. 工具与权限：明确AI可以调用哪些工具、访问哪些系统，坚持最小权限原则，划定工具边界与权限边界；

3. 审核与留痕：在关键环节设置人工审核节点，对AI调用行为全程留痕，确保责任可追溯。

三个机制相互支撑，共同构成AI风险可控使用的治理框架。边界不清，权限就会失控；权限失控，审核与留痕就无从谈起；没有留痕，责任就无人承担。三者缺一不可。

结语：从“理解AI”到“落地方案”

企业需要走完一条完整的循环：理解AI，识别风险，作出AI治理决策，形成真正有效、能够落地的法律治理方案。我们给企业管理层的行动建议是，

1. 先做决策，再谈治理：明确是否治理、治理哪些内容、治理到什么程度、投入多少资源、如何兼顾业务发展；

2. 把持续复评嵌入变化管理：任何模型升级、新工具上线、权限调整，都触发一次治理复评；

3. 从风险出发确定治理对象：聚焦数据、权限、行为、后果与责任，不追逐技术概念；

4. 与专业律师合作做“决策”，而不是购买“模板”。

作为长期提供AI治理与数据合规服务的律师，我们的角色正是帮助企业把这四步走完，既给出风险判断，也评估成本与价值，还负责把决策转化为可执行的制度、协议与技术控制措施。

治理解决的是合规问题，治理决策解决的是经营问题。在AI快速演进的今天，企业需要的不是一套通用的AI治理模板，而是一次次真正有效的AI治理决策。

附注：案例与数据来源

监管数据：《上海深入开展“清朗·整治AI应用乱象”专项行动第一阶段工作》，网信上海，2026年7月8日发布。

Gemini事件：The Verge、腾讯科技等媒体公开报道，2024年2月。

Notion事件：安全研究者Simon Willison披露，iThome等媒体公开报道，2025年9月。

昆明案：昆明市呈贡区人民检察院官方典型案例，2025年6月5日发布（官方未披露案号）。

项目对照：本所经办项目示例，已脱敏处理。

The content of this article is intended to provide a general guide to the subject matter. Specialist advice should be sought about your specific circumstances.