1. 人工智能纠纷的图景与课程地图

人工智能纠纷并不是单一类型的争议，而是围绕数据、算法、生成内容、平台责任与人格权益交织形成的一组新型案件群。理解这一图景，首先要区分“AI作为工具”“AI作为产品”“AI作为服务”“AI作为主体参与行为”四种角色。角色不同，争议的请求权基础、举证重点与责任分配路径完全不同。例如，企业用AI筛选简历被诉就业歧视，争点在于算法规则与差别影响；用户因生成式AI输出错误信息受损，争点则转向服务提供者的注意义务与内容标识义务。

从裁判现状看，目前AI纠纷呈现三个特征：一是案由分散，常见于网络侵权、合同、劳动争议、知识产权与不正当竞争等既有案由之下；二是事实认定高度依赖电子数据与算法说明，法院对“算法黑箱”通常要求提供可验证的技术说明或第三方评估；三是裁判规则仍在形成期，类案之间对注意义务、过错标准、损失计算的把握存在差异。因此，企业不能只依赖“技术中立”抗辩，而应建立可追溯、可解释、可举证的合规链条。

企业风险场景可归纳为五类：数据与训练（数据来源合法性、个人信息处理、版权素材使用）、模型与算法（歧视性输出、安全漏洞、模型缺陷）、生成与传播（虚假信息、深度伪造、标识缺失）、应用与交易（智能客服承诺、自动驾驶事故、AI辅助医疗）、组织与治理（内部审批缺失、供应商责任传导、员工使用AI泄密）。每一类都对应不同的证据固定方式与应诉策略。

为建立从争议发生到裁判应对的全流程认知，下面用一张关系图把“风险源—争议类型—裁判关注点—企业应对动作”串起来。图中左侧是风险源，中间是可能形成的争议类型，右侧是法院通常审查的要点，底部是企业应同步启动的应对动作。该图不是流程图，而是帮助读者快速定位“我遇到的是哪一类问题、法院会看什么、我该先做什么”。

上图的价值在于“定位”。当企业收到一份AI相关投诉或起诉材料时，可以先判断它落在哪一行：是数据来源问题，还是模型输出问题，还是应用环节的合同承诺问题。定位之后，再沿着该行向右看裁判关注点，最后落到企业应对动作。例如，若争议属于“生成与传播”行，法院通常关注是否添加显著标识、是否建立通知删除机制、传播范围与主观过错；企业应同步固定生成日志、审核记录与处置时间线。

接下来需要建立“从争议发生到裁判应对”的时间轴认知。争议发生后的前72小时是证据固定黄金期，重点包括：保存模型版本号、输入输出日志、人工复核记录、用户协议与提示语版本、内部审批邮件。进入诉讼后，法院可能要求提供算法说明或技术评估报告，此时若前期没有留存可验证文档，企业将处于举证不利地位。裁判应对的核心不是事后解释，而是事前留痕。

最后需要强调，AI纠纷的裁判逻辑正在从“技术中立”转向“风险可控”。企业若能在数据来源、模型文档、内容标识、合同条款、内部审批五个环节形成闭环证据链，就能在多数争议中占据主动。本课程地图的作用，正是帮助读者把分散的法律风险点，转化为可管理、可举证、可复用的企业能力。