AI A轮融资前的治理：投资者现在期待的政策

1. 将AI治理视为可投资性基础设施

一家正在筹备A轮融资的AI初创企业需要证据，证明其产品能够规模化，同时不失去对数据、模型、客户成果或商业主张的控制。治理为这类证据提供了运行体系。它分配决策权、界定获批用途、要求在发布前测试、记录例外情况，并让董事会能够将产品推进速度与风险、现金和客户价值联系起来。

起点是公司实际的AI角色。企业可能训练模型、微调第三方模型、为基础模型检索信息、部署智能体、嵌入外部服务、提供基础设施，或仅在运营内部使用AI。每种角色都会形成不同的依赖关系和义务。董事会应记录产品成果、系统边界、受影响的个人和组织、重大决策、司法管辖区，以及提供数据、模型、工具和分销渠道的各方。

治理应支持执行。产品团队需要一条从实验到受控发布的清晰路径。商务团队需要准确描述能力、局限和客户责任的语言。企业买家需要覆盖安全、隐私、可用性、模型性能、分包商、事件和退出安排的证据。投资者需要了解增长是否依赖公司能够保留的权利、能力和经济收益。当系统行为超出其获批用途时，员工需要有升级上报路径。

美国国家标准与技术研究院（NIST）通过治理、映射、测量和管理来组织AI风险管理。ISO/IEC 42001采用管理体系方法，用于建立、实施、维护和持续改进AI治理。这些框架支持实用的董事会结构：明确问责、理解背景、生成证据、管理残余风险，并在系统发生变化时重新审视决策。

董事会应批准五项相互关联的证明。产品证明将系统与重要的客户成果联系起来。权利证明覆盖数据、软件、模型和内容。性能证明覆盖准确性、稳健性、安全性和监控。商业证明覆盖采购、分销、单位经济和商业主张。治理证明覆盖问责、事件、监管和变更。任何一项证明存在重大缺陷，都应将发布或投资方案退回整改。

五项相互关联的证据将产品执行与董事会控制的规模化决策联系起来。

2. 定义系统、成果和风险等级

治理始于精确的系统定义。公司应识别用户、预期用途、禁止用途、输入、模型、工具、检索来源、输出、行动、受影响方和可问责人员。诸如AI助手或智能平台之类的通用标签，会掩盖总结信息、建议金融行动、批准信贷、筛选候选人、诊断病情或授权付款之间的差异。

该定义应说明系统是仅生成内容，还是还能调用工具、更改记录、发送通信、转移资金、改变访问权限、购买服务或影响个人权利。智能体系统需要一张涵盖可用工具、凭据、记忆、外部服务、决策检查点和终止控制的地图。新加坡的《面向智能体AI的模型AI治理框架》强调限定用例和权限、有意义的人工问责、生命周期控制和最终用户责任。

风险分级应依据后果和风险敞口。评估可以考虑安全性、财务损失、法律权利、弱势用户、个人或机密数据、规模、可逆性、自主性、模型不透明性、网络安全、监管状态以及人工复核的可用性。公司还应评估多个低后果组件组合成更高后果工作流时所产生的风险。

董事会应界定哪一层级可由产品负责人批准，哪一层级需要安全、隐私或法律审查，哪一层级需要高管或董事会批准。高后果系统应具备更强的证据、更窄的权限、独立测试和明确的停止规则。禁止用途应以书面形式规定、传达，并通过技术和合同控制加以执行。

分类记录应进行版本管理。模型变更、新数据源、新客户群体、新增司法辖区、更大自主性或商业声明变化，都可能改变风险层级。一个此前用于起草内部文本的系统，在开始回复客户或执行交易时，可能需要新的治理安排。

表 1. AI 系统定义与风险层级登记表

风险等级是一项管理决策；在涉及法律或受监管活动时，由合格审查提供支持。

3. 建立董事会问责与决策权

即使模型、供应商或客户承担部分工作流程，董事会仍对该公司承担最终责任。董事会应批准 AI 风险偏好、重大用例、问责模型、报告节奏和升级阈值。管理层应将该方向转化为具名负责人和操作程序。

