一个明确的时间信号：AI 生成内容透明度义务即将适用
6 月 10 日，欧盟委员会发布了《AI 生成内容标记与标签实践准则》最终版。欧盟委员会说明，这份准则是自愿性的，但它为生成式 AI 系统的提供者和部署者提供了实践步骤，帮助其满足《AI Act》第 50 条关于透明度的义务；相关义务将从 2026 年 8 月 2 日开始适用。
这份准则的重点不是简单要求企业在所有内容上贴一个“AI 生成”标签，而是把责任拆成两个方向。
一方面，生成式 AI 系统的提供者需要让 AI 生成或修改的音频、图像、视频和文本在技术上可标记、可检测，并尽可能做到有效、可互操作、稳健和可靠。
另一方面，部署和使用生成式 AI 系统的组织，需要在关键场景中进行清晰披露。典型场景包括深度伪造内容，以及用于告知公众公共利益事项的 AI 生成或 AI 修改文本。欧盟也同时发布了一组可选图标，供部署者用于标识相关内容，但欧盟页面也明确提醒：图标本身并不自动构成合规，部署者仍然要确保披露方式满足要求。
5 月 8 日，欧盟委员会还发布了三份技术研究，分别关注文本、音频、图像和视频中 AI 生成内容的标记与检测方案。这些研究的价值在于，它没有把“水印”或“检测器”描述成万能答案，而是把不同技术路线的有效性、限制和实际适用性放在同一张桌面上讨论。
这对企业的启发很直接：AI 内容治理不是在发布页加一行提示，而是一套从工具、流程、审核、标识到归档的发布工程。
企业真正要面对的，不只是监管要求
很多企业看到“AI 生成内容标签”时，第一反应会是合规问题：哪些内容必须标，标签怎么放，法律边界在哪里。
这些问题当然需要法务和合规团队跟进。但对企业经营来说，更核心的问题是信任。
当客户读到企业官网文章、产品说明、行业白皮书、案例材料、投资者沟通内容、招聘信息或客服回复时，他真正关心的不是“这句话是不是由 AI 打出来的”，而是：
如果企业只说“由 AI 辅助生成”，但不能说明内容来源、审核责任和发布流程，这个标签不会增加信任，反而可能让读者觉得企业在推卸责任。
反过来，如果企业能建立清楚的内容治理机制，AI 参与反而未必是负面信号。客户真正需要的是：企业能不能用 AI 更快整理资料、更完整地回答问题、更稳定地发布高质量内容，同时仍然保留专业判断和责任边界。
- 信息是否准确。
- 观点是否代表企业正式立场。
- 数据和引用是否可追溯。
- 是否有人进行专业审核。
- 出错之后是否有人负责。
- 内容是否经过夸张、伪造或误导性加工。
“AI 生成”不是一个单一状态
企业内部最容易出错的一点，是把所有 AI 参与内容都归为一类。
实际上，AI 参与程度差异很大。
有些内容只是用 AI 做资料初筛、摘要和结构建议，最终观点、事实核验和表达都由业务专家完成。
有些内容由 AI 生成初稿，再经过编辑、法务、产品或行业顾问完整复核，企业对最终发布内容承担编辑责任。
有些内容则高度自动化，例如面向客户的自动问答、自动摘要、个性化推荐语、实时客服回复、自动生成的报告或图文素材。
这几类内容的风险完全不同，不能用同一种标识和同一套审核方式处理。
企业需要先做内容分级，而不是直接讨论“要不要标 AI”。
第一类是内部辅助内容，例如会议纪要初稿、资料摘要、选题建议、草稿润色。这类内容不直接面向外部，但需要保留输入材料、输出结果和人工修改记录，避免错误信息被带入正式发布。
第二类是人工负责的对外内容，例如官网文章、白皮书、案例稿、产品介绍、公众号文章。AI 可以参与资料整理和初稿生成，但最终应由明确的自然人或部门承担编辑责任。对这类内容，关键不是强调 AI，而是确保事实核验、来源引用和审批链完整。
第三类是自动化对外内容，例如客服机器人回复、自动生成的个性化方案、系统实时生成的摘要或推荐。这类内容需要更强的披露、日志、知识来源和升级机制，因为用户正在和一个持续运行的 AI 系统互动，而不是阅读一篇已定稿文章。
第四类是高敏感内容，例如涉及公共利益、金融建议、医疗健康、人事招聘、信用评估、重大公共事件、真实人物肖像或声音的合成内容。这类内容不仅要考虑标识，还要考虑是否应生成、谁能批准、如何证明素材来源合法、如何避免误导。
只有先分清这些类型，企业才不会把治理做成表面动作。
可追溯，比一句免责声明更重要
免责声明很容易写，但可追溯很难做。
一篇企业文章如果引用了行业数据、监管政策、客户案例和产品能力说明，真正影响可信度的是这些材料能否被回查。AI 在这里可能放大两个问题：一是把来源相近但语义不同的信息混在一起，二是把不确定内容写成确定判断。
所以，企业使用 AI 生成对外内容时，应该把可追溯作为底线要求。
至少要留下四类记录。
第一，来源记录。关键事实、数据、政策、案例和引用来自哪里，是否为官方公告、研究论文、权威报告、一手资料或客户授权材料。
