企业官网建设流程全解析

最近我在逐条整理涉AI案件的司法裁判规则，翻到第二条时专门停下来写了一大段笔记。原因很简单：AI案件现在最难的不是技术事实认定，而是责任分配。同一个大模型，用在客服机器人上、用在辅助诊断上、用在自动驾驶上，出事之后的归责逻辑完全不同，可很多当事人和律师还是习惯拿一套“通用侵权公式”往案件上套，结果越套越乱。第二条提出的“场景化分级归责”，恰恰就是用来打破这种一刀切思路的。这篇笔记我尽量写得实在一些，把这条规则背后的裁判逻辑、实操维度和几个典型场景下的推演都摊开讲，适合正在处理涉AI纠纷的律师、企业法务、AI产品经理和合规岗朋友参考。

1. 第二条在整份规则里的定位：先把“差异化”的逻辑搞清楚

1.1 场景化分级归责，到底在解决什么难题

不看前因后果，单独读“场景化分级归责”这几个字容易觉得空。但把它放回AI案件的现实里，你会发现它几乎每句话都在回应实务痛点。

我处理过的AI相关纠纷里，争议焦点通常不在“AI有没有错”，而是“该不该由这个被告负责、该负多少责任”。一个用户用AI生成了侵权图片，图片发布后造成权利人损失，这时候该找大模型研发方、部署这个应用的平台、还是直接找那个输入提示词的用户？传统侵权法里，我们习惯先判断行为主体，再判断过错和因果关系，可AI系统一脚插进来之后，行为链条被打碎了：模型是研发者做的，应用是部署者调的，输出内容里有一部分是随机生成的，连使用者自己都很难预判结果。这时候如果拿着“谁行为谁负责”的老尺子量，根本量不出一个稳定答案。

第二条的思路是把尺子换掉：先别急着找单一责任人，先回到具体场景里去拆，看清楚AI在这个场景中承担什么功能、各方主体对结果的控制力有多大、风险是怎么分配出去的，再按照控制力和注意义务来分级定责。这样做的好处是，裁判结论不是从抽象技术概念里推出来的，而是从案件事实里长出来的。

1.2 为什么不能给AI案件定一套“通用公式”

有人会问：直接规定“AI侵权由部署者承担无过错责任”不是更省事？这种想法的确省事，但会制造更大的不公平。

原因在于AI的风险分布极不均匀。内容生成类模型的输出天然带有随机性，同一个提示词可能生成一篇正常文章，也可能生成一段带虚假信息的回答，部署者能通过审核机制降低风险，但没办法保证每条输出都精准可控；辅助医疗决策的AI则不一样，它的输出直接影响医生的诊断方向，风险高度集中在专业判断环节，对研发者和部署者的安全要求自然要更高；到了自动驾驶、工业机器人这类物理世界执行场景，一旦出错就是人身财产损害，不可逆，责任配置必须更严格。

这三种场景如果套同一个责任标准，就会出现要么让内容生成平台承担过重责任，要么让自动驾驶运营者承担过轻责任的结果。第二条强调“差异化”，本质上是承认AI不是一种技术，而是“模型+数据+算力+产品+服务”的组合体，必须按照场景的风险结构来匹配归责原则。这也是这套规则最有方法论价值的地方：它不是替每个案件给出答案，而是给裁判者一套寻找答案的思维框架。

2. 场景化归责的三个核心维度：场景、角色、介入程度

2.1 按应用场景切分：风险等级决定归责方向

把AI放到哪个场景里用，基本决定了归责的大方向。我习惯把常见场景分成四类，每类的风险特点和法律评价重点都不一样，这里整理成一张对照表，方便大家直接参考：

这里要特别提醒一个容易踩的坑：同一个AI系统在不同场景下会有不同的法律身份。一个AI客服模块，嵌在电商平台里就是内容生成场景，嵌在医疗问诊App里就成了专业辅助决策场景，归责起点完全不一样。处理案件时不要只看技术名称，要看它的实际服务场景和用户合理预期。这也是“场景化”三个字的真正含义。

2.2 按主体角色切分：研发者、部署者、使用者各管一段

场景定完之后，第二步是把链条上的主体拆开。一个AI产品从开发到落地，至少涉及三类角色，每类角色对系统的控制力不同，注意义务的内容也不同。

研发者控制的是模型层。预训练数据的质量、算法安全评测、价值观对齐、模型缺陷修复，这些环节都发生在研发阶段。研发者原则上不直接对终端用户承担责任，因为模型做出来之后，具体怎么用、用在哪儿，不是研发者能决定的。但如果研发者明知模型存在高风险缺陷仍然上线，或者没有履行数据合规义务、没有提供必要的安全说明，那就要为缺陷承担责任。