问责应覆盖完整结果。产品负责人可以负责预期用途和客户结果。模型负责人可以负责性能、评估和变更。数据负责人可以负责来源、质量、权限和保留。安全团队可以负责威胁控制和事件响应。法律与隐私顾问可以评估适用义务。商业领导层可以负责对外声明和合作伙伴承诺。高管发起人可以在授权范围内解决冲突并接受剩余风险。

董事会应避免碎片化审批。一个系统可能通过技术评估，却在权利、客户、采购或经济性方面不成立。一份发布备忘录应核对所有重大证据和例外情况。备忘录应说明用途、层级、版本、受影响市场、测试、限制、监测、事件、未决问题、已接受的剩余风险、问责负责人和下次审查日期。

委员会应与阶段相称。A 轮前公司可以采用每周跨职能发布论坛，并由月度高管审查和季度董事会报告提供支持。该论坛需要有权暂停发布、缩小发布范围或要求整改。重大事件和变更应绕过正常节奏。

董事会报告应将风险与业务绩效联系起来。有用的指标包括按层级划分的活跃系统、逾期审查、评估结果、安全发现、数据权利例外、客户投诉、人工干预、事件、供应商集中度、模型成本、毛利率和现金跑道。报告应区分观察到的结果与预测及管理层情景。

4. 建立 AI 系统与依赖关系清单

具备投资者准备度的公司应了解其开发、购买、嵌入或允许员工使用的每一个重要 AI 系统。清单应包括生产产品、客户特定配置、内部 AI 助手、连接真实数据的实验、影子工具、承包商使用的模型以及企业软件内的 AI 功能。

每个条目应标明负责人、用途、用户、风险层级、状态、模型及版本、提供商、托管、数据类别、司法辖区、工具、检索来源、下游决策、人工控制、评估、监测、事件、合同和审查日期。清单应链接到基础证据，而不是成为脱离运营的静态电子表格。

依赖关系分析应超越具名模型。一项服务可能依赖云区域、向量数据库、编排框架、内容过滤器、可观测性工具、身份提供商、外部 API 和客户数据存储。公司应识别哪些依赖可能改变行为、条款、价格、位置、访问或可用性。应记录替换时间和终止影响。

开源组件需要来源、许可证和安全审查。模型权重、训练代码、数据集和库可能带有不同的许可证和义务。公司应记录版本、来源、修改、允许用途、署名、分发条款和已知漏洞。知识产权结论应由合格法律顾问确认。

清单管控应与工程环节衔接。新的模型凭证、软件包、端点和生产部署可触发登记或更新。采购部门可以阻止未获批准的供应商。访问控制可以将敏感数据限制在授权系统内。监测可以将实时端点与已批准记录进行核对。目标是实现当前运营可见性。

证据从系统定义开始，贯穿监测和受控退役，逐步积累。

5. 梳理数据权利、来源、隐私和保留

数据治理应回答公司是否有权收集、访问、转换、组合、用于训练、用于评估、披露和保留每一数据类别。客户合同、公开网页、供应商许可、员工上传内容或开源代码库并不自动确立所有预期权利。公司应针对训练数据、评估数据、检索内容、提示词、输出、遥测数据和人工反馈维护目的与权利记录。

该记录应标明来源、控制者或所有者、法律依据或合同许可、目的、地理位置、敏感性、访问权限、处理者、保留、删除以及模型训练或再利用方面的限制。个人数据应映射到适用的隐私法。机密数据和受监管数据应映射到合同义务和行业义务。版权、数据库权利、商业秘密和公开权可能需要单独分析。

《UAE 个人数据保护法》规定了处理个人数据的义务和数据主体的权利。英国 ICO 的 AI 工具包提供了覆盖 AI 生命周期的实用风险领域，并正在根据《数据（使用与访问）法》接受审查；公司在依赖该工具包前应重新核对最新指南。欧盟 AI 法案、GDPR 和行业规则可以共同适用。沙特和新加坡的框架也将负责任的 AI 与隐私和数据治理联系起来。

