AI企业法律风险地图(七):投资人尽调AI企业,最容易卡在哪五个问题?一、投资人尽调AI企业，查的是公司价值能不能持续成立
（一）AI企业融资尽调，不是普通尽调后面加一个技术附件
普通企业融资，投资人通常会看主体资格、股权结构、财务数据、核心合同、劳动用工、知识产权、重大诉讼和合规情况。AI企业真正值钱的东西，往往不只是一套软件系统，也不只是一批客户合同，而是模型能力、数据能力、场景能力、交付能力和持续迭代能力。投资人不会只看产品能不能演示，而会进一步追问：模型是不是公司的，训练数据能不能用，开源组件有没有限制，第三方API能不能持续供应，客户数据能不能用于产品迭代，输出错误、侵权、删库、误操作等风险由谁承担。这意味着，AI企业尽调不是在普通公司尽调清单后面加一个“技术附件”，而是要围绕模型、数据、代码、客户和监管重新搭一套审查框架。对投资人来说，关键问题不是“这个产品今天能不能跑”，而是“这家公司值钱的东西能不能持续存在”。如果核心模型不能合法商用，数据来源经不起审查，开源组件存在重大限制，客户合同不支持能力沉淀，监管合规没有判断依据，那么产品演示效果再好，也难以支撑稳定估值。（二）最容易被问住的，往往不是技术，而是证据
比如，底层采用什么模型，怎么做RAG，怎么做Agent编排，怎么提高准确率，怎么降低幻觉，怎么做私有化部署，怎么适配客户业务流程。这些内容对投资人有吸引力，也能说明团队的技术理解。但尽调阶段，投资人真正需要的不是口头解释，而是证据链。公司说模型是自研的，就要拿得出模型来源说明、训练记录、代码仓库、研发人员贡献记录、底座模型许可和模型权重控制材料。公司说数据可以训练，就要拿得出数据来源台账、授权文件、用途说明、个人信息处理记录、客户合同条款和数据使用记录。公司说使用开源没有风险，就要拿得出开源清单、许可证审查记录、使用位置说明、是否修改分发的判断材料。公司说客户数据可以用于产品迭代，就要拿得出客户合同、补充协议、数据处理协议或客户授权确认。公司说监管合规没有问题，就要拿得出适用性判断依据、备案材料、用户协议、隐私政策、标识机制、投诉处理和日志留存制度。尽调阶段最不能依赖的，是“行业里都这么做”“技术上没问题”“客户一直没说什么”“先融资以后再补”。这些说法在内部沟通中可能暂时有效，但很难通过专业投资人和律师的审查。融资越往后走，投资人越会把这些问题转成投资协议里的陈述与保证、交割条件、特别承诺、赔偿责任、估值调整和回购触发事项。所以，AI企业融资前要重点处理五个问题：核心资产权属、数据来源和使用边界、开源和第三方依赖、客户合同与商业化承诺、监管合规与历史争议。二、核心资产权属说不清，是AI企业尽调最常见的第一道坎
（一）AI企业的核心资产，不只是软件著作权证书
很多AI企业准备融资材料时，会把软件著作权证书放在知识产权部分，认为这已经足以说明公司拥有技术成果。对AI企业来说，投资人关注的资产远不止软件著作权证书。投资人会进一步关注源代码、模型权重、训练脚本、算法方案、提示词库、评测集、知识库结构、Agent工作流、插件和工具链、部署架构、客户项目沉淀方法，以及这些资产是否真正归公司所有、是否可以持续商用、是否可以对外交付、是否可以在后续融资或并购时转移。软件著作权证书通常只能证明特定软件作品在登记材料范围内的权属状态，不能当然证明公司拥有全部模型成果、训练数据权益、提示词体系、知识库结构、业务规则、Agent流程和客户项目沉淀。比如，一个行业AI助手的核心价值可能不在前端页面，也不在普通业务代码，而在客户业务流程的拆解能力、知识库构建方法、Prompt模板、评测标准、工具调用链和项目交付经验。如果公司只拿出几个软著证书，却无法证明这些核心能力归属公司，投资人仍会认为权属链条不完整。（二）最容易卡住的权属问题，通常来自早期不规范
