1. 课程导入与全景认知
生成式AI进入企业，不是“装一个聊天工具”这么简单。它同时改变了三件事：信息的生产方式（从人写为主变为模型生成、人审核）、数据的流动路径（企业数据可能被送入外部模型服务）、以及责任的分配结构（模型供应商、部署方、业务使用方、审核人各自承担什么）。法律风险正是从这三处变化中生长出来的。本章不急于讲条文，而是先建立一张“全景地图”：企业里生成式AI到底以哪些形态落地，每种形态会牵动哪些法律风险，以及后续29章将按什么顺序把这些风险逐一拆解。
一、企业生成式AI的四种典型应用形态
从法律风险视角看，企业应用形态可以按“数据流向”和“输出用途”两个维度划分，而不是按技术名词划分。因为风险大小主要由这两点决定：数据是否离开企业可控边界，输出是否直接对外产生法律效果。
- 形态A：内部知识助手。把企业制度、产品手册、历史工单等做成检索增强生成（RAG），员工提问、模型基于内部文档回答。数据留在企业侧或专有云，输出仅供内部参考。风险重心是数据安全与员工使用规范，对外侵权风险较低。
- 形态B：对外内容生成。用模型生成营销文案、商品描述、客服话术、图片素材并对外发布。输出直接进入市场，风险重心是著作权、广告合规、消费者权益与虚假宣传。
- 形态C：嵌入业务流程的决策辅助。如合同初审、简历筛选、信贷材料预审、代码生成。模型输出会影响对个人或交易的处理结果，风险重心是个人信息保护、自动化决策透明度、算法歧视与责任归属。
- 形态D：面向客户的产品功能。把生成能力做成App或SaaS功能直接卖给客户。企业从“使用者”变为“提供者”，风险重心是产品责任、内容标识义务、服务协议与知识产权担保，合规义务最重。
判断一个具体项目属于哪种形态，问两个问题即可：提示词和上下文里有没有企业或个人信息离开可控环境？ 模型输出会不会直接对外产生法律效果（发布、决策、交付客户）？两个“是”越多，形态越靠后，合规投入应越高。
二、法律风险图谱：五条主线与它们的交汇点
企业生成式AI的法律风险并非零散条款，而是五条主线，且经常在同一项目中交汇：
- 数据与个人信息线：训练数据来源是否合法、输入提示是否含个人信息或商业秘密、是否构成向境外提供数据、是否满足告知与单独同意要求。
- 知识产权线：输入素材是否侵权、输出内容是否与既有作品实质性相似、生成物的权利归属与可保护性、对第三方IP的赔偿担保。
- 内容合规线：输出是否含违法有害信息、是否履行生成合成内容标识义务、广告与宣传用语是否合规、是否构成虚假或误导性信息。
- 责任与合同线：模型供应商服务条款中的责任限制、赔偿范围、数据使用授权；企业与客户之间的责任划分；内部审批与留痕。
- 行业监管线：金融、医疗、汽车、教育等强监管行业对算法、自动化决策、专业意见的额外要求。
这五条线不是并列的，它们通过“数据入口—模型处理—输出出口”这条链路相互影响。下图给出本节的全景认知图：上半部分是四种应用形态，下半部分是五条风险主线，中间的箭头表示形态与风险的对应关系，右侧是课程后续的学习路径。
三、课程目标：从“知道有风险”到“能落地管控”
本课程的目标不是让学员背法条，而是形成三种可操作的能力：
- 识别能力：拿到一个生成式AI项目，能判断它属于哪种应用形态、触发哪几条风险主线、当前最薄弱的一环在哪里。
- 处置能力：能针对具体风险点采取动作，例如在提示词层做个人信息脱敏、在合同层争取数据使用限制与赔偿条款、在输出层建立人工复核与标识流程。
- 举证能力：能留下“已尽合理注意义务”的证据链，包括审批记录、评估报告、审核日志、供应商合规材料。这在争议发生时往往比事后解释更有价值。
常见误区：把合规等同于“让法务审一遍”。生成式AI的风险大量产生在业务人员写提示词、选工具、发内容的那一刻，法务无法覆盖每个操作。因此本课程强调把控制点前移到业务流程中，而不是集中在最后一道审核。