数据最小化应纳入产品设计。公司应确定实现已批准结果所需的最少数据，限制访问，隔离环境，并设定删除或去标识化规则。检索系统应执行文档级权限。提示词和输出日志应评估是否包含敏感数据。当权利和客户期望不同时，模型训练应与服务交付分离。

溯源应在转换后仍然保留。公司应能够将重要输出追溯到模型版本、提示词或输入、检索来源、策略配置和相关人工操作。这有助于评估、纠正、向客户解释、事件调查和投资者尽职调查。若在技术上无法实现完整可追溯性，应记录该限制并反映在系统范围内。

6. 治理基础模型、供应商和开源组件

第三方模型可以加速产品开发，同时带来集中度、定价、数据、性能和连续性风险。公司应评估提供商、服务、合同、模型卡或技术文档、数据使用条款、安全、隐私、托管、子处理者、服务水平、变更政策、评估访问权限、知识产权条款、赔偿条款、事件通知、终止以及数据返还或删除。

供应商评估应针对具体用例。一个可用于起草内部文本的模型，可能不适合用于会产生财务或法律后果的客户决策。公司应测试生产环境中使用的确切模型、配置、提示词、工具、检索数据和防护机制。供应商基准测试不能替代公司自身的评估。

模型变更管理具有重大影响。提供商可能会更新权重、路由、过滤器、上下文限制、定价或条款。公司应了解版本是否可以固定、提前通知如何运作，以及版本停用时会发生什么。重大变更应触发回归测试和发布决策。如果服务使用动态模型路由，审批应覆盖路由逻辑和每个符合条件的模型。

商业韧性需要退出计划。董事会应了解更换供应商、导出数据、复现评估、迁移提示词和工具、维持客户服务以及重新审批系统所需的工作量。多模型设计可以降低部分集中度，但会增加集成、测试和成本复杂性。选择应遵循经核实的经济性和服务要求。

表 2. 模型、供应商和数据依赖登记表

合同与法律结论需要结合已签署条款和预期用途进行审查。

7. 设置开发、测试和发布控制

AI 开发需要一条从实验到生产的可复现路径。公司应记录问题、基线、数据、模型、配置、代码、评估集、验收标准、审核人、发布范围和监控计划。证据应使具备资质的人员能够理解发生了哪些变更以及为何发布获得授权。

测试应覆盖经批准的使用和可信的故障模式。性能指标可包括准确率、精确率、召回率、校准、检索质量、事实支持、指令遵循、稳定性、延迟和成本。基于后果的测试可覆盖偏见、有害内容、隐私泄露、提示注入、数据外泄、不安全工具使用、拒绝服务、模型提取、对抗性输入以及在数据不完整或异常情况下的故障。

生成式系统需要结合上下文评估输出。单一总体评分可能掩盖按语言、客户群体、工作流或任务划分的重大失败。评估集应代表生产分布、重要边缘案例和已知滥用路径。人工审核应使用明确标准、经过培训的审核人员，并在判断至关重要时进行复核。合成测试可以扩大覆盖范围，同时仍应明确标识为合成测试。

发布标准应在看到结果之前获得批准。记录应说明最低性能、零容忍条件、可接受的剩余风险、未解决问题、推广限制和停止规则。一个模型可能技术上很强，但仍因权利、安全、采购、客户沟通或支持不完整而无法发布。

受控推广可在生成证据的同时减少暴露。公司可以限制客户、数据、交易、工具、自主性或数量。监控应将生产与评估假设进行比较。重大漂移、事件或客户损害应触发调查，并形成关于继续、收窄、回滚或停用的书面决策。

8. 衡量性能、稳健性、偏见和失败

模型性能应结合业务决策及受影响人员来定义。摘要系统可从覆盖度、无依据陈述和引用准确性方面进行评估。预测系统可从误差、校准度和稳定性方面进行评估。排序系统可从相关性、曝光度和群体结果方面进行评估。智能体可从任务成功率、工具选择、行动准确性、政策合规性和恢复能力方面进行评估。

稳健性测试考察变化。输入可能在长度、语言、格式、噪声、歧义或意图方面发生变化。数据分布可能发生偏移。检索来源可能过时或不可用。供应商可能更新模型。公司应测试哪些变化会影响结果，并针对可观察信号设置监控。

