1. 课程导入与全景认知
当生成式AI进入企业日常业务，内容生产的速度与规模被彻底改写：一份营销文案、一张商品主图、一段客服语音、一条短视频脚本，都可能在几秒内由模型产出。效率提升的同时，一个现实问题随之出现——当内容不再由人逐字逐句创作，我们如何判断它是什么、从哪里来、能不能用、该怎么标、出了问题谁负责？这正是本课程要解决的核心问题。
本课程不是单纯讲“AI技术”，也不是单纯讲“法律条文”，而是把治理边界、标识体系、业务合规三条线拧成一股可执行的工程与管理能力。学完30章后，你应当能够：识别一段内容是否属于受监管的AI生成内容；为不同业务场景设计可落地的标识方案；在内容上线前完成合规检查；在出现争议时拿出可追溯的证据链。
一、先厘清三个概念：治理边界、标识体系、业务合规
治理边界回答的是“管什么、不管什么”。并非所有AI参与的内容都需要同等强度的治理。例如，用AI做错别字检查、格式排版，最终内容仍由人主导创作，这类“AI辅助”通常不属于强标识对象；而由模型直接生成、未经实质性人工改写即对外发布的文本、图片、音频、视频，则落入需要标识的范围。边界判断的关键变量包括：生成方式（直接生成/辅助修改）、人工介入程度、发布渠道、内容用途、是否面向公众。
标识体系回答的是“怎么标、标在哪、标什么”。标识不是简单加一行“本文由AI生成”，而是包含显式标识与隐式标识两类。显式标识面向用户可见，如文字提示、角标、水印、语音播报；隐式标识面向机器可读，如文件元数据中的生成信息、数字水印、内容指纹。两者配合，才能同时满足“用户知情”和“平台可核验”。
业务合规回答的是“在具体业务里怎么落地”。同一套标识规则，放在广告文案、医疗科普、金融资讯、电商详情页、在线教育课件中，风险等级和操作要求完全不同。业务合规要把抽象规则翻译成可执行的检查项、可配置的参数、可留存的记录。
二、为什么这三层必须联动
很多团队在落地时容易犯两类错误。第一类是只盯法规、不看业务：把监管条文原样搬进内部制度，结果一线人员不知道具体到某条短视频该在哪个位置加什么标识，制度变成墙上的文件。第二类是只做技术、不管边界：给所有内容都打上“AI生成”水印，包括人工原创内容，反而造成误标，影响用户体验和品牌信任。
正确的做法是让三层形成闭环：边界判断决定哪些内容进入标识流程；标识体系提供技术手段和呈现规范；业务合规把前两者固化为可执行的检查动作和记录。当监管要求变化时，先调整边界判断规则，再同步更新标识配置，最后落到业务检查表中。这个联动关系，是后续所有章节的底层逻辑。
三、一个可操作的边界判断示例
假设某电商团队要发布一批商品详情页文案，来源有三种：A. 运营人员完全手写；B. 运营人员用AI生成初稿后逐句改写并核对事实；C. 运营人员输入提示词后直接复制AI输出发布。按照治理边界的判断逻辑：
- A类：无AI生成内容，不触发AI标识义务，按常规内容审核流程处理。
- B类：AI仅作为辅助工具，最终内容经过实质性人工改写，通常不强制要求AI标识，但建议在内部记录中保留“AI辅助”备注，便于后续追溯。
- C类：属于直接生成的AI内容，对外发布前必须完成显式标识（如详情页底部标注“本页面文案由AI生成”）和隐式标识（在图片元数据或文案文件中写入生成信息）。
这个判断过程不需要复杂计算，但需要明确的判断变量和一致的执行标准。如果同一团队对B类和C类的处理方式前后不一致，就会在监管检查或用户投诉时陷入被动。
四、标识体系的最小可用框架
对于刚开始建立治理能力的团队，不必追求一步到位。一个最小可用的标识框架包含四个要素：
- 标识对象清单：明确哪些内容类型（文本、图片、音频、视频、数字人）需要标识。
- 显式标识模板：为每种内容类型定义标准化的标识文案和展示位置。例如图片类在右下角添加半透明角标，文本类在文末添加固定格式声明。
- 隐式标识字段：定义元数据中必须写入的字段，如生成模型名称、生成时间、内容哈希值、责任主体标识。
- 检查与记录机制：在发布流程中设置检查点，确认标识已正确添加，并留存检查记录。
这个框架可以在后续章节中逐步扩展为完整的治理体系，但起点必须是可执行的，而不是停留在概念层面。
五、实战目标与学习方式
本课程每个章节都会围绕一个具体的治理问题展开，并配有可操作的示例、参数或检查表。学习时建议采用“读—画—做—验”四步法：先读懂概念和规则，再通过章节中的图解理清关系，然后动手在自己的业务场景中模拟一次标识或检查操作，最后用章节给出的判断依据验证结果是否正确。
第1章的目标不是让你记住所有法规条文，而是建立一张全景地图：知道治理边界在哪里、标识体系包含什么、业务合规如何落地，以及三者之间如何联动。有了这张地图，后续每一章的具体知识才能找到自己的位置，而不是变成零散的知识点。