出海与合规

出海与合规

AI 产品的合规与安全不是「上线前补的检查项」，而是产品设计的约束条件。本页整理 AI 产品经理必须知道的红线：数据、内容、算法、版权四类约束，每条都回答三个问题——影响设计吗？影响数据流吗？影响上线节奏吗？

合规的四个层次

1. 法律与行政法规：PIPL、GDPR、暂行办法等——违反即面临处罚、下架
2. 行业监管：医疗、金融、未成年人的行业准入与许可——没牌照不能做
3. 平台政策：应用商店审核（App Store、Google Play）、微信小程序、企业采购名录——上架门槛
4. 商业合同：B 端客户的隐私/安全条款、数据处理协议（DPA）——销售收入的门槛

PM 常见失误是只盯第 1 层：法律过了，卡在应用商店审核或客户法务。

合规工作的产品化

把合规从「法务的一叠文档」变成「产品的四道流程」：

• 需求评审：加一项「合规红线走查」——数据用途、内容安全、行业资质、是否需要备案
• 技术方案评审：加「数据流合规」——数据流向图、出境场景、存储区域、检测点位置
• 上线清单：加「合规验收」——备案状态、标识能力、审核机制、隐私政策版本号
• 运营巡检：加「合规指标」——举报 SLA、舆情监测、监管问询响应、样本回填

每道流程的产出物都要有人负责、有截止时间，否则合规就退化成「上线前补文档」。

数据与隐私

法规地图：PIPL、数据安全法、GDPR 的产品落点

• 《个人信息保护法》（PIPL，2021-11-01 施行）：管「个人信息」的处理，是中国数据合规的主干。产品落点：合法基础、告知同意、敏感个人信息单独同意、数据主体权利、出境限制。
• 《数据安全法》（2021-09-01 施行）：管「数据」的安全与分类分级。产品落点：建立数据分类分级制度，识别重要数据（行业目录口径不一，以官方发布为准），对重要数据从严保护。
• 《网络安全法》（2017 年施行）：管网络运行安全与实名制等基础义务，AI 产品涉及用户注册、日志留存时同样适用。
• GDPR（欧盟，2018-05-25 适用）：管「向欧盟境内提供产品或服务、或监控其行为」的任何处理者——只要产品面向欧盟用户，无论服务器在哪都适用（长臂管辖）。产品落点：合法基础（同意之外还有合同必需、合法利益等）、数据可携带权、被遗忘权、DPA（数据处理协议）链。
• 产品动作：按「数据用途」而不是「数据来源」梳理法律适用——同一个用户画像功能，中国用户走 PIPL、欧盟用户走 GDPR，机制尽量一套、法律口径分开。

数据分类分级（数据安全法）

《数据安全法》要求建立数据分类分级保护制度。AI 产品先给数据分层，义务随层级递增：

• 产品动作：数据分类分级表要落成代码里的标签（数据字段/存储桶/日志上打 data_class），不然「分类分级」就停留在文档里，审计时拿不出证据。

合法基础与告知同意

• 合法基础：PIPL 与 GDPR 都要求处理个人信息有合法基础。同意（consent）是最常见的一种，但不是唯一：履行合同所必需、履行法定义务、合法利益（GDPR）等都可作为基础。把「同意」当万能钥匙是常见错误——用户取消同意后功能不可用，反而违反「不得因拒绝同意而拒绝服务」的边界。
• 告知同意：隐私政策 + 首次使用的弹窗告知。AI 产品特有的告知点：对话内容会被记录与用于改进吗？上传的文件如何处理？是否有记忆功能？——见 数据隐私与用户控制 的同意管理设计。
• 撤回权：同意要可撤回，撤回路径要和同意路径一样简单（PIPL 要求提供便捷的撤回方式）。
• 产品动作：同意采集点做成可审计的埋点（何时、何版本、用户勾选了哪几项），而不是一句「用户注册即同意」。

