这年头，AI技术如同军备竞赛一般，日新月异的技术迭代让各行各业的竞争格局爆炸开来。军备竞赛这四个字可不仅仅是比喻（figure of speech），而是实打实（literally）的说法。Open-AI和Anthropic都宣传其新一代的大模型能力强到如同军事武器（military grade），以至于美国政府信以为真，害怕被敌对方染指使用，做出了出口管制的通知。这种紧张气氛下，谁知道AI技术的革新会革谁的命？这种无法避免但有方向未知的变革会让人觉得压抑，紧张，急促。换言之，任何一个公司不得不用AI，怕被时代甩在身后，但是用了呢短期也看不到如何一招制胜。对于出海欧洲的中国企业，即使不自己开发AI大模型，在使用AI系统的时候也需要考虑在如何管控使用相应的外部工具的合规风险。

一、使用AI工具的合规风险。

欧盟的《人工智能法案》（“法案”）在2024年8月生效后。该法案是以风险为基础来管控如人工智能的技术与应用的。具体以您的使用场景来评估风险级别，对于不同级别风险提出了不同的合规要求。具体分化为四个风险级别：划分为不可接受风险、高风险、有限风险和低风险。如果你的具体使用场景被评定入有限风险即以上就会相应的合规风险。该法案对于不同风险级别提出了明确的合规时限要求。2026 五月7号通过的AI Omnibus provisional political agreement将合规时限做了一定的修正。具体时限如下

尽管很多合规时限看起来还很遥远，但是千万不要以为现在还不急等明年再做合规。你得想想为什么要立法修改并延期呢？恰恰是需要做的事情很多耗时很长以至于来不及，所以立法才会给与延期的便利。现在出海欧洲的中企只要你使用AI工具，请在未来的3到4个月内做到以下事项：1.识别AI系统的清单；2.对每个AI系统做风险顶级；3.处理不可接受风险；4.做AI素养培训；5.建立AI管理框架和指定AI合规负责人；6.执行透明度义务；7.执行可以机器识别的水印义务。之后的5-7个月内应该完成：8.AI供应商尽职调查；9.执行风险管控机制；10.准备技术档案；11建立人类监督机制；12 法规一致性评估和官方备案；12 高风险系统的自动记录；13与美国NIST AI RMF的机制协调；14.上市后的监控和事件汇报。以上部分合规动作可能因为使用场景和风险定级不同而得到豁免。

二、AI使用者的合规义务

如果仅仅是部署使用AI工具，尽管并非AI工具或系统的开发者，在法案下依然有相应的合规义务。欧盟《人工智能法案》第 3 条第 4 款规定，部署者指任何自然人、法人、公共机构、机关或其他主体，在自行承担责任的前提下使用人工智能系统；但出于个人非职业活动使用人工智能系统的情形除外。核心表述为 “自行承担责任”。只要机构出于经营、工作等职业用途部署人工智能系统，无论该系统是否由自身开发，该机构即属于部署者。比如银行使用金融科技服务商开发的 AI 信用评分模型，该金融科技服务商为提供者，银行则为部署者。医院采用医疗软件企业研发的诊断类人工智能系统，该软件企业为提供者，医院则为部署者。人力资源部门使用求职者筛选工具，工具供应商为提供者，所属机构则为部署者。

法案的第26条罗列了部署者在使用高风险AI系统的主要合规义务：

1. 遵循使用说明（第 26 条第 1 款）

部署者必须依据提供者提供的使用说明使用高风险人工智能系统。

人力资源场景举例：若招聘人工智能系统仅获批用于特定岗位类别的简历筛选，将其用于限定范围之外的岗位即构成违规。使用说明划定了合法使用的边界。

2. 指派具备资质人员实施人工监督（第 26 条第 2 款）

部署者必须将人工监督职责交由自然人承担，该人员需具备履职所需专业能力、培训背景与相应权限，能够开展监督工作，并在必要时介入干预。

例如金融机构使用 AI 欺诈识别系统，监督人员需清楚模型识别的风险标记、模型遗漏的风险情形，以及何种情况下人工判断应当取代自动化判定。将该职责交由无实质处置权限的初级分析师，无法满足第 26 条第 2 款规定。

3. 其他法定义务持续有效（第 26 条第 3 款）

本条第 1、2 款规定的义务，不影响部署者依据欧盟法或成员国国内法承担的其他法定义务（《通用数据保护条例》义务、各行业专项监管规则及劳动法规），亦不限制部署者自主调配内部资源、制定工作流程以落实提供者载明的人工监督措施。