AI企业核心资产权属问题，往往不是融资阶段才产生，而是在公司早期就已经埋下。很多AI创业项目在公司设立前就已经开始研发。创始人可能用个人电脑写代码，用个人Git账号管理仓库，用个人账号调用模型API，用个人资源积累行业资料，甚至已经做出Demo。公司设立后，团队默认这些成果“自然属于公司”。但从法律上看，公司成立前已经形成的代码、模型工具、训练脚本、知识库结构和产品方案，不会当然因为创始人设立公司就自动归公司所有。投资人会问：这些既有成果是否转让给公司？是否授权公司使用？授权是否排他？能否商用？能否再授权客户？创始人退出后公司能否继续使用？如果没有转让协议、授权协议、创始人确认函或出资安排，这类问题很容易卡住。员工在职期间基于公司任务形成的职务成果，通常可以通过劳动合同、公司制度、研发任务记录和成果归属协议证明归属。但如果公司没有签署成果归属文件，没有明确研发任务，没有保留代码贡献记录，或者员工离职时没有完成交接，投资人会继续追问。兼职人员、实习生和临时开发人员的风险更高。他们可能不是公司正式员工，却参与了核心模块开发、模型调优、数据处理、知识库搭建或客户项目交付。如果没有书面协议，公司很难证明其成果已经归公司所有或公司有权使用。AI企业早期为了赶进度，经常找外包团队开发前端、后台、接口、数据处理脚本、知识库系统、部署工具甚至部分算法模块。问题在于，外包合同如果只写“完成开发服务”，没有明确源代码交付、权利转让、开源组件披露、二次开发权、商业使用权和不侵权保证，公司可能只拿到一个能运行的系统，却拿不到可持续维护、可融资尽调、可客户交付的核心资产。投资人会重点看：外包方是否交付源代码，是否交付接口文档和部署文档，是否转让相关知识产权，是否允许公司修改和二次开发，外包方是否还可以将相同模块复用于其他客户。顾问可能提供行业规则、业务流程、诊断逻辑、风险判断标准、知识库结构、评测体系和产品方案。这些内容一旦进入AI系统，就可能成为公司核心能力的一部分。但顾问提供的内容是否可以长期商用、是否可以用于多个客户、是否可以改编成知识库、是否可以用于训练或评测，不能靠口头默许。尤其是顾问如果使用了其原单位资料、第三方报告、行业数据库或受限资料，还可能引发第三方权利问题。一些AI团队来自高校、科研机构或大厂，早期成果可能与原单位项目、科研课题、职务发明、竞业限制、保密义务有关。如果创始人或核心研发人员把原单位形成的代码、模型、数据、论文成果、项目资料带入新公司，而没有清晰的权利边界，投资人会非常谨慎。这类问题一旦成立，影响的不只是某个模块，而可能触及公司核心资产合法性。（三）投资人会根据严重程度采取不同处理方式
核心资产权属问题并不必然导致融资失败，关键看问题严重程度和补救可能性。如果只是个别文件缺失，相关人员仍在公司，事实清楚，权利争议风险较低，投资人通常会要求补签权属确认文件、完善员工成果归属协议、更新尽调披露表，并要求公司在投资协议中作出相应陈述。如果涉及外包团队、离职员工、兼职人员、顾问专家或创始人既有成果，但可以通过补签协议、取得确认、补充交付、替换模块等方式整改，投资人可能会把整改作为交割条件。例如，要求交割前完成核心人员成果归属确认，完成外包成果转让文件，取得顾问成果商用授权，补齐离职员工交接记录。同时，投资人可能要求创始人就相关权属问题作出特别陈述和赔偿承诺。如果核心资产存在明显第三方权利争议，或者关键模型、代码、数据可能属于原单位、高校、外包方、客户或其他主体，且短期无法补救，投资人可能下调估值、延后投资、要求剥离相关资产，严重时会直接放弃交易。尤其是当公司估值主要建立在某项模型、数据或技术能力之上，而该能力权属无法证明时，投资人很难继续按原估值推进。（四）融资前应准备核心资产证据包