部署者控制的是场景层。把模型接入具体产品、设置审核机制、编写用户协议、决定是否进行人工干预，这些都是部署者的动作。部署者通常是对用户的第一责任人，原因很直接：他是最接近风险现场、最有可能控制损害的人。实务里常见的“AI生成侵权内容”纠纷，首查对象基本就是部署这个应用的平台。

使用者的控制力相对最弱，但并非完全没有。使用者决定输入什么提示词、把生成结果用于什么目的、有没有尽到合理的审查注意。如果使用者故意利用AI从事侵权甚至违法活动，或者违背产品说明滥用功能，这部分产生的责任就需要自己承担。分清这三层角色，后面谈责任比例才有基础。

2.3 按介入程度切分：全自动和人工审核不能一个罚则

第三个维度是人的介入程度，这个维度在实务里经常被忽略。

同样是内容生成平台，A平台是纯自动生成后直接发布，B平台在发布前有人工审核环节，C平台设置了敏感词过滤加抽检机制，三者的可责性明显不一样。裁判时要看“人在回路”的真实情况，而不是看产品宣传页上有没有写“AI审核”四个字。实务中常见的问题是：平台号称有人工审核，实际上只是用户举报后被动处理，并没有主动的发布前审核流程。这种情况下，人工审核条款不能成为减免责任的依据。

介入程度的设计也会反过来影响责任分配逻辑。全自动模式下，系统自主性高，设计者和部署者要对算法决策的后果承担更重责任；人工审核存在的场景中，如果审核人没有尽到合理注意义务，则平台要承担过错责任，但同时可以因为建立了审核机制而主张已尽部分注意义务。这里面的分寸把握，恰恰是场景化分级归责最考验裁判者经验的地方。

注意：判断介入程度时，要看真实的技术链路和工作流程，不能用一纸制度文件代替。制度上写了人工审核但实际没执行，比完全没有审核更危险，会被认定为怠于履行注意义务。

3. 分级归责的实操拆解：从定性到定量的四个步骤

3.1 第一步：固定AI系统的运行链路

任何AI责任案件，第一步都不是翻法条，而是先摸清楚系统到底是怎么跑起来的。我见过太多案子，起诉状写得洋洋洒洒，但连“是谁的提示词、哪个模型版本、经过什么接口、有没有审核记录”都说不清楚，这种案子没法谈归责。

固定运行链路要重点收集几类材料：产品技术文档、模型版本号、训练数据说明、算法备案信息、用户与平台的交互日志、审核记录、修改记录、下架处置记录。尤其是日志，AI系统的日志保存期往往有限，如果不在第一时间申请证据保全、公证或法院调证，后面很可能就查不到了。实际操作中我会建议做一张时间轴，把“指令输入—模型推理—结果生成—人工审核—发布/执行”每个节点的具体时间、操作主体、系统状态都标出来，这张图就是后面谈“控制力”和“原因力”的事实基础。

3.2 第二步：还原各方主体的控制力

事实链固定之后，要回答一个核心问题：在损害发生的那一刻，哪一方最有能力阻止损害？

控制力分析不是看合同怎么约定，而是看实际操作权限。谁能在系统运行前修改参数，谁能在输出环节设置拦截规则，谁能在发现异常后立即停止服务，这些才是判断控制力的关键。比如一家企业在大模型厂商的API基础上做了自己的客服机器人，企业能调整提示词、能设置敏感词库、能决定是否人工介入，但模型底层的参数改不了，那模型底层缺陷导致的问题就归研发方，场景应用层面的控制失误就归企业自身。控制力在哪，责任的边界就在哪。

这里还要注意一个容易忽略的角色：开源模型提供者。开源模型不等于完全免责，如果提供者知道模型存在特定安全隐患仍不提示，或者选择了一个明知会被用于高风险场景的模型进行定向引导，就要承担相应责任。只不过相比部署方，开源提供者的控制力更弱，通常只在存在特殊过错时才介入。

3.3 第三步：判断注意义务的边界

有了控制力分布，还得看各方有没有尽到与场景相匹配的注意义务。注意义务的强度不是恒定的，而是随场景变化递增。

一般内容生成场景，部署者做到“事前风险提示、事中敏感内容拦截、事后快速处置”三件事，通常就算尽到了基本注意义务；但医疗、金融这类专业辅助决策场景，注意义务会明显拔高，部署者不仅要保证系统安全，还要做专业适配性验证、持续监测输出质量、对高风险结论设置复核机制。如果是面向未成年人或者大规模不特定公众的产品，注意义务也会相应加重。

