先弄清时间表，避免两种误判
欧盟委员会 7 月 27 日更新的实施说明显示，《人工智能法案》的多数规则自 2026 年 8 月 2 日起适用；面向通用目的 AI 模型提供者的义务已于 2025 年 8 月 2 日开始适用，而欧盟委员会对这类义务的执法权从 2026 年 8 月 2 日开始生效。
与此同时，高风险 AI 系统的主要规则并没有在同一天全面落地。根据最新时间表，相关规则延至 2027 年 12 月 2 日；嵌入医疗器械、玩具、电梯等受监管产品的 AI，时间点则延至 2028 年 8 月 2 日。
因此，企业需要避免两种相反的误判：
真正需要现在开始的工作，不是把未来义务提前包装成已经适用的要求，而是让企业逐步具备识别范围、解释事实和提供证据的能力。
- 认为“所有高风险规则已经全面生效”，进而在不清楚业务范围的情况下仓促投入；
- 认为“时间延后就可以等到明年再准备”，忽略 AI 系统已经在持续增加、升级和改变用途。
为什么一份 AI 系统清单还不够
很多企业已经建立了 AI 工具清单，其中记录产品名称、供应商、负责人和采购时间。这是必要的起点，却无法单独回答最重要的问题。
同一个通用模型，被用于内部会议纪要、候选人筛选、客户风险判断或面向公众发布信息，业务含义完全不同。风险分类取决于系统的预期用途、实际功能和使用方式，而不只是模型叫什么名字。
而且，生产中的 AI 并不是静态资产。模型版本会变化，提示词会调整，知识源会新增，工具权限会扩大，人工复核可能因业务繁忙而被压缩。系统登记时看似合理，不代表三个月后仍按相同边界运行。
因此，清单解决的是“企业有哪些 AI”；证据链解决的是“这些 AI 此刻如何工作”。后者才是持续治理的基础。
把合规证据嵌入业务，而不是事后补材料
企业不必一开始就建设庞大的治理平台。更实际的做法，是围绕每个进入正式业务流程的 AI 场景，形成一份能够随运行更新的“最小证据包”。它至少应连接五类事实。
1. 用途证据：系统到底在做什么
不要只写“用于提升人力资源效率”或“辅助客户服务”。应记录它处理的具体任务、服务对象、输出如何进入下一步，以及明确禁止的用途。
例如，“归纳已完成面试记录供招聘经理阅读”和“根据候选人信息给出淘汰建议”，不能因为使用了同一模型就合并为一个场景。任务边界越模糊，后续分类、测试和责任分配越困难。
2. 数据与知识证据：回答基于什么
应能追溯系统访问的数据类别、知识来源、更新时间、权限条件和保留方式。对于影响客户、员工或公众的输出，还需要知道哪些依据进入了结果，哪些关键数据缺失。
这不是要求企业无限保存所有内容，而是预先确定：为了复现重大错误、回应质疑和改进系统，哪些证据必须保留，以及保留多久。
3. 人员与责任证据：谁能干预，谁对结果负责
“有人审核”不是完整答案。企业应说明审核发生在哪一步，审核者能看到什么信息，是否有权拒绝或改写 AI 建议，以及业务压力下能否真正行使该权力。
更重要的是，要明确系统负责人、业务结果负责人、数据负责人和事件处置负责人。出现问题时，如果所有部门都只负责其中一段，实际上就没有人负责完整结果。
4. 质量与风险证据：上线前后如何验证
通用准确率很少能够代表真实业务。企业需要使用来自自身流程的样本，验证关键任务的正确性、遗漏、偏差、安全失败和人工接管表现。
测试结果还应和版本绑定。模型、提示、知识源或工具权限发生实质变化后，哪些场景需要重新测试，应在上线前确定，而不是事故发生后再讨论。
5. 变化与事件证据：系统后来发生了什么
一条可信的证据链必须包含时间。谁在何时批准上线，供应商何时升级模型，权限何时调整，异常何时出现，企业采取了哪些限制、回退和修复措施，都应形成可追踪记录。
欧盟委员会针对通用目的 AI 模型提供者列出的提交材料已经包含系统性风险模型通知、严重事件报告、安全与安保框架等。这释放出一个清晰信号：治理关注的不是一张静态合格证，而是系统整个生命周期中的事实。
证据链也是 AI 项目的经营基础设施
把这项工作只理解为“满足监管”，会低估它的商业价值。
当企业能够把场景、版本、测试、人工干预和业务结果连接起来，就更容易判断一个 AI 项目是否真的创造价值：效率改善来自模型能力，还是来自流程简化？错误上升发生在哪个版本？供应商更换后，哪些结果可以公平比较？某项自动化能否扩大，还是应该保持辅助模式？
这些问题本来就是规模化投资、供应商管理和客户信任所需要的。监管只是让企业更早面对它们。
反过来，如果证据散落在法务表格、采购合同、开发日志和业务人员的聊天记录中，企业既难以应对外部询问，也很难在内部复盘投入产出。最终出现的往往不是“没有制度”，而是制度无法还原真实运行。
企业现在可以启动的三个动作
第一，选择一个已经进入真实业务、但边界仍然可控的场景。 不要从全公司盘点开始追求完美覆盖。先把一个场景的用途、数据、人员、测试、版本和事件串起来，验证证据能否在需要时被找到。
第二，用一次模拟问询检查证据。 请业务、法务、安全、数据和技术团队共同回答：为什么使用这个系统？最近一次变更是什么？谁批准的？怎样证明人工监督实际发生？如果客户或员工质疑某个结果，能否复现当时的依据？回答不出的地方，就是下一阶段最值得投入的缺口。
第三，把证据生成变成上线流程的一部分。 场景登记、测试报告、版本审批、权限变更和事件处置，不应依赖项目结束时人工补写。能从现有身份、发布、监控和工单系统自动形成的记录，应尽量自动形成；需要业务判断的部分，则明确负责人和更新时间。
从“宣称负责”走向“证明如何负责”
企业级 AI 的信任，不会来自一句“我们重视安全与合规”。客户、员工、合作伙伴和监管机构最终关心的，都是企业能否对具体系统、具体用途和具体结果作出解释。
2026 年 8 月 2 日的意义，不只是一个法规日期。它提醒企业：AI 进入核心业务之后，管理能力必须从写原则升级为留事实，从做清单升级为建证据链，从上线时合规升级为运行中持续可证明。
率先完成这种转变的企业，得到的不只是更稳妥的合规基础，也会获得更清楚的 AI 投资判断、更可靠的运营改进，以及更值得客户信任的交付能力。
> 本文用于企业 AI 治理与落地研究，不构成针对特定企业或司法辖区的法律意见。具体义务应结合企业角色、系统用途、投放市场及最新规则由专业人员判断。