AI 产品特有的告知点（普通 SaaS 的隐私政策模板不会覆盖）：

数据主体权利

• 产品动作：权利请求要有人接——自助入口（推荐）或客服工单，超时限处理有处罚风险；请求要留痕（谁、何时、处理结果），供监管问询举证。

权利请求的处理流程

无论 PIPL 还是 GDPR，权利请求的处理流程是同一套，可以做成产品功能：

1. 验证身份：确认请求人确实是数据主体本人（防止「帮别人要数据」），但验证手段不能过度（不能用生物识别验证一个删除请求）
2. 受理与时限：记录请求类型（查询/更正/删除/导出），PIPL/GDPR 对处理时限有要求，超时即违规——产品里要设超时报警
3. 执行：删除要走「软删除 → 硬删除」两级（先停用、再物理清除），导出要生成结构化文件
4. 留痕：请求、处理、结果全程记录，供监管问询举证

实现细节（软删除/硬删除、导出格式、SLA）见 数据隐私与用户控制 的用户控制一节。

GDPR 与 PIPL 的关键差异

• 产品动作：机制一套、文案两套——同一个隐私中心，中国版与欧盟版的告知文本、同意项、导出能力按上表分别配置。

敏感数据与更高义务

• PIPL 定义的敏感个人信息：生物识别、宗教信仰、特定身份、医疗健康、金融账户、行踪轨迹、不满十四周岁未成年人的信息等。
• 更高义务：单独同意（不能混在用户协议里）、更严格的安全措施、处理前进行个人信息保护影响评估（PIA）并留存记录。
• 产品动作：敏感字段在数据模型里打标签，触发单独同意与影响评估流程；涉医疗、金融的 AI 产品（AI 问诊、AI 投顾）还要叠加行业监管（如生成式 AI 不得替代专业意见的边界设计）。

• 产品动作：行业红线在需求评审就要过——「AI 问诊」和「健康科普问答」是两种合规工作量；产品定位的措辞（「辅助」「建议」vs「诊断」「建议购买」）决定触发哪套监管。

训练与微调授权

• 用户数据用于模型训练/微调必须单独授权：默认「不用于训练」，opt-in 而不是 opt-out；拒绝不影响基础服务。
• 训练数据的来源合法性要能举证：自采数据的授权记录、第三方数据的授权协议（关联 数据与标注 的数据合规红线）。
• 产品动作：训练数据管线里加来源记录（每条数据来自哪个用户协议版本/哪份授权），微调上线前做法务审核——这条在备案时也要用（见下文算法备案材料）。

微调数据审查清单（微调上线前逐项过）：

1. 数据来源：自采 / 第三方 / 公开数据，分别有授权依据吗？
2. 授权范围：授权是否覆盖「用于模型训练/微调」这一用途？
3. 去标识化：个人信息是否已脱敏？（方法见 数据与标注）
4. 内容合规：数据里有没有违规内容会被模型学走？
5. 版权：数据是否含受版权保护的内容（书籍、文章）？
6. 记录留存：审查结论留痕，供备案与监管问询使用

跨境传输

• 中国 → 境外：个人信息出境的三条合法路径——数据出境安全评估（达到量级/重要数据场景）、个人信息保护认证、标准合同（《个人信息出境标准合同办法》2023 年施行）；2024 年《促进和规范数据跨境流动规定》对部分场景（如必要合同履行、个人自行传输）作了豁免或简化（以官方发布为准）。
• 欧盟 → 境外：充分性认定、标准合同条款（SCC）、约束性公司规则（BCR）三条路径。
• 产品动作：数据地图 + 出境场景清单——哪些数据（用户 ID、对话内容、日志）流向哪些国家（模型供应商、云厂商、客服系统）？每一条流都要有路径与依据；把「数据驻留」当默认项：欧盟数据留在欧盟、中国数据留在境内（云区域选择）。

与 data-privacy.md 的分工

内容安全

输出过滤链路

模型输出需要内容安全过滤，链路是三层（详见 内容安全与护栏 的多层防线）：

1. 模型侧（系统提示词 + 安全对齐）：约束模型「不要输出什么」。优点：零额外延迟；缺点：软约束，可被越狱、提示注入绕过（见 提示词安全）。
2. 平台侧（分类器 + 过滤词 + 向量匹配）：对输出做确定性检测，违法、色情、暴力、政治敏感内容拦截。优点：可测、可复盘、可上线前验收；缺点：有误杀率，且对新型话术（变体、谐音、多语言混排）有漏放。
3. 人工审核：对高置信风险或高危场景（未成年人内容、医疗建议）做人工复核。优点：准确率高；缺点：成本高、延迟大，只能做抽样与高优先级队列。