AI企业融资前，应当主动准备核心资产证据包，而不是等投资人逐项追问。至少应包括核心资产清单、代码仓库和贡献记录、员工成果归属文件、外包交付和权利转让文件、顾问成果使用确认、创始人既有成果投入公司的确认文件、知识产权登记和申请材料、离职员工交接记录。核心资产清单要尽量具体，不要只写“AI系统”“算法平台”“行业模型”。应当列明源代码、模型权重、训练脚本、知识库结构、Prompt模板、Agent工作流、插件工具、部署架构、评测集、客户项目沉淀方法等。代码仓库和贡献记录要能对应到人员、时间、任务和版本。外包文件要能证明公司不仅拿到了服务结果，也拿到了商业化所需的权利。顾问文件要能证明公司可以长期使用相关行业规则和知识成果。创始人既有成果要有转让、授权或确认文件，不能只靠“创始人是公司股东”来解释。三、数据来源和使用边界说不清，会让“数据资产”变成合规负担
（一）AI企业最容易把“有数据”说成“有资产”
AI企业融资时，经常会把“拥有大量行业数据”“积累了客户真实场景数据”“形成了行业知识库”作为核心卖点。数据从哪里来？谁有权提供？能不能用于训练？能不能用于微调？能不能商用？能不能用于其他客户？能不能继续更新？能不能在并购退出时交割？数据使用是否涉及个人信息、版权、商业秘密或客户合同限制？如果这些问题答不上来，数据越多，未必越值钱，反而可能意味着合规风险越多。对AI企业来说，数据要成为资产，至少需要满足三个条件：来源可追溯，授权可证明，用途可持续。如果数据只是散落在研发电脑、云盘、客户项目文件夹和临时数据库里，没有来源台账、授权文件和使用记录，很难在融资尽调中被认定为可靠资产。（二）不同数据来源，对应不同风险
AI企业常见数据来源很多，但不同来源的审查重点不同。企业需要关注网站规则、服务条款、robots协议、反爬限制、著作权、数据库权益、个人信息和不正当竞争风险。尤其是大规模采集、绕过技术措施、采集带有明显版权属性的内容、采集个人信息或采集需登录后获取的数据，风险会明显增加。如果公司用公开网络数据训练模型或搭建知识库，融资前应当形成采集来源、采集方式、数据清洗、个人信息处理、版权风险判断和使用范围说明。购买数据集的重点，不是有没有付款，而是供应商是否有权提供，以及购买协议是否允许训练和商用。很多数据采购协议只允许内部研究、统计分析或特定项目使用，不一定允许模型训练、微调、商用、转授权、客户交付或并购后继续使用。AI企业不能仅凭发票证明数据合法商用，还要看合同授权范围。客户提供数据，通常是为了完成该客户项目，不当然同意AI企业用于通用模型训练、其他客户项目、产品迭代或商业宣传。投资人会追问客户合同中是否有数据使用条款，是否允许模型优化，是否允许通用能力沉淀，是否要求删除或返还，是否限制服务竞争对手。用户交互数据可能包括输入内容、输出内容、点击记录、反馈记录、账户信息、行为轨迹、语音、图像、聊天记录等。如果涉及个人信息，企业需要关注隐私政策、用户协议、告知同意、最小必要、保存期限、删除机制、用户权利响应、委托处理和共享规则。如果公司计划将用户交互数据用于模型优化，还应在用户协议或隐私政策中明确处理目的和范围。这类资料常被用于搭建行业知识库、训练语料、评测题库和RAG检索内容。但报告、论文、图书、数据库往往涉及著作权、数据库权益、订阅协议、转载限制和商业使用限制。企业不能简单认为“买了报告”就可以用于训练，也不能认为“论文公开发表”就可以任意复制、向客户交付或作为商业知识库使用。员工或专家经验整理看似风险较低，但也要注意人格权益、保密义务和成果归属。专家提供的规则、案例、经验、流程和判断标准，可能来自其个人长期积累，也可能来自原单位资料、客户项目、第三方数据库或未公开文件。企业应当通过顾问协议、成果确认和资料来源保证明确权利边界。（三）投资人真正关注的是边界意识
创业公司早期很难做到所有数据都完全标准化、完美化。投资人真正关注的是，公司有没有边界意识，有没有数据管理能力，有没有把风险数据和可商用数据区分开。哪些数据能用于训练，哪些只能内部测试，哪些只能服务单一客户，哪些不能进入通用模型，哪些必须删除或隔离，哪些需要补充授权，哪些需要做个人信息处理，哪些需要在客户合同中补充分层条款，这些都要能说清楚。如果企业连数据来源台账都没有，投资人很难相信公司能够管理后续商业化风险。一个数据管理成熟的AI企业，至少应当能够把数据分成几类：可商用训练数据、仅限内部测试数据、客户项目专用数据、可脱敏沉淀数据、评测数据、应隔离或删除数据。这种分层不只是合规动作，也直接影响商业模式。只有能被合法、持续、可复制使用的数据，才可能真正支撑企业估值。（四）融资前应准备数据合规证据包