判断注意义务是否履行，不能只看结果。AI系统再完善也可能出错，法律不强人所难，关键在于这个错误是否在一个合理、谨慎的从业者应当预见并采取措施的范围内。比如医疗AI出现误诊，如果厂商已经做了充分临床验证、提供了清晰的使用限制说明，且医院在实际使用中没有按照规范操作，那厂商的注意义务就不应被无限放大。

3.4 第四步：按原因力划分责任比例

责任定性之后，下一步是定量，也就是按原因力划分比例。原因力判断本质上是一个“如果没有这个行为，损害还会不会发生”的反事实推演。

实务中可以按两个方向拆：技术原因力和行为原因力。技术原因力包括模型是否本身有缺陷、训练数据是否存在偏差、系统是否缺少必要的安全机制；行为原因力包括使用者是否恶意操作、部署者是否未及时处置、受害人是否存在重大过失。两边都要查，不能只盯着技术因素，也不能只看人的行为。

举个例子：用户用某AI绘画平台生成一张与知名作品高度相似的图片，并直接商用，平台没有设置任何风格过滤和版权提示。这种情况下，用户的故意侵权行为是主要原因力，应承担约70%责任；平台没有尽到内容审核与风险提示义务，为侵权提供了便利条件，承担次要责任，约30%。但如果是平台主动提供了“XX风格模型”，明显引导用户往侵权方向生成，那平台的责任比重就要明显上调，甚至可能被认定为帮助侵权。比例划分不是数学题，但裁判文书里必须把划分依据写清楚，这样才能经得起二审和舆论检验。

4. 典型场景下的裁判思路推演与合规提示

4.1 场景一：大模型生成侵权内容，平台怎么担责

这是目前最常见的一类案件。用户用AI生成了侵犯他人名誉权的文章，或者生成假新闻造成不良影响，受害者把平台告上法庭。

按照场景化分级归责的思路，处理顺序是这样的：先看这个内容是谁发布的。如果是平台自己运营的AI功能生成的，平台就是内容提供者，责任相对更重；如果是用户通过平台提供的AI工具生成的，要看平台的审核机制是否有效。平台如果能证明自己进行了合理的风险提示、设置了敏感词拦截、并且接到通知后及时删除，通常可以减轻责任。但如果平台连“AI生成内容”的标识都没有做，还纵容用户批量生成传播，那平台就违反了内容标识义务，很可能会被认定存在过错。

这里有一个容易被误伤的细节：用户输入提示词时是无意的，生成结果恰好侵权了，平台要不要负责？我的看法是，平台需要承担的是“场景管理责任”，而不是“结果保证责任”。平台无法保证每条生成内容都不侵权，但只要平台把审核机制做好、把投诉渠道走通、把风险提示放在显眼位置，就不能仅因为AI输出了侵权内容就认定平台全责。

4.2 场景二：AI辅助诊断出错，医院和厂商怎么分责

医疗AI是分级归责里最典型的“高风险场景”，处理不好容易引发巨大争议。某医院引入AI辅助诊断系统，医生参考AI结论后误诊，患者受到损害，这时候医院和系统厂商的责任怎么切？

先看厂商。如果系统本身存在设计缺陷，比如训练数据偏差导致某类疾病识别率极低，或者产品说明里没有明确标注“辅助参考、不能替代医生独立诊断”，厂商就要承担产品质量责任和安全警示义务违反的责任。再看医院。医院有没有对系统做充分的适配性测试，有没有对医生进行培训，医生在使用时是不是完全放弃独立判断、机械套用AI结论。只要医生存在明显过失，医院就难辞其咎。

比较理想的责任划分思路是：把AI定位成“辅助者”，把医生定位成“最终决策者”。在厂商履行了充分警示义务、系统本身无明显缺陷的前提下，医生未尽独立诊断义务导致误诊的，由医院承担主要责任；在系统存在可验证缺陷的情况下，厂商承担主要责任，医院承担次要的选型审查责任。这个顺序，既保护患者的赔偿利益，又避免厂商用“技术中立”四个字推得一干二净。