违规内容类别与产品落点（检测词表与分类器按类别配置，不混在一锅）：

不同产品形态的检测重点（同一套链路，检测点位置不同）：

每层失效时怎么办

• 模型侧失效（越狱成功）：平台侧兜底拦截——所以平台侧检测不能省略，即使模型号称安全对齐。
• 平台侧失效（漏放）：人工抽检 + 举报通道兜底；漏放样本回填检测规则（见 内容安全与护栏 的红线样本库）。
• 人工失效（漏审/超时）：审核超时要默认拒绝而非默认放行（fail-safe）；审核标准要写成可执行的操作手册，不能靠审核员个人判断。
• 产品动作：每一层都要有监控指标（拦截率、误杀率、漏放率、审核超时率），把「层间兜底」写进架构而不是靠自觉。

审核团队的三种组织方式

• 产品动作：审核外包与审核 API 都要过数据合规——审核方也处理用户内容，等于新的数据接收方，要签 DPA、写入隐私政策（关联 数据隐私与用户控制 的第三方管理）。

各市场标准不同

• 中国：内容审核义务 + 显式标识 AI 生成内容（见下文算法合规）。
• 欧盟：DSA（2024 年全面适用）要求平台建立非法内容举报与处置机制、透明度报告；超大平台（VLOP）还要做系统性风险评估。
• 美国：联邦层面无统一内容审查法，平台责任以 Section 230 免责 + FTC 执法为主；对色情、仇恨言论等按平台政策自裁。
• 东南亚/中东：本地法差异大，宗教、公序良俗、王室相关内容尺度从严（如穆斯林国家的宗教敏感内容），按目标市场核实（见 出海要点）。
• 产品动作：按市场配置过滤词表与分类器阈值，而不是全球一套；同一内容在中国被拦截、在欧美放行的，要按区域路由处理。

与 content-safety.md 的分工

算法合规（中国）

《生成式人工智能服务管理暂行办法》要点

《生成式人工智能服务管理暂行办法》（2023-08-15 施行）是目前生成式 AI 服务（面向境内公众提供）的主要监管依据，要点：

• 算法备案：提供具有舆论属性或社会动员能力的生成式 AI 服务，须向网信部门算法备案（依据《互联网信息服务算法推荐管理规定》与《互联网信息服务深度合成管理规定》的备案框架）。
• 安全评估：上线前完成安全自评估（对服务的安全风险、数据安全、内容安全等做评估）。
• 显式标识 AI 生成内容：深度合成内容须显著标识；2025 年施行的《人工智能生成合成内容标识办法》进一步明确了显式与隐式标识义务（以官方发布为准）。
• 未成年人保护：防止未成年人沉迷与接触不适内容，设置针对未成年人的保护机制。
• 训练数据合规：使用合法来源的数据，不侵犯知识产权与个人信息（与上文训练授权联动）。

三个规定的关系

生成式 AI 服务的合规不是只盯《暂行办法》一个文件，它是三个规定的叠加：

• 产品动作：从产品功能反查适用规定——只有聊天对话、没有推荐和图像生成的，和「带数字人 + 个性化推荐」的产品，合规工作量差一个量级；立项时先给功能分类，别等法务来贴标签。

显式标识与隐式标识

《人工智能生成合成内容标识办法》（2025 年施行，以官方发布为准）区分两种标识：

• 显式标识：用户可见——文字内容的显著标识（如「AI 生成」）、图片/视频的角标或水印、音频的语音提示；交互界面（对话框、生成结果页）的提示也算。
• 隐式标识：机器可读——文件元数据、数字水印等，用于溯源。
• 产品动作：标识是输出管线的一环，不是发布后补的——生成结果的数据结构里要预留标识字段，图片生成要设计水印样式（不能遮挡内容又要显眼），导出/分享时标识要跟着走。