第二，生成记录。AI 参与了哪些环节，是摘要、改写、翻译、结构建议、初稿生成，还是自动回复。
第三，审核记录。谁负责事实核验，谁负责业务准确性，谁负责法律合规，谁批准发布。
第四，版本记录。内容上线后是否修改过，修改原因是什么，旧版本是否可回查。
这些记录不一定都要展示给外部用户，但企业内部必须留得住。否则，一旦客户质疑、媒体追问或监管要求说明，企业只能回到“应该没问题”的状态。
这也是内容治理和普通写作流程的差别：前者不是为了让文章看起来更正规，而是为了让企业在真实压力下仍然能解释自己的发布行为。
技术标识不能替代组织责任
围绕 AI 生成内容，行业里已经有一些技术路线，例如内容凭证、元数据、数字签名、水印和检测工具。C2PA 所推动的 Content Credentials 就是一种开放技术标准，用来记录数字内容的来源和编辑历史，类似给数字内容提供一张可查看的“营养标签”。
这些技术值得企业关注，尤其适合图片、视频、音频、设计素材、对外宣传物料和媒体发布场景。它们可以帮助企业证明内容来自哪里、经过哪些编辑、是否被篡改过。
但技术标识不能替代组织责任。
原因很简单：标识只能说明内容经历了什么流程，不能自动证明内容是真的、合适的、没有误导的。一个带有元数据的图片仍然可能表达错误信息；一个标注了 AI 参与的新闻摘要仍然可能遗漏关键事实；一个使用了标准图标的客服回复仍然可能做出不该做的承诺。
企业不能把“是否贴标签”当作内容治理的终点。更成熟的做法，是把技术标识嵌入发布流程：
技术提供证据，流程提供责任。两者缺一不可。
- 生成工具是否支持来源记录和内容凭证。
- 素材系统是否保留原始文件和编辑历史。
- 发布平台是否能保留标识，而不是上传后丢失元数据。
- 对外展示是否让用户在第一时间理解内容性质。
- 重要内容是否有人工编辑责任人。
- 发生争议时是否能回查生成、审核和发布链路。
供应商采购也要加入透明度要求
企业的 AI 内容治理，不能只盯内部编辑团队。很多对外内容会经过外部供应商、SaaS 工具、营销自动化平台、客服系统、设计工具、视频生成工具和内容管理系统。
如果采购时没有透明度要求，后期很难补救。
企业在采购或续约相关工具时，至少应该问清楚几件事。
第一，工具是否能记录 AI 生成或修改痕迹。
第二，是否支持机器可读标记、内容凭证、元数据保留或导出。
第三，生成内容是否能关联输入素材、知识来源和版本历史。
第四，是否支持按内容类型设置不同披露方式。
第五，上传到网站、社媒、客服系统或邮件系统后，标识是否仍然保留或以其他方式展示。
第六，供应商是否能说明其自身对 AI 内容透明度、版权、数据处理和安全的控制措施。
这类问题看似细，但会决定企业未来能不能把 AI 内容生产规模化。如果工具链里某一段完全不可追溯，企业就很难对最终发布内容建立完整责任链。
对正在推进 AI 落地的企业，建议先做五件事
第一，建立 AI 内容清单。
不要只统计文章和图片。应把官网、公众号、销售材料、客服回复、知识库、白皮书、产品文档、招聘内容、短视频、培训材料和自动生成报告都纳入范围。先知道哪些内容有 AI 参与，才能谈治理。
第二，按风险对内容分级。
内部草稿、人工审核后的对外内容、自动化对外内容、高敏感内容，应采用不同审核和披露要求。不要用一个“AI 辅助生成”标签覆盖所有场景。
第三，明确编辑责任。
凡是代表企业观点、承诺、能力、价格、政策或专业判断的内容，都应有明确负责人。AI 可以参与生产，但不能成为责任主体。
第四，建立来源和审核留痕。
关键事实要能回到可信来源，关键结论要能看到审核人，关键修改要能看到版本记录。对外可不展示全部过程，但内部不能没有证据。
第五，把透明度要求写进工具和供应商标准。
内容生成、设计、客服、营销自动化、CMS 和素材管理工具，都应评估其标识、日志、版本和导出能力。未来企业内容可信度，不只取决于编辑水平，也取决于工具链是否支持可追溯。
一个现实判断
AI 会继续降低内容生产门槛，但企业内容的竞争不会因此变成“谁生成得更多”。
恰恰相反，当大量内容都可以快速生成时，客户会更在意谁的信息可信、谁的表达克制、谁的来源清楚、谁敢承担责任、谁能在出错时解释和修正。
欧盟 AI 生成内容透明度实践准则释放出的信号，不只是监管层面对深度伪造和误导性内容的回应，也是企业对外沟通方式升级的提醒。
未来成熟的企业 AI 内容体系，不会是“所有内容都贴一个 AI 标签”，而是从选题、素材、生成、审核、标识、发布、归档到复盘都有清楚流程。
企业使用 AI 做内容，真正要补上的不是一个标签，而是一套能让客户相信“这家公司知道自己在发布什么，并且愿意为此负责”的可信发布能力。
这才是 AI 参与企业传播后，最值得建设的长期资产。