AI企业融资前，应当准备数据来源台账、数据授权文件、客户数据使用条款、个人信息处理说明、数据分类分级记录、训练、微调、评测、RAG使用记录、问题数据隔离和清理记录、数据出境或共享情况说明。数据来源台账至少要记录数据名称、来源、取得时间、取得方式、授权文件、允许用途、限制条件和实际使用情况。数据授权文件要对应具体数据来源，不要笼统放一个“合作协议”就认为全部数据都可用。客户数据使用条款要区分为客户提供服务、为客户优化系统、公司通用模型优化、其他客户项目复用、匿名化统计分析等不同用途。个人信息处理说明要覆盖处理目的、处理方式、合法基础、敏感个人信息、保存期限、第三方共享、数据出境和用户权利响应。问题数据隔离记录也很重要。投资人不怕企业发现问题，怕的是企业发现问题后仍继续混用。四、开源和第三方依赖说不清，会削弱技术壁垒和交付确定性
（一）用了开源和第三方服务不是问题，不知道用了什么才是问题
AI企业早期使用开源代码、开源模型、开源数据集和第三方API，是非常正常的事情。创业公司不可能所有组件都自研，也没有必要重复造轮子。合理使用开源和成熟供应商能力，可以加快研发和交付。问题也不在于调用第三方API，而在于把第三方能力包装成完全自有能力。投资人不会因为企业使用开源就否定项目，也不会因为企业调用第三方模型API就直接否定价值。投资人真正关注的是：使用范围是否清楚，许可边界是否清楚，商业化是否受限制，客户交付是否会触发披露义务，核心能力是否过度依赖单一供应商，替代方案是否存在。如果企业能够如实说明自己的能力结构，例如底层调用第三方模型，核心壁垒在行业知识库、客户流程、Agent工作流、数据治理和交付经验，这反而有助于投资人理解企业价值。最危险的是，明明是集成能力，却对外说成完全自研基础模型；明明依赖单一API，却说成底层能力完全可控。（二）开源尽调最容易卡在清单和许可证
研发团队可能知道用了哪些库、哪些模型、哪些数据集，但没有形成统一记录。等投资人要求披露时，才临时从代码仓库、依赖文件、部署脚本和研发人员记忆中拼凑。开源尽调还会重点看许可证类型是否清楚，是否修改了开源代码，是否向客户分发，是否用于私有化部署，是否触发强开源义务，开源模型能否商用，开源数据集能否用于训练，客户私有化部署是否触发源代码披露或同许可证传播义务。对AI企业来说，开源模型和开源数据集尤其要单独审查。有些模型可以研究使用，但商业使用有限制。有些模型允许商用，但对使用场景、用户规模、再分发、竞争性使用或特定高风险领域有要求。有些数据集可以下载使用，但并不允许商业训练、再分发或嵌入商业产品。“能下载”“能跑起来”“社区很多人在用”都不能替代许可证审查。（三）第三方依赖尽调最容易卡在API条款和供应连续性
第三方依赖的尽调重点，通常集中在底层模型API、云服务、向量数据库、OCR、语音识别、图像生成、内容审核、嵌入模型和Agent工具框架等。投资人会重点问：底层模型API是否允许商用，是否允许集成到客户产品，是否允许转售或再包装，是否允许保存输入输出，是否允许使用输出结果训练公司模型，供应商能否单方调价、限流、停服，模型下线或版本替换时公司能否迁移，是否存在单一供应商依赖，是否有服务连续性和SLA安排。如果企业的客户合同承诺了较高服务可用性、响应速度、数据安全和稳定交付，但上游供应商条款却允许随时调价、暂停服务、限制使用场景或修改模型版本，公司就会产生履约风险。如果企业使用第三方API输出结果训练自己的模型，还要重点审查供应商是否禁止将输出用于训练竞争模型或再训练。如果涉及境外API或境外云服务，还要进一步关注客户数据是否出境、个人信息跨境提供、客户合同限制和行业监管要求。（四）投资人真正关心的是壁垒是否真实