公平性分析应遵循决策和法律背景。团队应识别相关群体、潜在的分配或质量损害、数据限制、允许使用的属性及缓解选项。总体均等本身并不能证明结果是公平的。合格顾问应在适用情况下确认就业、信贷、保险、消费者及其他行业的要求。

故障管理应在发布前设计好。当置信度低、证据冲突、工具故障或请求的行动超出权限时，系统需要安全响应。选项包括请求澄清、呈现不确定性、拒绝行动、转交人工、使用确定性回退方案、限制范围或停止工作流。

监控计划应为每项指标和阈值指定负责人。它应包括性能、延迟、成本、安全、隐私、投诉、覆盖、事件和客户结果。警报需要调查程序和决策权限。投资者和企业买家随后可以审查一套实际运行的控制系统，而不是只有政策而没有运行证据。

只有当证据、权限和人工问责能够支持相应后果时，权限才会提升。

9. 控制生成式 AI 与代理式行动

生成式 AI 可以生成流畅的输出，但这些输出仍可能不完整、缺乏支持或不适合特定决策。产品应区分生成内容与已验证事实，在适当情况下要求来源依据，并向用户披露有意义的限制。高后果输出应在采取行动前交由合格人员处理。

代理式 AI 增加了行动权限。智能体可以调用工具、浏览系统、修改记录、对外沟通、下单或转移资金。治理应界定允许的目标、工具、数据、凭证、交易限额、时间限制、速率限制、审批检查点、禁止行动、日志、监控、终止和恢复。权限应遵循最小特权原则，并按实际可行的最短期限授予。

图 3 中的权限阶梯将告知、建议、准备和行动区分开来。公司可以在较低层级获得运营价值，同时为更高层级积累证据。董事会应避免将自主性本身视为产品目标。商业论证应说明哪项行动能够改善客户结果，以及为什么增加的权限值得增加的风险和控制成本。

人工监督应具有实际意义。一个人无法在几秒钟内审查数百项复杂行动，也无法在没有相关信息的情况下批准建议。流程应给予审查者时间、能力、证据、权限，以及可用于拒绝或修改行动的可行方式。反复出现自动批准是一个信号，表明控制措施需要重新设计。

公司应测试复合故障。智能体可能从检索内容中接收到恶意指令，选择权限过高的工具，泄露机密数据，然后创建对外沟通。场景测试应跨越组件边界。日志应保留目标、计划、工具调用、输入、输出、审批、错误和最终行动，同时遵守隐私和安全要求。

10. 保护模型、数据、提示词和接口

AI 安全性应纳入公司更广泛的安全计划，并应对模型特定威胁。安全团队应梳理资产、身份、数据流、信任边界、工具和依赖关系。威胁场景可包括提示注入、通过检索内容实施的间接注入、数据投毒、恶意模型文件、不安全的反序列化、凭证窃取、模型提取、敏感数据泄露、拒绝服务以及供应链遭破坏。

控制措施可包括输入与内容隔离、工具允许清单、最小权限、网络限制、机密管理、环境隔离、模型与软件包验证、签名发布、依赖扫描、速率限制、输出验证、检索权限检查、监控以及经过测试的事件响应。安全声明应反映来自已部署系统和配置的证据。

当提示词和政策会实质性影响行为时，公司应将其视为代码。它们需要版本控制、审查、测试和回滚。检索索引和政策配置也需要变更记录。一个安全的基座模型可能因权限过高的工具、薄弱的提示词、暴露的机密或错误的客户数据边界而变得不安全。

安全测试应包含贴近现实的对抗性路径。红队演练可以测试用户、文档、网页、集成或遭入侵的账户是否能够重定向模型或智能体。发现的问题应按风险排序、分派并重新测试。发布记录应说明任何已接受的限制及其补偿性控制。

事件响应应涵盖检测、遏制、证据保全、客户与监管机构沟通、模型或工具停用、凭证轮换、数据审查、恢复以及经验教训。公司应知道如何在不关闭无关服务的情况下停止模型、智能体或集成。企业客户和投资者可能会要求提供该计划已经过演练的证据。

