企业官网建设流程全解析

EU AI Act 里最不需要讨论“什么时候用”的部分，就是禁止类 AI 系统。当欧盟把某项技术实践写进黑名单，其实是在告诉你：不管你的模型做得多好、给了多少免责声明，这个场景本身就不允许在欧盟市场出现。我陪客户做 AI 出海合规评估时，几乎每次都要从这一章开始讲，因为它直接关联处罚体系——最高 3500 万欧元，或上一财年全球年营业额的 7%，取孰高。很多团队看到这个数字才真正意识到，这已经不是一个“参考指南”，而是一条带了牙齿的法律。这篇内容，就把第五条禁止清单和后面的罚款体系拆开揉碎，讲清楚哪些 AI 系统不能碰、合规边界怎么判断、万一踩线会有什么后果。

1. 为什么禁止类是整个 AI 合规的最高优先级

1.1 EU AI Act 的风险分级思路

EU AI Act 的核心思路是按风险给 AI 系统分级：不可接受风险、高风险、有限风险、最小风险。这个分级不是凭感觉，而是按 AI 系统所处应用场景和它对人的影响深度来判断的。禁止类 AI 系统位于“不可接受风险”这一档，意味着欧盟委员会在立法时认为，这些 AI 应用本身对社会基本权利、民主过程或个体安全的威胁，已经大到必须一律禁止，连评估准入的余地都不留。对出海企业来说，最需要形成的一个认知是：合规评估不是“从技术属性看”，而是“从使用场景看”。

我见过不止一个团队拿着“我这是个通用大模型”来问要不要按第五条自检。这种问法方向就错了。EU AI Act 对第五条的判断，核心是“部署场景中的特定操作方式”，不是模型本身。比如一个对话机器人，如果你让它根据用户个人资料去故意设计一种隐蔽的信息呈现方式，诱导用户做出伤害自己的决定，这就是禁止类；同样一个对话机器人，仅仅做常见问答，就不在禁止范围内，只会落入透明度或高风险义务。所以，第一步永远是把产品里所有 AI 用途拆成具体的“业务场景”，而不是只写一个模型名称。

1.2 禁止类被列为最高优先级的现实原因

为什么禁止类比其他合规义务优先级更高？一个很实际的原因是时间线。EU AI Act 在 2024 年 8 月生效，但各种义务分批适用，第五条禁止实践从 2025 年 2 月 2 日就开始适用，是整部法案最早落地执行的门槛之一。很多高风险 AI 系统的完整义务要到 2026 年 8 月以后才逐步适用，但如果你踩了禁止类红线，早在第二阶段就会面临监管调查。换句话说，禁止类不是“将来时”，而是“现在完成时”。

优先级高还体现在处罚设计上。同一部法案里，违反禁止类义务的最高罚款是违反其他义务的两倍多：禁止类最高 3500 万欧或全球年营业额 7%，违背高风险系统义务是 1500 万欧或 3%，信息提供不准确是 750 万欧或 1.5%。立法者用罚款梯度直接标注了“什么才是重点”。实际操作里，我通常建议客户先花半天把禁止清单逐条过一遍，反复确认不要踩线，然后再去研究透明度、数据治理、技术文档那些长期功课。这条顺序反了，后面全都白做。

2. 禁止行为逐条拆解：八类红线分别是什么

2.1 操纵、欺骗与剥削脆弱性：不能“替用户做决定”

第五条第一组禁止行为，针对的是利用人类认知弱点来改变行为的 AI 系统。原文表述的要点是：部署潜意识技术，或刻意使用欺骗性技术，目的是实质性地扭曲一个人的行为，导致或合理地可能导致该人或他人身体或心理伤害。通俗来说，如果你的 AI 系统在用户没有意识到的情况下暗算用户，比如通过隐藏的音频消息、闪烁图案、超快速信息闪动来影响决策，这属于潜意识技术。再比如，用 AI 定制一个“深度伪造”的权威人物形象来诱骗老年人转账，也属于这一条。

更麻烦的是第二条“利用脆弱性”：因为一个人年龄、残疾或特定社会、经济状况导致的脆弱性，AI 系统刻意利用这种脆弱性来扭曲行为并引发重大伤害。注意，这里并不要求是未成年人，只要是“处于脆弱地位的人”都算。比如针对经济困难人群设计“不可能拒绝的贷款话术”、利用老年人认知退化做操纵性营销，都可能被认定。这个范围其实非常广，出海做金融、电商、健康、教育的团队，尤其要检查客服机器人和推荐算法有没有“话术套路”属性。