开源和第三方依赖问题，最终会回到一个商业判断：公司的壁垒是否真实。如果核心能力来自第三方模型，公司壁垒可能不在底层模型，而在数据、场景、工作流、客户关系、交付能力、行业知识库、权限控制和系统集成。如果公司真正有价值的是垂直场景理解、客户侧部署经验、行业流程抽象能力和Agent工作流，就应该用客户案例、合同续费、交付效率、知识库结构、流程资产和数据治理能力证明，而不是把第三方底座能力包装成自研模型。过度包装在融资尽调中很容易变成重大陈述风险。投资人一旦发现技术架构、供应商合同和商业表述不一致，会进一步怀疑公司的披露诚信。（五）融资前应准备开源和第三方依赖证据包
AI企业融资前，应当准备开源代码清单、开源模型清单、开源数据集清单、许可证审查记录、第三方API和云服务合同、供应商依赖说明、替代方案或迁移方案、客户合同中关于第三方服务中断的责任边界。开源清单应写明项目名称、版本、许可证、使用位置、是否修改、是否分发、是否用于客户交付、是否影响闭源商业化。第三方API和云服务合同应重点标注商用、转售、再包装、保存输入输出、训练使用、服务可用性、价格调整、停服、数据处理和跨境使用条款。供应商依赖说明应坦诚说明哪些能力依赖第三方，哪些能力公司可以替代，替代成本和迁移周期是多少。客户合同中也应处理第三方服务中断责任，避免公司对客户承诺绝对连续服务，但上游供应商却不承担相应责任。五、客户合同和商业化承诺说不清，会把收入变成潜在负债
（一）投资人不仅看客户数量，还会看合同质量
AI企业融资时，客户数量、标杆客户、试点项目、收入增长都很重要。但投资人不会只看有没有客户，还会看客户合同怎么写。早期AI企业为了拿客户，合同往往写得很满。比如承诺准确率，承诺降本增效，承诺替代人工，承诺输出无侵权，承诺系统永远可用，承诺客户数据绝对安全，承诺不限范围的赔偿责任。这些承诺在短期内可能有助于签单，但在融资尽调时会变成潜在负债。投资人会评估：这些合同是否可持续履行？收入是否稳定？客户是否随时可以解除？验收是否存在争议？赔偿责任是否过高？客户数据是否限制复用？项目成果是否归客户独占？公司是否为了签单牺牲了未来商业化空间？AI企业的客户合同，不只是收入证明，也是风险来源。（二）客户合同最容易被追问五类条款
投资人会看验收标准是否客观，验收流程是否明确，客户是否可以无限期拒绝验收，是否存在“客户满意为准”“达到客户要求为准”等过于主观的表述。AI项目本身具有不确定性，如果验收标准过于模糊，客户很容易以模型效果不达预期、回答不稳定、准确率不足、场景覆盖不全为由拒绝验收。更稳妥的做法，是将验收标准拆解为功能验收、部署验收、数据接入验收、性能指标验收、试运行期限和问题修复机制，避免把全部风险压在一个抽象的“效果满意”上。准确率、召回率、响应速度、转化率、降本比例、替代人工比例、错误率、解决率，这些指标如果要写入合同，必须有可验证口径。例如，准确率针对什么数据集，谁提供测试样本，样本量是多少，是否排除数据质量问题，测试环境是否固定，指标未达成时是继续优化、减免费用，还是构成违约。如果合同中承诺“保证替代人工”“保证降低成本”“保证输出准确”，但没有限定场景、条件、数据质量和客户配合义务，企业后续风险会很高。合同要写清客户数据能否用于训练、优化、沉淀和复用。为该客户提供服务，与用于公司通用模型优化，是不同用途。用于该客户系统优化，与用于其他客户项目，也是不同用途。如果合同没有授权，企业不宜默认可以把客户资料、问答记录、工单数据、业务流程、行业知识库用于通用产品能力沉淀。AI输出可能错误、侵权、误导，甚至生成违法违规内容。客户合同应当明确输出内容的使用方式、人工复核义务、禁止用途、客户发布责任、AI企业的技术服务边界以及发生投诉后的处理流程。尤其是在医疗、金融、法律、教育、招聘等专业场景中，如果客户直接依赖AI输出对外作出决策、发布内容或提供专业建议，责任边界必须更清楚。投资人会看赔偿上限是否合理，是否排除间接损失、利润损失、商誉损失、数据丢失衍生损失，是否存在无上限赔偿，数据泄露、侵权索赔、保密违约、故意或重大过失是否作为例外。早期企业如果对多个客户签署无上限赔偿或过高违约责任，融资尽调时会被重点提示。（三）投资人会关注客户收入的质量