表 3. 评估、安全与发布证据

所需深度应取决于系统的后果、客户承诺和适用义务。

11. 建立人工监督和客户救济

人工监督应与后果挂钩。公司应识别哪些决定需要人工确认，哪些可以进行抽样，哪些需要专家审查，哪些可以在批准的限制范围内自动运行。设计应说明审查者看到什么、有哪些备选方案，以及如何记录分歧。

客户需要关于该服务的清晰信息。沟通应说明结果、AI 在相关情况下的重要作用、重要数据、局限性、客户责任和支持渠道。受重大决定影响的人可能依法或依合同需要获得解释、更正或申诉。产品应将该请求转交给能够审查底层证据并在获授权时改变结果的人员。

投诉记录是有价值的治理数据。管理层应对系统、模型版本、客户群体、问题、后果、解决情况和根本原因进行分类。反复出现的困惑可能揭示披露薄弱。反复出现的更正可能揭示数据或模型问题。解决缓慢可能揭示责任归属缺失。董事会应结合商业仪表盘查看重大模式。

员工治理也很重要。员工应了解哪些工具已获批准、可使用哪些数据、必须如何检查输出，以及何时外部沟通需要审查。培训应体现角色和风险。开发人员需要安全和负责任的设计实践。商业团队需要遵循声明规范。客户团队需要具备升级上报和解释能力。高管需要了解事件和董事会义务。

公司应为 AI 相关关切提供举报渠道。员工和承包商可能观察到数据滥用、无依据的声明、绕过测试的压力或对客户的伤害。该渠道应保护证据、指派调查，并提供超出直接产品负责人的升级路径。

12. 规范声明、销售、演示和投资者材料

AI 声明应具体、有证据支持且为最新。诸如自主、专有、准确、无偏见、安全、合规或实时等词语，在省略重大依赖或限制时可能造成误导印象。公司应维护一份声明登记册，将每项陈述与测试结果、产品范围、模型版本、日期、审查者和获批渠道关联起来。

美国的执法案例说明了这种风险。美国证券交易委员会在2024年指控两家投资顾问就其声称使用 AI 作出虚假和误导性陈述。美国联邦贸易委员会已多次警告企业，必须为 AI 性能声明提供依据，并遵守隐私和保密承诺。这些材料支持一项一般控制原则：产品、营销和募资声明应与可证明的能力和实际运行情况相符。

演示也需要同样的纪律。策划的示例、人工辅助的结果或原型应准确描述。公司应区分生产功能和路线图项目。如果演示使用合成数据、分阶段集成或人工审查，受众应获得该背景信息。销售团队不应承诺尚未获批的监管状态、安全属性或性能水平。

投资者材料应使产品和财务声明保持一致。如果模型是第三方的，演示文稿不应暗示拥有基础模型。如果利润率假设未来推理成本更低，预测应明确该假设。如果收入取决于企业安全审批或监管许可，计划应说明该门槛。如果客户成果基于试点，应明确队列和方法。

董事会应批准融资中使用的重大 AI 表述。数据室应包含声明登记册、模型与供应商图谱、评估、安全证据、客户限制、权利分析、事件和未决问题。准确披露有助于尽职调查，并降低商业热情演变为错误陈述的风险。

相关数值为示意性管理层假设，应替换为经核实的群组和合同。

13. 梳理监管与市场准入义务

AI 监管因司法辖区、行业、活动和角色而异。初创企业应梳理其开发、供应和部署系统的地点；用户和受影响人员的所在地；处理哪些数据；以及涉及哪些受监管产品或决策。该梳理应区分具有约束力的法律、监管机构规则、合同要求、自愿性标准和提案。

欧盟《AI 法案》逐步适用。官方服务台时间表指出，定义、AI 素养要求和禁令自 2025 年 2 月起适用；通用目的 AI 义务和治理自 2025 年 8 月起适用；多数其余规则和第 50 条透明度义务自 2026 年 8 月起适用，但须以已公布的时间表和《数字综合法案》修正案为准。高风险系统规则适用日期更晚。公司应与合格法律顾问确认其角色、系统类别、过渡情况和市场状态。