2.2 社会评分与仅凭画像的犯罪风险预测

社会评分是一个典型的禁止行为，也是出海团队容易在理解上跑偏的地方。立法上明确禁止的是：基于一个人的社会行为，或其已知、推断的个人特征，对个人或群体进行“信用评分”，并由此导致其在某些原本不相关的场景下受到不利对待。这个规则覆盖公共和私营主体。也就是说，不能用一个 AI 系统给用户打一个“综合信赖分”，然后拿这个分去决定优惠、权限或者服务等级。如果分数只用于某一特定服务的内部风控，例如用来判断同一贷款申请中的欺诈风险，则需要仔细判断是否与业务场景有直接关联。

另一条是仅凭画像的犯罪风险预测，即禁止用 AI 基于画像或个人性格特质来评估或预测一个人会不会犯罪。这里有个容易被误解的边界：如果 AI 只是辅助人类调查员，并且人类基于“客观可核实的事实”做出最终判断，通常不落入禁止范围；如果你让模型自动输出“此人有较高犯罪倾向”并直接进入警务流程，那就非常危险。做公共安全、反欺诈、合规审查类产品的企业，要重点看这里的定性逻辑。

2.3 无差别人脸抓取与敏感特征分类

接下来这条是很多人脸识别产品成立与否的关键：为了建立或扩展人脸识别数据库，从互联网或闭路电视画面中无差别抓取面部图像，这条被明确禁止。注意，禁止的是“无差别抓取”，不是“经过授权、从特定数据主体直接获取”。就算技术上是公开可访问的数据，用来建设人脸库也不合规。做安防、做相册、做社交媒体内容分析的出海产品，如果数据来源里有“爬公开网站图片”或“录监控视频来训练人脸模型”，要立刻停下来。

同时被禁止的还有基于敏感特征的生物识别分类，也就是用 AI 推断一个人的种族、政治观点、宗教信仰、工会成员身份、哲学信仰或性取向。这类系统原则上禁止，只有执法场景有严格例外。很多公司觉得“我只是做个用户画像标签，不涉及执法”，没问题，但你要清楚：如果标签是通过人脸、步态、语音等生物识别数据推出来的敏感属性，就已经在高压线附近了。商业场景里几乎没有合规空间。

2.4 情绪推断与实时远程生物识别

第五条的生物识别禁令里，还有一个特别容易被职场和教育类产品撞上的，就是情绪识别。法案明文禁止在工作场所和教育机构中使用 AI 来推断人的情绪，除非是医疗或安全原因。如果你有一个“课堂专注度分析”产品，或者“职场情绪监控”产品，面向欧盟市场时风险极高。即便你在产品里写“不用于医疗目的”，只要落点是教育机构或工作场所，就很难绕过去。

再就是实时远程生物识别系统，也就是在公共空间对非特定目标的个人进行实时人脸比对，以识别身份。这条对执法部门也默认禁止，只有少数法定例外，例如搜索失踪儿童、处理迫在眉睫的恐怖威胁、查证特定严重犯罪嫌疑人的身份等，且必须得到司法授权。很多企业会误以为“我不是执法机构，所以这条跟我没关系”，但商场偷偷用客流摄像头做实时 VIP 人脸识别、景区用摄像头抓逃票人员，这类商务场景既不在例外清单里，也很容易被按扩大解释处理。

3. 合规边界判断：你的 AI 系统到底算不算被禁止

3.1 从场景倒推：先看用途，再看技术

我刚说过，第五条看场景，不看你用了什么模型。所以判断边界的方法论是“场景倒推五连问”：系统谁会使用？决策对象是谁？系统输出是否直接指导对人的不利决定？输出与不利决定之间是否存在实质性因果关系？该不利决定是否发生在对个人产生重要影响的领域？这五个问题一过，不少“模糊地带”都会现出原形。

举个例子。一个 AI 面试助手，根据语音分析评估候选人稳定性。第一问，面试官把 AI 评分作为录用参考；第二问，决策对象是候选人；第三问，评分直接影响是否录用，属于典型的不利决定；第四问，语音分析结果和录用决策之间确实有因果关系；第五问，工作机会是重要影响领域。接下来就要查，它是否使用了生物识别数据推断情绪或性格特征。情绪推断在职场和教育场景被禁，招聘流程是否会被认定为“工作场所”的一部分，至少风险极高。何况语音分析还可能被认定为生物识别数据，还要过 GDPR。合规判断一定是层层递进的。

3.2 “重大伤害”这个标准该如何理解

第五条里频繁出现“导致或合理可能导致重大伤害”。很多人问“多少金额算重大？”其实法律没有一刀切数额。判断伤害要考虑几个维度：严重程度，包括身体、心理、经济损失；影响人数；持续时间；是否可逆。同样是操纵性推荐，让你多买了一双鞋，一般不构成重大伤害；但让你背着高息贷款、签下霸王合同，就很可能算。实际评估时，可以用“普通人视角代入”做第一轮筛查：如果这个系统输出的结果被公开报道，会不会引发监管、媒体和公众的强烈反感？如果会，大概率已经在禁止名单附近。