算法备案：流程与材料

• 材料：算法信息（算法名称、类型、处理的数据、应用的场景）、安全自评估报告、训练语料来源说明、服务提供者资质信息。
• 流程：在互联网信息服务算法备案系统提交 → 形式审查 → 实质审查（受理后的审查周期通常以月计，以官方流程为准）→ 备案成功后可上线。
• 变更重备案：算法类型、服务形态、主要功能发生实质变化时需重新备案。
• 产品动作：备案是产品节奏的一部分——把备案材料清单当「上线前验收标准」之一，从产品设计阶段就开始积累材料（算法说明、数据来源、安全措施），而不是上线前两周突击。

上线前合规动作时间表

上线后的持续义务

备案不是终点，上线后还有常态化义务：

• 变更重备案：算法类型、服务形态、主要功能实质变化时重新备案——产品迭代计划里要留出备案周期
• 安全评估更新：重大功能变更后重新评估（模型更换、数据处理方式变化）
• 监管配合：监管问询、检查的响应通道要有人接（通常法务 + 技术负责人双人）
• 日常巡检：内容审核指标、举报 SLA、标识完整性的月度巡检，问题留痕闭环
• 产品动作：把「合规巡检」排进产品日历（如每月第一周），而不是等出事再查。

版权

输入侧：训练数据与用户上传

• 训练数据：用版权内容训练模型是全球性争议——美国已有多起媒体/作者对模型厂商的训练数据诉讼（如纽约时报诉 OpenAI），判决未定、风险未清；产品方使用第三方模型时，数据条款要写明「谁对训练数据负责」。
• 用户上传内容：RAG、知识库、图片生成等产品会拿到用户上传的内容。授权边界要写清：用户授权你处理其内容，不等于授权你拿它训练公共模型；企业客户（上传公司文档）更在意数据隔离与不训练承诺（见 企业客户合规）。
• 产品动作：上传页的授权文案按用途拆分（「用于回答你的问题」「用于改进模型」分开勾选），企业版提供「不训练」选项——这既是合规也是卖点。

输出侧：生成内容的著作权

• 美国：版权局政策声明——完全由 AI 生成、无人类作者的内容不授予版权；人类有实质性创作贡献的部分可受保护（以官方政策为准）。
• 中国：司法实践走在前面——已有法院判决认可在人类「实质性智力投入」（如精心撰写提示词并调整参数）下，AI 生成图片可构成受著作权法保护的作品（北京互联网法院 2023 年「AI 文生图」案，以判决书原文为准）。
• 商业使用谨慎：生成内容权属未定，直接商用（设计稿、Logo、小说出版）要法务过审；提示词版权也有争议——复制他人完整产品提示词存在侵权风险，借鉴思路可以、逐字照搬要谨慎。

版权合规清单

内容授权与生态

• 内容方与 AI 的授权合作正在形成商业模式：Perplexity 出版商计划让引用内容的出版商获得广告分成，是「内容授权 + 分成」的生态尝试（案例见 平台与生态）。
• 产品动作：AI 搜索/摘要类产品要处理「引用与转载的边界」——引用给出来源链接（站内实践见 知识库问答 的引用溯源），商业使用走授权协议。

出海要点

出海不是「国内产品 + 翻译」，每个市场的合规义务都会改产品形态：欧盟改隐私设计，美国改内容政策，中东改内容尺度，中国改标识与备案。市场矩阵先给全貌，再看 B 端销售与合规基础设施。

市场矩阵

• 产品动作：市场矩阵是选品决策工具——先选市场再定合规预算；进入顺序建议「合规成本低的市场先验证，高门槛市场（欧盟/中国）按节奏进」。

进入新市场前的合规尽调清单

1. 数据：数据本地化要求？出境路径？云区域选哪个？用户数据的告知文本要改吗？
2. 内容：内容尺度与过滤词表要加什么？标识义务有没有？举报通道要不要本地化？
3. 算法与备案：是否需要本地备案/登记？AI 法规适用吗（欧盟 AI Act 按风险分级）？
4. 支付：订阅/计费的本地支付渠道、发票与税务（关联 LLM 成本估算 的计费思路）
5. 隐私偏好：本地用户对「AI 披露」「数据用途」的期望与法律要求是否一致

