问题——技术成果“握在手里却难以证明”；近期——多位产业人士反映——在生成式产品快速迭代过程中，一些企业出现核心人员流动并带走训练数据、提示词模板等关键要素；对外合作时，合作方频繁追问模型与数据来源、权利链条；在投融资尽调环节，由于成果边界不清、合规材料不完整，估值与交易推进受到影响。业内普遍认为，“技术做出来”与“权利守得住、价值算得清”之间仍存在明显鸿沟。 原因——人工智能成果形态复杂，传统保护路径难以“一招通吃”。法律实务人士指出，人工智能成果往往由数据资源、算法与代码、模型参数、训练流程、产品界面及运营治理等共同构成，既涉及知识产权，也牵连数据安全、个人信息保护与商业秘密管理。一些企业长期重研发、轻治理，缺乏对成果边界的提前界定与证据固化：其一，内部管理上未建立分级保密、权限控制、留痕审计等机制，人员变动时难以举证；其二，对外合作中缺少关于权利声明、授权范围、成果归属与责任分配的标准条款；其三，在开源模型与工具链广泛使用的背景下，未系统梳理开源协议义务，埋下“传染式开源”等风险。 影响——权属不清带来三重压力：合规、维权与融资。业内人士分析，权属链条不完整会放大合规不确定性，影响产品上架、行业准入及客户采购决策；一旦遭遇抄袭或不正当竞争，企业可能因证据不足而处于维权被动；在资本市场层面，尽调通常聚焦数据来源合法性、模型训练合规性、知识产权完备度及可持续经营风险，材料缺失往往导致估值折扣、交易条款趋严甚至项目中止。更深层的影响在于，研发投入长期费用化后难以在资产负债表中体现核心能力，企业价值呈现与市场认知容易出现偏差。 对策——以“确权+合规+会计”贯通的组合方案，构建可证明、可计量、可交易的资产体系。多位法律与财务人士建议，人工智能成果保护不宜依赖单一路径，应转向分层分类治理：一是以专利、著作权与商业秘密“组合”明确权利边界。对具备技术方案特征的模型训练方法、推理加速、工业控制等，围绕可专利性要点完善技术交底；对软件代码、界面与文档等，及时进行著作权登记并做好版本管理；对数据清洗规则、特定提示词体系、参数配置、业务策略等不宜公开且具竞争价值的内容，建立商业秘密体系，通过保密协议、竞业限制、访问控制与日志留存实现可举证。二是将数据合规前置到研发全流程，梳理数据来源、授权范围、处理目的与保存期限，建立可追溯的“数据血缘”档案，必要时引入第三方合规审查。三是建立开源治理清单，区分宽松型与强约束型协议，对引入组件的许可证义务、分发触发条件、署名与披露要求逐项核验，避免协议冲突导致商业化受限或被动披露核心代码。四是衔接资产化路径，围绕研发成本归集、研究阶段与开发阶段划分、算力与数据成本核算口径等，建立内部会计与项目管理机制。随着《企业数据资源有关会计处理暂行规定》等制度落地，数据资源及相关成果的规范核算有了操作依据，但前提仍是权属清晰、合规可证、成本可追溯、价值可评估。 前景——成果确权与资产化将成为人工智能产业竞争的“基础设施”。业内判断，随着大模型应用进入行业深水区，客户对安全、合规与权利链条的要求将持续提高，投融资也会更看重可验证的资产质量。未来，企业竞争不只体现在模型参数规模与场景数量，更体现在治理能力：能否用制度把“人掌握的经验”沉淀为“组织可控制的资产”，能否让研发投入沉淀为可定价的成果，能否在开源生态与商业化之间实现合规平衡。另外，监管规则、司法实践与评估标准仍在演进，行业有望形成更细化的确权指引、数据合规审查机制与模型资产评估方法，为技术成果的流通交易提供更稳定的预期。
人工智能技术商业化正在从单纯的技术比拼走向综合能力竞争。只有建立完善的确权与资产化体系，企业才能将技术优势转化为可持续的增长动力。这不仅关系到单个企业的生存与发展，也将影响行业生态的形成与演进路径。