4. 自身管控输入数据时保障数据质量（第 26 条第 4 款）

若由部署者掌控输入人工智能系统的数据，部署者须确保数据与使用目的相关，且具备充分代表性。本义务仅适用于部署者对输入系统的数据负有管理责任的情形。若使用软件即服务类产品、由服务商全权管理数据链路，则本条款一般不适用；但如果部署者自行导入自有数据集至授权模型，需自行承担数据质量责任。存在偏见、不具备代表性的数据会产生歧视性结果，依据第 26 条第 4 款，相关责任由部署者承担。

5. 持续监测、上报风险并按需停用系统（第 26 条第 5 款）

部署者须依据使用说明持续监测高风险人工智能系统运行状态。若部署者有合理理由认为，按说明使用系统仍可能产生法案第 79 条第 1 款定义的风险，应当毫不迟延地告知提供者、经销商及对应市场监管机构，并暂停系统使用。若发现重大安全事件，部署者须第一时间通知提供者，随后告知进口商 / 经销商与相关市场监管部门。

6. 日志留存不少于六个月（第 26 条第 6 款）

部署者应当留存高风险人工智能系统自动生成的日志，留存期限至少六个月；若欧盟法或成员国国内法规定了其他留存期限，或日志包含个人数据且《通用数据保护条例》对其设定更短留存期限的，从其规定。

7. 告知劳动者及其代表（第 26 条第 7 款）

雇主身份的部署者在上线用于职场的高风险人工智能系统前，必须告知劳动者代表及受影响员工。本义务仅适用于身为雇主的部署者，并非所有类型部署者均需履行。

制造业场景举例：上线用于监控员工工作表现的 AI 质检系统前，必须通知全体员工与企业职工委员会；办公场景中，部署员工绩效评估类 AI 工具同样适用该告知要求。职工委员会、工会及员工代表应尽早参与沟通，不得将告知流程作为决策落地后的形式工作。

8. 依托第13 条配套文件落实数据保护影响评估合规（第 26 条第 9 款）

部署者须利用依据第 13 条提供的透明度与技术资料，履行《通用数据保护条例》第 35 条、《执法数据指令》第 27 条规定的数据保护影响评估（DPIA）义务。法案第 13 条要求提供者提供人工智能系统完整技术文件，包含系统功能、局限性、潜在风险等内容；部署者开展数据保护影响评估时，必须以该文件作为核心依据。

三、外部供应商的尽调工作

既然部署者本身就有不可避免的合规义务，那就不能只是靠合同安排来转嫁风险给AI工具提供者。为了管控好外部供应商的AI工具的内部使用带来的风险，这必然需要在源头上也就是采购前管控好提供AI 工具的外部第三方。当然有时候一个公司也会存在在正规采购渠道之外的公司内部员工私自部署AI 工具的情形，我们称之为“影子AI风险/shadow AI risks”，这个我们以后有机会的话，会在单独讨论如何处理此类风险。

在将第三方供应商引入内部之前，需要对该供应商及其AI工具做必要的尽职调查工作。此类尽调工作与传统的供应商风险管理并不一样。传统供应商风险管理主要聚焦三大维度：财务稳定性（该供应商三年后是否仍存续？）、业务服务可用性（我方需要时其服务能否正常运行？）、基础安全管控（其是否具备 SOC 2 合规认证？）。对于常规软件即服务（SaaS）采购而言，这三项维度足以覆盖绝大多数风险敞口。但针对 AI 供应商采购，三者仅能覆盖不足三分之一的风险 —— 因为人工智能存在传统软件不存在的失效模式，而常规采购风控体系从设计之初就无法识别这类风险。

人工智能模型在不同输入数据分布下的表现不具备可预测性。一款在评估阶段全部测试用例均达标的聊天机器人，上线投入实际运营后，若用户输入超出评估数据集范围的提问，就可能输出带有偏见、有害或与事实不符的内容。一款测试准确率达 94% 的分类模型，面对合规部门重点关注的特定人群细分样本时，性能可能出现断崖式下滑。AI使用成本不会随调用量线性增长：当Token消耗量、模型迭代更新、基础设施需求叠加作用时，成本会急剧飙升，而仅基于试点用量测算的成本模型无法预判该类情况。最为关键的一点是：AI 发生失效往往难以察觉，直至已经造成损害才会暴露。普通软件崩溃会直观显现故障，与之不同，输出笃定错误结果的 AI 系统仍会持续运转，处理交易、生成推荐、撰写文书，损害不断累积却无人发现。