UAE《人工智能开发与使用宪章》为负责任的 AI 提供国家原则。UAE《个人数据保护法》规范个人数据处理。行业规则可增加要求，尤其是在金融服务、医疗和政府工作中。沙特 SDAIA 的 AI 伦理原则针对在沙特王国开发、部署或使用 AI 系统的利益相关方，采用风险类别和生命周期控制。

英国在采用跨监管机构 AI 方法的同时，适用现有的隐私、消费者、平等、产品、金融服务及其他法律。ICO 工具包支持 AI 数据保护风险分析。FCA 指出，包括消费者责任、高级管理层问责、治理和控制在内的现有框架适用于金融服务中的 AI。新加坡 IMDA 框架为传统、生成式和代理式 AI 提供实用治理。OECD 原则支持围绕人权、透明度、稳健性、安全性和问责制的互操作性。

市场准入应设有法律和运营关口。董事会应要求提供书面的角色与义务图谱、当前生效日期、产品控制措施、客户披露、必要时的监管机构或机制沟通，以及变更监测负责人。框架或自愿性标准可以支持治理，但其本身并不确立法律合规。

表 4. 多市场 AI 治理与市场准入图谱

本表汇总发布时的官方框架立场；各公司必须在推出前重新核实现行法律、角色和生效日期。

14. 将治理转化为企业采购准备度

企业客户通常通过安全、隐私、韧性、法律、采购和业务负责人审查来评估 AI 供应商。创始人可以通过维护最新的证据库来缩短这一流程。证据库应与实际产品范围相匹配，并避免使用不覆盖所部署服务的通用认证或政策。

证据包可包括系统描述、架构、数据流、安全计划、渗透测试、漏洞流程、事件响应计划、隐私评估、处理者清单、数据位置、模型与供应商登记册、评估、业务连续性计划、服务水平、保险、客户条款、知识产权状况和退出支持。如存在认证，管理层应明确其范围、日期和排除项。

客户问卷应反馈至治理系统。重复问题揭示买方需要哪些证据。重复例外揭示产品或合同缺口。公司可以创建由受控文档和指定负责人支撑的标准答复。重大的客户特定承诺应进入产品和监控待办清单。

采购经济性应予以衡量。安全审查、法律谈判、集成、模型评估、客户特定托管和支持都会消耗现金。收入预测应包括获批概率、实施时间、续约、扩展和服务成本。一份责任范围宽泛、控制措施定制且毛利率低的大合同可能会削弱融资理由。

董事会应使用观察到的公司数据审查治理成熟度与销售执行之间的关系。有用的指标包括问卷周转时间、获得安全批准的时间、重大例外、合同周期、实施时间、客户事件、续约和贡献。公司应避免在没有交易证据的情况下声称存在因果性的估值提升。

15. 将治理与单位经济性和估值挂钩

AI 的单位经济性应包括交付受控结果的成本。算力和模型费用是其中一项组成部分。数据获取、检索、可观测性、安全、人工审核、支持、事件补救、客户特定控制、合规、保险和供应商最低承诺都可能显著改变贡献。

财务团队应追踪一个群组从合格用户到成功且留存的结果。应记录模型调用、token 或算力、重试、工具使用、人工干预、支持、退款和损失。按工作流、客户和模型细分可以揭示高表面利润率在何处掩盖了昂贵的失败或审核。

模型改进可通过提高任务完成率、减少重试、降低人工审核、缩短处理时间或增强留存来影响经济效益。更大的模型可能提升质量，同时增加成本和延迟。较小或专用模型可能在限定任务上提升贡献效益。模型路由应作为产品的一部分接受治理与评估。

估值应依据可持续现金流证据、战略权利和风险调整后增长。治理可通过保护数据权利、强化企业采购、减少依赖方面的意外情况、为主张提供依据以及使经营绩效可衡量来支撑该论证。实际估值影响取决于公司业绩、市场状况、投资者判断和交易条款，不应将其表述为固定溢价。