还要注意，条文里很多动词是“导致或合理可能导致”，这意味着监管并不需要证明真实伤害已经发生。只要系统设计能够预测到这种风险，就可能违规。这给企业提了个醒：合规设计不能等用户投诉，要在产品上线前做“伤前分析”，把每个人的决策链走一遍，看哪里可能被 AI 扭曲。

3.3 例外与豁免：不要被“仅限执法”带偏

第五条有一些例外，集中出现在生物识别相关条款中，而且写得很窄。例如，实时远程生物识别的例外要求：基于严重罪行的明确清单、经由司法或独立行政机构事先授权、严格限定时间、地理范围和可识别的数据主体群体。这个授权门槛非常高，几乎相当于“走一遍刑事司法批准程序”。商业公司基本不用想着套例外。

另一个常见误区是“我有用户授权就能豁免”。EU AI Act 不是 GDPR，即使你拿到了用户的同意，只要系统落入禁止类，同意书也不能让它合法化。因为你不能“同意”自己被操纵，也不能“同意”自己被无差别抓取人脸。这个点特别重要，我见过不少出海企业拿用户协议来兜底，方向完全错了。在禁止类问题上，用户授权解决的是数据保护问题，不是 AI 实践本身的合法性问题。

4. 出海企业落地对策：从产品审查到文档留痕

4.1 产品合规卡点检查清单

真正可落地的第一步，是建一张自己的禁止类自检表。不用特别复杂，但要把下面这些维度固定下来：

• 产品所有 AI 组件清单，按使用方、决策对象、决策后果三条线描述；
• 是否包含任何形式的用户行为扭曲、话术操纵、潜意识提示；
• 是否面向脆弱人群做定向推送或自动决策；
• 是否生成个人社会评分，并用于跨场景的不利对待；
• 是否使用公开网络或 CCTV 数据构造人脸识别数据集；
• 是否在职场或教育场景使用情绪识别；
• 是否使用生物识别数据推断敏感特征；
• 是否涉及公共空间实时识别，并检查是否具备执法例外。

每个维度我建议由技术和法务双人签字确认，留一份带日期的版本。这不是形式主义：如果有一天被监管询问，你需要证明“当时我做了合理的判断和记录”。很多公司合规失败，不是因为没做评估，而是因为评估过程没有证据。哪怕底层是通用大模型或 AI Agent 框架，只要场景踩线，一样算违规。

4.2 风险控制计划与可溯性

如果自查后发现某个功能“有可能踩线”，不要急着删功能。先暂停该功能在欧盟市场的上线，然后做一次“替代方案”评审。举例：人脸识别相册分类，可以把“从公开网络抓图建库”的路径全部关闭，只使用用户主动上传并且明确授权的人脸照片；同时把“情绪推断”从课程分析流程里去掉，只保留考勤、答题正确率这类行为指标。这里花不了太多精力，但能让你从第五条的红区里退出来。

与此同时，记录要跟上。EU AI Act 对 AI 系统提出了可追溯性要求，禁止类审查的记录不能只留在会议纪要里，最好放进一个简单的合规文件系统：风险决策人、评估日期、结论、替代措施、生效版本号。我在项目里常用表格管理，一条功能对应一行，状态分“允许 / 禁止 / 暂缓 / 需修订”。这样当销售团队拿着合同来问你“欧盟客户能不能上线”时，一秒就能给出结论。

4.3 合同与供应链传导

不要以为“我是提供底层模型 API 的，用户怎么用不是我的事”。EU AI Act 对“AI 系统提供者”“部署者”各有义务，但禁止类条款的适用范围覆盖了“投放市场、投入使用或提供使用”。如果你把 API 卖给欧盟客户，而客户在欧盟部署了禁止类系统，你怎么证明自己不知情？监管会看你是否尽到了合理的“使用者画像”和“用途限制”审查。我建议在销售合同中明确写入“禁止用途条款”，列明哪些场景不允许接入你的 API，并建立用量的异常检测机制。比如，一个文本生成 API 一天到晚被调用来生成针对老年人的个性化骗局脚本，这种用量模式应该有拦截和预警。

供应链传导的另一个要点是数据集。如果你的训练数据来自欧盟公开网页，其中包含大量人脸图片，那么即使你自己不做抓取，也可能在后续使用中被认定构成“建立人脸识别数据库”的一部分。审查训练数据来源、脱敏策略和数据留存期限，应该和产品功能审查一起做。