4.3 场景三：用户用AI生成图片商用，侵权责任怎么落

AI绘画工具普及之后，创作者拿AI生成作品进行商业使用时引发的著作权纠纷越来越多。这个场景最值得讨论的是使用者的审查义务。

创作者在输入提示词时高度模仿某位在世画家的风格，甚至把原图垫进去生成新图，然后把成果拿去售卖，权利人起诉时，创作者最常见的抗辩是“图片是AI生成的，我不知道它是不是侵权”。这个抗辩在场景化分级归责的逻辑下很难成立。使用者是触发生成动作的人，也是最终决定将成果投入商用的获利者，他应当对输出结果具有合理审查能力，而不能把审查义务完全甩给平台。只要作品与在先作品构成实质性相似，使用者就要承担侵权责任，至于平台是否担责，则要看平台有没有提供诱导性风格推荐、有没有在服务协议中作出警示。

反过来，如果使用者没有商用，只是个人学习研究使用，参考合理使用制度的精神，一般不轻易认定侵权。这里的边界就是“使用目的”和“使用方式”，这也是场景化分析的核心变量。

4.4 场景四：企业内网部署开源模型，出了事谁管

越来越多企业选择在内部部署开源大模型，处理自己的数据。这种模式下，开源模型提供者、企业内部部署者、员工使用者之间的关系，很多人理不清。

先说结论：企业内网部署场景下，企业通常是绝对的责任主体。因为企业自己下载模型、自己部署服务、自己输入数据、自己决定应用场景，等于同时扮演了部署者和运营者的角色，用户也是自己的员工。一旦模型生成的内容引发合规问题或数据泄露，责任要由企业承担，而不能找开源模型提供者“背锅”。

开源模型提供者只有在几种特殊情况下才会被追责：模型本身包含恶意代码或明显后门，提供者故意隐瞒特定安全隐患，或者提供者明知模型会被用于明显违法用途还提供定向优化服务。除此之外，开源提供者的责任边界很清晰，这也是为什么大多数开源模型都强调“按原样提供，不提供担保”。企业如果想用开源模型，一定要自己做好数据脱敏、访问权限控制、输出内容监控，不能把合规成本转嫁给开源社区。

5. 我在实操中踩过的坑和几点经验

5.1 常见误区：把“AI幻觉”当成免责金牌

处理AI纠纷时，被告方十个里有八个会提到AI幻觉，意思是“模型自己编出来的内容，我们也没办法控制”。这个说法一部分符合事实，但用在法律上意义很有限。

AI的输出确实具有概率性，但部署者不是完全无能为力。模型选择、参数调整、系统提示词设计、输出侧审核，每个环节都能降低幻觉率。关键问题是：你有没有做这些事？如果你明知某个场景下模型经常胡编乱造，仍然不做任何干预就上线，那“AI幻觉”就不是免责金牌，而是证明你“应该预见且能够预见危险却没有采取措施”的证据。反过来，如果部署者已经做了行业内通行的安全措施，仍然出现偶发错误，那确实可以说明不存在重大过失。

5.2 办案实操建议：证据固定比法律检索更紧急

AI案件和传统互联网案件有一个明显区别：模型版本迭代太快。今天你还能查到当时的运行日志，明天系统一升级，日志被清理，原本可以证明“平台有没有人工审核”的关键证据就彻底没了。

我在处理这类纠纷时，接案后的第一件事不是大量检索案例，而是立即做证据固定。用户端要固定的是提示词输入记录、生成结果、发布时间；平台端要固定的是模型版本、审核日志、处理记录。能公证就去公证，能申请法院调查令就尽快申请，千万不要等到证据即将灭失时再行动。另外，很多人忽略的一点是：AI系统本身的回复也具有证据价值，但一定要在连续、无中断的情况下录屏，最好同时记录系统时间，避免事后被质疑证据篡改。

5.3 企业合规落地的三个动作

如果企业正在做AI产品，建议尽早把场景化分级归责思路转化成合规动作，别等出了事再补。

第一个动作是做应用场景分级台账。把公司所有AI功能按内容生成、专业辅助、物理控制等类型登记，标注风险等级和对应责任人。第二个动作是建立人机协作审核制度。根据风险等级设计不同的审核强度，高风险场景强制人工复核，中风险场景抽检，低风险场景自动运行加事后处置。第三个动作是更新用户协议和风险提示。明确告知用户“AI生成内容可能存在错误、不具备专业建议效力”，同时写明禁止用途，并保留用户操作日志。

这三个动作看着简单，真落地时能帮企业挡住大量潜在的连带责任，也是未来诉讼里证明“已尽注意义务”的最直接材料。

我个人在实际办案中的体会是，AI归责问题到最后拼的往往不是法条背诵能力，而是对技术细节的理解和对商业场景的敏感度。场景化分级归责这套思路，让我在代理案件时有了一个稳定的分析框架，也希望这篇笔记对正在读这条规则的人有所帮助。