董事会应采用情景分析。基准情景可反映当前模型价格、观察到的转化率和经批准的审核流程。上行情景可反映有证据支持的自动化和已签署的分销协议。下行情景可反映供应商涨价、采购周期延长、模型事故、额外人工审核或监管延迟。每个情景都应显示现金跑道和管理层可采取的决策。

融资批次和所有权价值为示意性管理层假设；公司决策需要经核实的股权结构表和经批准的融资条款。

16. 分阶段融资、股权结构表与募集资金用途

融资计划应将资本与具体证据挂钩。早期资金可用于确立系统定义、数据权利、安全架构和代表性评估。下一批次可支持受控客户、企业采购和运营指标。A轮融资随后可依据更明确的风险与经济效益论证，为分销、产品扩展和组织能力提供资金。

募集资金用途应区分产品开发、模型与数据成本、安全、隐私与法律工作、企业集成、销售、客户支持、事件应对能力和营运资金。一项标为工程的预算可能掩盖必要的治理投入。投资者应能看到哪些支出产生发布门槛，哪些支出支持门槛后的增长。

股权结构表应包含已发行股份、期权、认股权证、可转换工具、SAFE或其他工具、清算优先权、按比例权利、信息权、同意权，以及任何模型或数据合作伙伴股权。管理层应针对各种可能的融资条款模拟所有权和收益。图5中的示意性百分比仅演示一种方法，并不构成交易建议。

董事会应保护经营灵活性。融资文件、战略合作伙伴关系和客户协议可能影响模型选择、数据使用、排他性、定价、融资、知识产权和控制权变更。这些限制应一并审查。一份有吸引力的分销协议如果授予广泛排他性或改进成果所有权，可能会削弱选择权。

现金跑道规划应纳入AI成本波动和采购时点。下行情景可模拟更高的推理成本、更慢的企业审批、额外人工审核或临时发布暂停。董事会应批准招聘、承诺事项和另一次融资流程的触发条件。在获得实际回款、合同和运营数据支持之前，预测仍属管理层估计。

表5. A轮数据室与投资者证据清单

投资者的要求各不相同；本清单汇总整理了通常相关的产品、商业、法律和运营证据。

17. 实施为期120天的A轮前计划

第1至20天建立可见性。管理层界定产品成果，盘点系统与依赖关系，梳理数据与知识产权，识别司法辖区并分配风险等级。董事会批准AI风险偏好、问责机制和重大使用场景。第一道关口要求具备最新盘点结果以及获取关键权利的可行路径。

第21至45天建立生命周期控制。产品、工程、安全、隐私和商务团队定义评估标准、威胁场景、供应商要求、声明审批、事件响应和客户救济。公司测试生产配置并关闭关键发现。第二道关卡要求可复现证据和有限发布范围。

第46至70天建立客户与采购证明。公司运行受控客户群，完成企业级证据，核对声明与结果，并衡量服务成本。公司记录投诉、覆盖操作、安全事件和模型变更。第三道关卡要求可证明的客户成果、受控性能和可执行的采购路径。

第71至95天确立经济效益与市场准备度。财务团队构建单位经济效益桥接、客户群组、模型成本敏感性、融资路线图和股权结构表情景。法律与监管顾问确认适用的市场进入分析。第四道关卡要求基于证据的贡献与当前司法辖区条件。

第96至120天筹备交易。管理层搭建资料室，核对产品与财务报表，准备董事会材料，并关闭优先例外事项。第五道关卡授权明确的融资范围、募集资金用途、披露立场和运营计划。重大缺口仍须明确负责人和后果。

每个阶段结束时都需提供证据，供董事会批准、有条件批准或退回整改。

18. 明确董事会与投资者的决策

最终董事会材料包应呈现产品成果、系统清单、风险分级、数据与模型权利、架构、供应商依赖、评估、安全证据、人工监督、客户救济、声明登记册、监管映射、采购准备度、单位经济效益、融资计划、股权结构表和资料室状态。每个项目都应标明来源、负责人、日期和待解决事项。

董事会应批准一项限定范围的决策。它可以授权明确的系统版本、用途、客户群组、司法辖区、自主级别、分销渠道和资本预算。条件可以包括已关闭的安全发现、当前数据权利、已批准的声明、经测试的监控、客户支持能力和固定复核日期。扩张应要求通过下一个证据关卡。