AI 供应商风险中的供应链风险维度尤其容易被忽视。若第三方主体能够影响 AI 系统运行表现，最终后果责任仍由采购方承担。管理体系与产品安全法规遵循同一底层逻辑—— 责任依附于系统本身，而非双方签订的合同。供应商依赖底层大模型厂商（如 OpenAI、Anthropic、谷歌，或开源权重模型服务商），由此产生超出供应商自身管控范围的风险敞口；供应商训练数据的获取渠道会带来版权与个人隐私合规风险；供应商的数据次级处理方决定企业数据的实际流转路径。如今开展供应商尽职调查，不仅要核查供应商本身，还需摸清其上游模型服务商及完整上下游依赖链路。未开展全链路深度尽调的企业终将为此疏漏付出代价，或是爆发合规事故、或是线上业务故障，亦或是出现影子 AI 安全泄露事件 —— 此类事件造成的平均损失，比常规安全事件高出更多。

四、第三方尽调的维度与重点

我们在做第三方的尽调工作时，需要考虑以下维度，并重点考虑以下合规要点：

1.安全与数据保护

企业开展 AI 供应商评估最先想到的额是安全与数据保护。但在AI工具使用场景下，服务商持有 SOC 2 二类审计认证还远远不够，我们需要考虑 AI 特有风险，例如模型偏见、幻觉发生率、提示注入漏洞、模型输出引发的数据泄露等。为此，我们需要专门针对 AI 系统独有的、传统安全手段无法覆盖的新型安全风险展开类似如下的问询：

2.合规与监管要求（欧盟《人工智能法案》、美国国家标准与技术研究院框架、ISO 42001）

对于跨国企业，在总部建立的合规工具就不得不同时考虑欧盟《人工智能法案》、美国国家标准与技术研究院框架、ISO 42001不同维度的要求。ISO 42001 标准与欧盟《人工智能法案》七大核心条款有着一一对应的关系：风险管理（第 9 条）、数据治理（第 10 条）、技术文档（第 11 条）、记录留存（第 12 条）、透明度（第 13 条）、人工监督（第 14 条）以及质量管理体系（第 17 条）。 ISO 42001 认证视作并不代表完全符合其他两个的要求。美国国家标准与技术研究院（NIST）的《人工智能风险管理框架》（AI RMF 1.0）是美国自愿性治理标准，其风险分级结构与欧盟《人工智能法案》（EU AI Act）最为接近。同时遵循这两项框架的组织会发现，NIST AI RMF 的四大核心功能（映射、测量、管理、治理）与欧盟《人工智能法案》的实质性义务具有相当好的对应关系，但仍然有相应的区别。我们需要重点关注以下问题：

3.模型透明度与文档留存

服务商提供的材料在模型透明度这一维度时常偏离监管机构与企业内部治理团队要求的举证标准。宣传物料动辄宣称 “可解释的人工智能”“负责任的AI 实践”“无偏见输出”，这些很多时候都是过多宣传的。企业需要让这些供应商提供可核验的技术文件包括：模型卡、数据集说明表、按人群细分拆解的性能基准、红蓝对抗测试报告。

企业 AI 审查中反复发现的隐性风险主要有三类：模型黑箱（无法追溯决策生成逻辑）、外部模型依赖（服务商 AI 底层依托自身无控制权的第三方模型）、训练数据来源信息不透明。这与企业未能严谨技术审查的服务商交付文档息息相关。

4.性能与可靠性

外部供应商在受控演示环境中展现出AI工具优越的测试性能，可是在真实生产环境的应用中效果发生巨大的变差，落地实际业务后却频发故障。AI 故障大多出现在极端边缘场景、模糊输入以及高并发大规模运行场景。这些都需要提前去考虑或者验证。

5.定价与合同条款

供应商在AI 小规模试点阶段展现的成本亲民也容易接受，但是放量投产之后费用却会蹭蹭网上涨，根源在于 AI 计费与使用行为强绑定（token消耗量、API 调用次数、模型版本选型），仅靠有限试点数据无法精准测算。

产品定价极易出现试点成本与量产落地成本严重脱节的问题，使得有的企业遭遇预算超支的问题。 实际落地中常会出现token用量暴涨、API 调用链路持续增多、业务能力受限后被迫升级高阶模型等情况，账单越叠越高。财务部门随之提出各类成本疑问，技术团队却无法给出清晰答复。严谨的定价尽职调查需要在签约前完成多套量产场景成本测算。