尽调产出：一页纸的「市场合规卡片」（义务清单 + 负责人 + 完成时间），进市场评审会时和商业计划一起过。

企业客户合规：B 端销售的技术合规前置

企业客户（尤其金融、医疗、政府、跨国企业）采购 AI 产品时，安全与合规是采购门槛，不是加分项：

• 认证：SOC 2、ISO 27001（按目标行业再加等保、HIPAA、GDPR 合规证明）——认证是销售的入场券（见 企业与开发者商业化）。
• 身份与权限：SSO（SAML/OIDC）、SCIM 用户自动供给、细粒度角色权限——大型企业没有 SSO 进不了门。
• 审计与可观测：审计日志（谁在何时调用了什么、模型输出了什么）、管理员控制台。
• 数据隔离：企业数据与其他租户/公共池隔离，「不训练」承诺要落到合同与技术上（模型供应商的数据处理条款是选型因素，见 数据隐私与用户控制）。
• 产品动作：把以上做成企业版功能清单（而非每个客户定制），销售材料里直接附「合规白皮书」——B 端销售周期长，合规材料齐备能显著压缩法务评审时间。

合规基础设施

• DPO/法务负责人：达到规模就要有专职数据保护负责人（GDPR 对大规模处理者有此要求），中小团队至少要有明确的法律顾问接口。
• 隐私政策与用户协议：按市场本地化，不是机器翻译——欧盟的「撤回同意」、中国的「单独同意」表述不同。
• 儿童保护：年龄门禁、未成年人模式、儿童数据特别保护（PIPL 将不满十四周岁未成年人信息列为敏感个人信息）。
• 可访问性：部分市场有强制要求（如欧盟《欧洲无障碍法案》对公共服务的覆盖），且影响品牌与采购（企业客户会把可访问性写进标书）。
• 产品动作：合规基础设施是固定成本，从产品第一天就要有预算与 owner，而不是等监管来问。

上线前合规验收清单（通用版）

清单做成上线发布的一个 gate：不过 gate 不发布，而不是「尽量做」。每条都该有负责人与完成证据（链接到文档/工单）。

常见误区

• 把合规当上线前检查：合规是设计约束——数据用途决定架构（数据是否出境）、内容审核决定链路（检测点放哪）、备案决定节奏（倒排时间表）。上线前再补，改的是架构不是文案。
• 只过中国或只过美国：出海产品按目标市场逐项过（见市场矩阵），同一功能在不同市场触发不同义务（欧盟的可携带权、中国的标识义务）。
• 隐私政策抄模板：模板不覆盖 AI 特有场景——对话记录用途、记忆功能、训练授权、模型供应商数据条款；抄模板等于把最需要披露的写漏了。
• 忽略模型供应链：上游模型提供方的数据处理条款（是否训练、是否留存、是否出境）直接决定你的合规状态——选模型供应商就是选合规承诺（关联 LLM API 与供应商）。
• 把「有审核」当「审核有效」：有过滤词不等于防住了——漏放率、误杀率、审核超时率不监控，审核机制就是摆设（见 内容安全与护栏）。
• 以为备案就合规了：算法备案只是其中一个动作——安全评估、显式标识、未成年人保护、训练数据合规是一整套，备案通过不等于全部达标。

来源说明

• 法规类（以官方发布为准，引用日期 2026-08）：《个人信息保护法》《数据安全法》《网络安全法》（国家法律法规数据库）；《生成式人工智能服务管理暂行办法》《人工智能生成合成内容标识办法》《互联网信息服务算法推荐管理规定》《互联网信息服务深度合成管理规定》《数据出境安全评估办法》《个人信息出境标准合同办法》（国家网信办）；GDPR、欧盟 AI Act、DSA（欧盟官方发布）。本页为框架口径，不构成法律意见。
• 站内体系：数据隐私与用户控制（产品机制）、内容安全与护栏（实现细节）、提示词安全（注入与越狱）、企业与开发者商业化（Perplexity 出版商计划案例）、数据与标注（训练数据合规）、知识库问答（引用溯源实践）。
• 外部参考：OWASP LLM Top 10——LLM 应用十大安全风险（提示注入、敏感信息泄露等），与内容安全/护栏设计对应。

发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用