投资人会关注收入来自一次性项目，还是可持续订阅；客户是否有便利解除权；客户是否有源代码、模型权重或训练数据交付要求；客户是否限制公司复用项目经验；客户是否要求排他、行业独占或区域独占；客户是否拖欠款项或存在验收争议；客户是否可主张高额违约责任。例如，一家AI企业收入看起来不错，但大部分收入来自一次性定制项目，客户合同限制公司复用项目成果，客户还有便利解除权和严苛验收权，这类收入的估值质量就会被打折。又如，公司拿到某个标杆客户，但合同约定该行业内不得服务竞争对手，或者项目成果归客户独占，这可能直接影响公司后续拓展同类客户。客户合同不是越让步越好。过度让步可能换来短期收入，却牺牲长期商业化空间。（四）融资前应准备客户合同和收入质量证据包
AI企业融资前，应当准备客户合同台账、重大客户合同摘要、验收和回款记录、客户数据使用边界说明、历史投诉和争议记录、输出责任和赔偿责任说明、项目制收入与订阅式收入分类、合同中不利条款的风险提示和整改方案。客户合同台账要标注合同金额、服务内容、履行状态、验收状态、回款状态、续费情况、解除权、排他条款、数据条款、知识产权条款和赔偿上限。重大客户合同摘要应当把高风险条款单独列出来，不能只展示合同金额和客户名称。对于已经存在不利条款的合同，企业应当提前形成解释和整改方案。例如，下一轮续约时修改验收标准，补充客户数据分层条款，限制输出责任，调整赔偿上限，明确第三方服务中断责任。六、监管合规和历史争议说不清，会影响交易确定性
（一）AI企业监管问题不会只在上市阶段才出现
有些创业公司会认为，监管合规是上市阶段才需要系统处理的问题，早期融资只要产品和客户好就行。如果AI产品已经对外提供服务，投资人会看是否涉及算法推荐、生成式AI服务、深度合成、AIGC标识、数据安全、个人信息保护、网络安全和内容安全等问题。如果产品进入行业场景，还要看医疗、金融、教育、法律、招聘、信贷、保险、政务、公共安全等特定监管要求。如果公司有跨境业务，还要看数据出境、境外部署、出口管制和境外AI监管规则。不是所有AI企业都需要同时适用全部规则，但企业必须能说明为什么适用或不适用。投资人并不要求公司对所有监管问题都给出绝对答案，但会要求公司有基本判断依据、有整改路径、有责任人、有时间表。（二）监管合规最容易被问住的地方
监管合规尽调中，AI企业最容易被问住的，不是某个法条，而是没有形成书面判断。公司是否判断过自己是否需要备案？判断依据是什么？是否已经形成内部合规意见或外部法律意见？是否存在已经应备案但未备案的情况？是否履行生成内容标识义务？是否建立投诉、纠错和日志留存机制？是否处理过个人信息保护影响评估？是否存在监管问询、投诉、处罚或整改？是否有未披露的数据安全事件？这些问题如果没有材料，企业只能现场解释。现场解释通常不够。比如，公司提供图片、音频、视频、数字人生成服务，就要判断是否涉及深度合成和标识要求。公司面向公众提供生成式AI服务，就要判断生成式AI相关备案、内容安全、训练数据来源、标识、用户管理、投诉处理等要求。公司做推荐、排序、画像、分发，就要判断是否涉及算法推荐规则。公司处理大量个人信息或敏感个人信息，就要判断个人信息保护影响评估、委托处理、共享、出境、安全措施等问题。如果公司接入境外大模型API处理客户数据，还要判断是否涉及跨境传输、客户授权、个人信息出境和行业限制。（三）历史争议不能只看有没有诉讼