6.集成对接与技术要求

AI工具的实际部署过程中也需要考虑与企业现有系统平台的兼容对接的问题。数据部署需要满足数据安全的通用要求。数据访问也做做到严格管控，做到可回溯，可审计。

7.技术支持与服务等级协议承诺

与传统的SaaS服务一样，企业也需要考核供应商的技术支持与服务的承诺与保证。

8.退出方案与数据可迁移性

退出方案是采购方最容易忽视的板块，直到急需更换服务商时才意识到这个问题，但此时已完全失去协商有利条款的议价筹码。AI 系统带来的服务商锁定效应包含两大维度是普通软件即服务（SaaS）合同无法完整覆盖的：一是数据可迁移性（能否以可复用格式导出自有数据）；二是模型可迁移性（系统是否依赖服务商专有模型接口、提示词规范、微调权重文件，导致替换成本高到难以承受）。

企业若搭建了定制业务流程、开展过模型微调，或是深度对接服务商专属接口体系，却未在合同中约定退出相关保障条款，将面临极高的锁定风险。务必在合作初期协商好退出机制以及相关权责，而非等到需要更换服务商时再临时协商补救。为了避免这种被动情形，可以考虑一些问题：

五、合规红线与评估

1.合规红线

以下提到的十种情形，是过往真实出现的问题。多家企业因尽调阶段未能识别相关问题就落地上线，最终引发线上生产故障、合规处罚以及合同纠纷。如果在前述评定的过程中出现这些问题，不代表直接淘汰服务商。服务商仍然可以提供补充性的答复。只要服务商能坦诚承认自身局限，并配套完整风险缓释方案，仍然可以继续采购流程。如果服务商回避问题、态度抵触，或是给出模棱两可、看似回应实则未解决核心问题的安抚话术，则应当果断淘汰。

风险信号 1：仅宣称 “企业级安全”，无有效认证

服务商仅用 “企业级安全”“银行级防护”“军工级安全” 等宣传话术描述安全能力，却无法提供在有效期内的 SOC 2 二类鉴证报告、ISO 27001 证书或其他第三方等效审计证明，属于用营销宣传替代合规佐证。

“企业级安全” 本身并非合规认证。需向服务商索要 SOC 2 报告；若对方无法提供，只要业务涉及敏感数据，该问题即为签约否决项。

风险信号 2：服务协议中数据使用条款模糊宽泛

服务协议出现类似 “我方可使用数据优化产品服务”“匿名化数据可用于模型迭代”“采集使用数据以完善平台功能” 等表述，条款刻意预留宽泛解释空间。

在 AI 业务场景下，“优化服务” 可指代使用你的提示词、模型输出内容、企业原始数据训练通用模型，间接向竞品开放数据价值。

需要求在合同中明文禁止将客户数据用于模型训练；若服务商拒绝写入，协议中的模糊条款将具备完整法律效力，可能引发隐私、商业秘密泄露的风险，甚至可能导致你的竞争者在利用泄露的数据获益。之前以及发生过大模型将他人的简历信息泄露给不同的使用者的实际案例。

风险信号 3：未提供模型卡及任何透明度相关文档

若待评估 AI 服务商无法出具模型卡、偏见审计报告，或是任何可证明模型性能的技术文件，代表其模型透明度管控水平完全达不到企业内部治理要求，同时也不符合各国监管规定。

缺少模型相关文档不再只是材料缺失，而是服务商未落实负责任 AI 落地所必备的透明度管控工作的严重失误。

风险信号 4：将模型幻觉轻描淡写为 “AI 普遍固有问题”

当问及幻觉相关风险时，服务商仅答复 “所有 AI 都存在该缺陷”，无法提供量化实测数据、分行业错误率指标或配套风险管控方案，本质是将生产级重大风险正常化，而非针对性解决。

幻觉发生率会随行业、业务类型、防控方案差异产生巨大波动；未开展量化测试的服务商，根本无法管控幻觉风险。

该问题对法律、医疗、金融、合规审查类 AI 产品尤为关键 —— 模型输出看似笃定实则错误，将造成巨额实质损失。

风险信号 5：拒绝测算规模化投产成本

服务商仅允许联系销售询价，不提供定价计算器、成本测算工具，也拒绝按试点用量的 5 倍、10 倍规模预估成本，说明服务商清楚放量后成本经不起核验。

2026 年遭遇严重预算超支的企业，无一例外仅依据试点阶段报价签约，未提前测算大规模投产的真实费用。

风险信号 6：合规认证与适用法规错配

仅面向美国市场部署却拿《通用数据保护条例》（GDPR）合规作为佐证、用 SOC 2 报告证明符合《欧盟人工智能法案》、以 HIPAA 医疗隐私认证充当偏见测试依据，均属于滥用有效认证证明其覆盖范围之外的合规义务。