5. 处罚后果与风险成本：算一笔账

5.1 处罚梯度对照表

把 EU AI Act 的处罚阶梯放在一张表里，比任何长篇解释都直观：

这里的“全球年营业额”不是产品线的收入，也不是欧盟区域收入，而是按照集团整体口径计算的上一财年全球营业额。对大厂来说，7% 甚至比很多年净利润还高；对初创公司来说，3500 万欧元的绝对上限也足以让融资归零。我见过团队算完这笔账后反而平静了，因为他们终于能向业务方解释：为什么有些功能必须砍。需要补充说明的是，具体适用时还要看责任人是谁、在整条供应链里的角色是哪一层，以及成员国执法机构的具体裁量。

5.2 除了罚款，还有哪些隐形代价

罚款只是账单的明面。真正影响业务连续性的是其他几层成本。第一层是“禁止令”。监管机构有权要求你停止投放、召回产品、删除非法数据集，这对一款已经做了市场推广的产品等于直接下架。第二层是“连带诉讼”。禁止类 AI 实践往往同时违反 GDPR、产品责任指令、消费者保护法等，用户的损害赔偿请求会跟着来，而且 AI 生成内容的证据固定非常困难。第三层是“市场准入信任崩塌”。欧盟客户合同中普遍会加入合规保证条款，一旦你的产品被认定违规，客户可以据此解除合同，甚至反过来索赔。

还有一层经常被忽视：保险和融资。现在不少网络安全保险和企业责任保险，在核保时会专门询问 AI 合规状况。如果你的 AI 产品存在禁止类风险，保险公司可能直接拒保或大幅提高保费。投资人做尽调时也会调阅合规评估记录，一个“可能触碰第五条”的结论，足以让进入下一轮的关键节点卡壳。

5.3 还没有大案要案，但执法的方向已经很清楚

截至我写这篇内容时，EU AI Act 禁止类条款刚进入适用期不久，公开处罚案例还不算多。但可以类比 GDPR 的执法趋势。GDPR 历史上，大型处罚动辄数千万欧，而且对“全球营业额百分比”的口径采用集团整体营业额，执法机构也多次表示罚款不是唯一目的。EU AI Act 的罚款体系明显借鉴 GDPR，额度更高。因此合理预期是：监管机构会优先抓“影响面大、明显踩线、证据清晰”的案件，例如无差别人脸识别、操纵未成年人或弱势群体的 AI 系统、社会评分类应用。没有公开案例不意味着安全，反而意味着第一批执法案例出来时，会形成很强的示范效应。

6. 合规落地中的典型误区与个人经验

6.1 我见过的最典型误解

第一个误解是“我们不做欧盟业务就没事”。很多 AI 产品初期没有欧盟用户，但代码、数据流、API 部署在欧盟境外，只要不面向欧盟“投放市场”，第五条可能不适用。可问题在于业务边界极易模糊：你的 Web 服务向全球开放，欧盟 IP 可以访问；你的 App 能在欧盟商店下载；你为某个欧盟客户提供 SaaS 接口——这些都可能被认定为“在欧盟投入使用”。所以不要等到正式做欧盟商务才合规，只要产品结构上存在进入欧盟的路径，就该按这个尺度自查。

第二个误解是“免责声明写清楚就可以”。这点我前面提过，用户授权不够，免责声明更不够。禁止类条款的立法逻辑不是“告知后同意”，而是“这种实践本身对社会危害太大，不允许用同意来交换”。所以不要在隐私政策里写“点击即表示同意情绪分析”，这条在欧盟没有任何保护力。

6.2 合规团队需要盯住的三个关键动作

如果真的要做 EU AI Act 合规，我建议按三个动作推进。第一，每季度做一次“禁止类红线复检”。产品迭代会让新功能掉进禁止清单，比如推荐系统加入了“利用经济脆弱性”的话术优化，这种变化不会自动出现在 AI 模型仓库里，只能靠场景清单复检。第二，给业务方做一次“红线培训”，不要讲法律术语，用例子讲：哪些话术不能做、哪些数据不能爬、哪些摄像头功能不能卖给谁。培训要留签到和答题记录，这是后续证明企业“尽到责任”的痕迹。第三，把合规从文档变成“功能开关”。在后台为每个 AI 能力预设一个禁用 flag，当合规状态为“禁止”或“暂缓”时，该功能在欧盟用户侧自动降级或关闭。这一条是我在项目里最推荐的做法，它让制度不依赖某个人的记忆。

6.3 可以立刻复用的一个自检问题

如果你现在只做一件事，那就把下面这个问题发给产品和研发团队：“我们的系统有没有一个环节，通过欺骗、诱导或利用用户弱点，来让他们做出原本不会做出、而且可能造成明显伤害的决定？”如果答案是“有”，请立刻停掉，而不是问“用户授权签了没有”。这个问题覆盖了第五条里最核心的逻辑。把这个问题答清楚，EU AI Act 禁止类合规的大头就完成了；剩下的，才是处罚金额和风险评估这些“算术题”。