很多AI企业在融资材料中只披露诉讼和仲裁，却忽略了其他历史争议。AI企业的历史争议可能表现为客户投诉、输出侵权主张、数据删除要求、员工成果归属争议、外包质量争议、开源协议提醒、供应商停服或封号、用户举报、平台下架、监管问询、数据安全事件、模型输出错误导致客户损失等。例如，客户曾书面要求公司删除项目数据，说明客户对数据使用边界存在敏感点。员工曾主张某模块由其个人开发，说明核心资产权属存在潜在争议。供应商曾因违规调用封禁API，说明第三方依赖和供应连续性存在问题。平台曾下架产品或要求整改，说明内容安全或标识机制可能存在缺口。融资前应如实披露并分类处理，不要等投资人从客户访谈、员工访谈、公开渠道或供应商访谈中发现。由公司主动披露并说明整改情况，与被投资人发现后追问，效果完全不同。（四）融资前应准备监管和争议证据包
AI企业融资前，应当准备监管适用性判断表、备案和合规材料、隐私政策和用户协议、日志留存和投诉处理制度、历史投诉和争议清单、整改记录、数据安全事件说明、行业合规限制说明。监管适用性判断表应当列明公司各产品线、服务对象、是否面向公众、是否生成内容、是否深度合成、是否算法推荐、是否处理个人信息、是否跨境、是否进入特殊行业，并对应判断适用或不适用的监管要求。历史投诉和争议清单不宜只列诉讼。客户书面投诉、律师函、平台通知、监管问询、供应商封号、员工权属争议、外包交付争议、用户删除请求、侵权通知，都应当根据重要性分类梳理。整改记录要说明问题如何发现、如何处理、是否关闭、是否仍有残余风险。七、投资人会把尽调问题写进投资文件
（一）写进陈述与保证
投资人会要求公司和创始人承诺：公司合法拥有或有权使用模型、代码、数据和知识产权；训练数据和客户数据使用合法合规；开源组件不存在重大不利影响；不存在重大未披露监管风险；不存在重大未披露争议、投诉或数据安全事件。一旦后续证明陈述不实，公司和创始人可能承担赔偿责任，严重时还可能触发回购或其他违约后果。因此，企业不能为了签约顺利就作出过度承诺。对于确实存在的不确定事项，应通过披露表、例外事项、整改承诺和风险分担条款处理。（二）写成交割条件
如果问题可以整改，但投资人不愿意在整改前完成投资，就会写成交割条件。例如，补签核心人员成果归属文件，完成高风险开源组件替换，完成客户合同补充协议，完成必要备案或合规整改，取得关键供应商或客户同意，解决特定权属争议。如果企业融资前没有提前梳理，等到协议谈判阶段才发现要补大量文件，交易周期会被拉长，投资人也可能重新评估项目确定性。（三）写进赔偿条款
对于历史训练数据瑕疵、开源协议违规、知识产权归属争议、客户数据滥用、监管处罚、第三方索赔等事项，投资人可能要求写入特别赔偿条款。特别赔偿可能不受一般赔偿上限限制，也可能要求创始人承担连带责任。对创始人来说，这类条款必须高度重视。融资不是只拿钱，也是在对历史问题作出责任承诺。如果模型、数据、开源和客户合同问题没有提前梳理，创始人很容易在投资协议中承担超出预期的责任。（四）写进估值和付款安排
投资人可能要求估值调整、分期付款、投资款用途限制、业绩或合规里程碑、保留部分投资款、设置回购或补偿触发条件。例如，某项监管备案未完成，投资人可能要求备案完成后再支付部分投资款。某批数据授权存在不确定性，投资人可能要求公司在一定期限内补齐授权，否则触发补偿。某个核心客户合同验收不确定，投资人可能将其作为估值调整或里程碑条件。这说明，尽调问题不会停留在尽调报告里，而会转化为交易条款。八、融资前建议做一次“五线自查”
（一）第一线：资产权属
资产权属自查，要围绕模型、代码、数据、提示词、知识库、工作流、插件和客户项目成果展开。公司应当逐项确认：资产是什么，谁形成的，何时形成，是否归公司所有，是否有第三方权利限制，是否已经登记或留痕，是否可对外交付，是否可在融资或并购中作为公司资产披露。对创始人既有成果、离职员工成果、外包成果、顾问成果、高校或原单位背景成果，要单独标注。（二）第二线：数据合规
数据合规自查，要围绕数据来源、授权范围、个人信息、客户数据、训练用途、出境和共享、删除和隔离展开。公司应当把数据分层：可商用训练数据、仅限内部测试数据、客户项目专用数据、可脱敏沉淀数据、评测数据、应隔离或删除数据。每类数据都要能对应来源、授权、用途、限制和实际使用记录。（三）第三线：开源和第三方依赖