该问题在销售宣传材料中十分常见：合规板块罗列服务商全部所持证书，完全不区分是否匹配客户业务场景、管辖地区。

看到认证文件后，必须核验认证覆盖范围，不能仅凭证书直接答复专项合规问询。

风险信号 7：退出相关条款缺失、隐藏或模糊

合同中未写明数据导出权限、迁移配套支持、解约相关细则，或相关内容放在附属附件，需要客户主动谈判才能解锁完整条款，这类合同设计本质是刻意抬高客户更换服务商的迁移成本。

协商退出相关机制与权责的唯一合适时机是签约前，切勿等到更换服务商时再补救。

若服务商抗拒写入明确的数据可迁移、迁移协助条款，可直接询问背后原因，对方的答复远比销售话术更能体现长期合作立场。

风险信号 8：声称符合 NIST/ISO 42001 框架，但无佐证材料

口头宣称适配相关治理框架，却无法提供书面对标映射文件、有效认证或第三方审计报告，仅属于营销话术。

2026 年各大 AI 服务商材料中大量堆砌 “适配 XX 框架” 类表述，若无实质佐证，该宣传已完全失去区分企业治理能力的参考意义。

务必向服务商索要具体管控措施对标表或审计报告。

风险信号 9：无专门处置 AI 模型异常行为的标准化流程

服务商故障响应机制将模型输出异常（带偏见结果、虚假幻觉内容、有害文本生成）与传统软件停机故障同等处理，仅通过通用工单流程受理，说明服务商未搭建生产级 AI 专属治理体系。

AI 行为异常和程序崩溃存在本质区别：这类隐患具备隐蔽性、持续性，大规模扩散造成损失后才可能被察觉，服务商必须配套独立、标准化的专项处置流程。

风险信号 10：近 12 个月单方面修改服务协议，变更内容涉及数据处理规则

若服务商过去一年内，未单独通知客户并取得同意，就单方面修改数据相关条款（包括数据是否用于训练、留存周期、数据分包商名单等），该历史行为预示未来仍会出现同类变更。

尽调前务必核查服务商协议修订记录；有些供应商2024 年通过尽职调查的核查清单的 AI 厂商，可能在 2026 年悄悄修改数据留存规则。

所有 AI 服务商合同均需新增条款：要求服务商至少每年复核一次协议；若发生任何重大条款变更，需立即触发双方重新尽调复核。

2.评估机制

下文评分表提供一套结构化、客观的评估框架，可基于统一标准横向对比多家 AI 服务商。各评估维度按商业风险与合规风险设置不同权重；其中安全与数据保护维度权重最高，原因是该领域一旦发生数据泄露或监管违规，所造成的后果无法依靠产品功能优势弥补。

在向管理层开展采购评审沟通前，需为每家待评估的外部服务商填写完整的评分表并直观的展示给管理层。量化得分能够强制评估人基于统一标准开展直观对比，用相对客观的标准和评分行为合理化内部的采购决策。

我们建议各维度按照给定分值区间打分。总体的评估逻辑如下：

1）总分低于 60 分直接淘汰相应的供应商，无论产品功能多完善、报价多优惠均不予推进；

2）60–74 分：存在重大短板，必须通过合同条款补全风险保障后方可落地使用；

3）75–84 分：可接受，适用于低风险内部场景，同时配套完善内部治理管控措施；

4）85–100 分：服务商治理体系完善，可用于高风险行业或强监管业务场景。

六、结语

针对服务商的尽调只是AI治理合作的起点和AI治理的根基，而非采购流程里阻碍AI 技术落地的障碍。AI系统的部署者无法依靠合同将《欧盟人工智能法案》项下法定责任转嫁给服务商，那就把好守门关，将引进外部供应商的伴生风险控制到最低范围。

做好尽调工作，至少可以夯实AI治理的三条基柱：1）具备可信、可规模化运行的底层能力；2）安全合规，可经受监管常态化核查；3）商业条款设计合理，规避后期突发预算超支、厂商长期锁定等问题，保障企业长期战略灵活度。

如果您对我们展示的尽调工具有兴趣，并想获取完整版本，欢迎你私信沟通。