管理层应明确说明不确定性。待完成的法律分析、供应商承诺、客户批准、模型改进、融资结果或预测转化，应保留其当前状态。公司应区分已签约、已部署、已开票、已回款和预测收入。公司应区分已测试能力与路线图，以及已批准的市场准入与申请或计划。

投资者决策应同时反映增长与可控性。尽职调查的问题是，公司能否通过持续可用、可衡量且可治理的系统与权利，将资本转化为客户价值。强有力的治理计划为董事会和投资者提供共同的证据基础，以支持该判断。

融资完成后，运营决策仍将继续。新市场、模型、数据、智能体、收购和客户承诺应重新进入同一套清单、分级、证据、审批和监控体系。随着公司成长，治理仍是产品与资本执行的一部分。

表6. 董事会AI治理与A轮融资决策清单

每个关口都需要最新证据、具名负责人以及经记录的董事会或授权决策。

实施结论

AI 治理在 A 轮融资开始前以可见性为起点。公司界定每个系统、后果、权利与依赖关系，然后分配负责人和基于风险的证据关口。它将模型性能与数据权利、安全性、客户追索权、索赔和经济性联系起来。

这项为期 120 天的计划产生五项董事会决策：批准系统与权利映射；批准受控开发与发布；核验客户与采购证明；验证经济性与市场进入；以及授权经核对的融资流程。其结果是投资者、企业客户和监管机构均可审查的实用运营记录。

投资者要求仍因基金、阶段、产品、市场和交易而异。图表中显示的估值、融资、成本和时间影响为示意性管理层假设。公司决策应依据经核实的合同、同期群、技术证据和合格专业建议。

参考文献

1. 美国国家标准与技术研究院。AI 风险管理框架。 https://www.nist.gov/itl/ai-risk-management-framework
2. 美国国家标准与技术研究院。《人工智能风险管理框架：生成式人工智能概况》，NIST AI 600-1。 https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
3. 国际标准化组织。ISO/IEC 42001:2023，人工智能管理体系。 https://www.iso.org/standard/42001
4. 欧盟委员会 AI 法案服务台。欧盟 AI 法案实施时间表。 https://ai-act-service-desk.ec.europa.eu/en/ai-act/eu-ai-act-implementation-timeline
5. UAE 人工智能办公室。2024 年 7 月《UAE 人工智能开发与使用宪章》。 https://ai.gov.ae/wp-content/uploads/2024/07/UAEAI-Methaq-EN2-3.pdf
6. 阿拉伯联合酋长国立法。2021年第45号联邦法令，关于个人数据保护。 https://uaelegislation.gov.ae/en/legislations/1972
7. 沙特数据和人工智能管理局。AI伦理原则。 https://sdaia.gov.sa/en/SDAIA/about/Documents/ai-principles.pdf
8. 新加坡资讯通信媒体发展局。新加坡的人工智能与示范性AI治理框架。 https://www.imda.gov.sg/AI
9. 信息专员办公室。AI与数据保护风险工具包。 https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/artificial-intelligence/guidance-on-ai-and-data-protection/ai-and-data-protection-risk-toolkit/
10. 金融行为监管局。AI与FCA：我们的方法。 https://www.fca.org.uk/firms/innovation/ai-approach
11. 金融行为监管局。金融服务中的AI：通过行业参与塑造我们的方法，2026年6月8日。 https://www.fca.org.uk/news/blogs/ai-financial-services-approach
12. 经济合作与发展组织。AI原则。 https://www.oecd.org/en/topics/ai-principles.html
13. 美国证券交易委员会。SEC指控两家投资顾问就其使用人工智能作出虚假和误导性陈述，2024年3月18日。 https://www.sec.gov/newsroom/press-releases/2024-36
14. 美国联邦贸易委员会。AI公司：请履行您的隐私和保密承诺，2024年1月9日。 https://www.ftc.gov/policy/advocacy-research/tech-at-ftc/2024/01/ai-companies-uphold-your-privacy-confidentiality-commitments