开源和第三方依赖自查，要覆盖开源代码、开源模型、开源数据集、第三方API、云服务、供应商停服和替代方案。公司应当形成清单，判断许可证是否允许商用、是否影响闭源交付、是否限制私有化部署、是否允许训练和再分发。第三方服务要看是否允许转售、集成、保存输入输出、用输出训练模型，是否存在单方调价、停服、限流和跨境限制。（四）第四线：客户合同
客户合同自查，要重点看验收、效果承诺、数据使用、输出责任、赔偿上限和服务连续性。对客户解除权、排他条款、数据复用限制、源代码或模型交付要求、无上限赔偿、验收争议和回款风险，要提前披露和整改。（五）第五线：监管和争议
监管和争议自查，要覆盖备案、标识、个人信息保护、历史投诉、客户争议、员工和外包争议、数据安全事件。公司应当判断每个产品线是否涉及算法推荐、深度合成、生成式AI服务、AIGC标识、个人信息保护、数据出境、网络安全和行业监管要求。历史争议要分类处理，不要只看有没有诉讼。客户投诉、平台下架、供应商封号、侵权通知、员工权属争议、外包交付争议，都可能进入尽调范围。九、融资尽调不是投资人挑毛病，而是在验证公司价值能不能成立
（一）AI企业的价值，必须经得起模型、数据、客户和合规的穿透
融资尽调不是投资人挑毛病，而是在验证公司价值能不能成立。AI企业的价值不只在收入，也不只在产品演示。更关键的是，模型能不能合法用，数据能不能持续用，产品能不能稳定交付，客户合同能不能支撑商业化，监管风险能不能被管理。这些问题一旦说不清，就不是小瑕疵，而是会直接影响估值、条款和交易进度。投资人不是要求创业公司没有任何风险，而是要求风险可识别、可解释、可控制、可分担。如果公司自己都不知道核心资产归属是否清楚，数据能否训练，开源是否影响闭源，客户合同是否过度承诺，监管是否需要备案，投资人就很难相信这家公司可以规模化经营。（二）融资前最该整理的不是BP，而是尽调证据包
第一，模型和代码证据包。证明核心资产是什么、从哪里来、谁形成、是否归公司所有。第二，数据和授权证据包。证明数据来源、授权范围、使用记录和边界控制。第三，开源和第三方依赖证据包。证明开源和供应商依赖不会实质影响商业化、交付和退出。第四，客户合同和收入质量证据包。证明客户收入可持续，合同义务可承受，数据和成果边界可控。第五，监管和争议处理证据包。证明公司知道适用规则，已经处理或正在处理监管和历史争议。等投资人问到再补，往往已经被动。尤其是权属确认、客户补充协议、外包成果转让、开源组件替换、监管备案和历史争议整改，都不是一天两天可以完成的工作。十、AI企业被问住，很多时候不是技术不行，而是证据没有跟上
AI企业被投资人问住，很多时候不是技术不行，而是法律和商业证据没有跟上。用了开源，不等于不能融资；但不知道用了什么，会让投资人担心。调用第三方API，不等于没有价值；但把第三方能力说成完全自研，会形成陈述风险。客户合同金额高，不等于收入质量好；如果验收、赔偿、数据复用和解除权安排不稳，收入也可能变成潜在负债。监管事项尚未全部完成，也不一定导致交易失败；但如果企业完全没有判断依据、整改计划和历史记录，投资人就会把不确定性写进条款。AI企业融资前，最现实的动作不是把故事讲得更漂亮，而是把五条线查清楚：资产权属、数据边界、开源和第三方依赖、客户合同、监管和争议。融资尽调本质上是在问同一个问题：这家公司今天展示出来的价值，明天还能不能继续存在，后天能不能继续商业化。如果答案模糊，风险就会进入估值、交割、赔偿和回购条款。AI企业可以在产品上保持速度，但在融资前，必须让模型、数据、代码、客户和合规证据跟上。否则，真正卡住融资的，往往不是技术能力，而是那些本来可以提前准备的基础证据。第一时间获取AI领域合规解读、政策动态与实操指南，助您更高效地识别风险、理解规则、推动合规落地。也欢迎您转发、转载本文，让更多有需要的朋友及时看到。
夜雨聆风