|
AI行业复盘 ｜ 集团企业AI治理专题 小鹏前员工被罚千万！制度复盘 |
一家造车集团的前员工，离职不到一年就去了竞争对手的研发岗，还把在老东家积累的智能驾驶技术经验带了过去——这起竞业违约最终被集团追责到接近一千万元。对集团企业来说，前员工、商业秘密、AI工具三件事叠在一起，就是今天最容易被忽视的 AI泄密 与 追责 雷区。
2026 年 8 月 7 日，小鹏集团发布《商业秘密合规管理制度》，把 AI 工具正式纳入保密管控，并新增对商业秘密的全生命周期管理。这意味着一件有意思的事：一次接近千万的个案追责，被这家集团企业升级成了顶层制度。从"抓一个违约员工"到"把 AI 纳入保密红线"，这套打法值得所有有多家子公司、有大量研发人员的集团企业认真复盘。
一、时间线复盘：从竞业违约到千万追责
先把这件事的来龙去脉讲清楚，因为它是一份现成的集团企业合规教材。
涉事的是小鹏集团的一名前员工。双方在劳动关系存续期间签有一年的竞业限制义务，约定离职后在约定期限内不得加入竞争对手、不得从事竞争性研发。但这名前员工离职后短期内就加入了竞争对手，并继续从事与原岗位高度相关的研发工作，明显踩破了竞业红线。
小鹏方面随即将这名员工告上劳动仲裁，索赔金额接近一千万元。之所以能堆到这么高，是因为这笔账不是单一项目，而是三类叠加：一是返还已支付的竞业限制补偿金；二是返还离职后出售限制性股票取得的收益；三是支付约定的违约金。补偿金、股权收益、违约金三项相加，个案的追责金额就冲到了"千万级"。
这件事的关键不在于"赔了多少"，而在于它揭示了一个被很多集团企业低估的事实：前员工带走的不只是人，还有技术秘密、研发路线与数据资产；而一旦这些资产通过 AI 工具被重新使用或外泄，损失的就不是一笔违约金，而是整条技术护城河。
二、为什么是"集团企业"：子公司与前员工的治理盲区
竞业违约在任何公司都可能发生，但集团企业的风险面明显更大，根子在组织结构。
第一，多主体导致保密义务层层衰减。集团下面挂着十几家甚至几十家子公司、研究院、合资公司，竞业协议往往由某一子公司与员工签署，集团总部很难实时掌握"谁签了、期限到哪天、覆盖了哪些技术方向"。前员工换了个法人主体入职，集团层面的雷达未必第一时间响。
第二，研发资产高度集中又高度分散。智能驾驶的核心算法、训练数据、仿真结果、研发路线，分散在无数工程师的电脑、代码仓库和内部文档里。这些都属于法律意义上的商业秘密——不为公众所知悉、具有商业价值、权利人采取了保密措施的技术信息或经营信息。集团越大，越难证明"我对每一项都采取了合理保密措施"。
第三，AI 工具把盲区放大成漏斗。过去前员工想带走技术，至少得拷贝文件、传 U 盘，留下痕迹；现在他只要把老东家的方案、代码、技术文档整段贴进一个外部大模型，让模型"帮我改写成竞品的方案"，泄密就在一次回车里完成，且几乎无痕。对集团企业而言，AI 工具既提升了效率，也成了商业秘密外流最顺手、最难查的通道。
三、两起 AI 泄密案对照：泄密不分体制内外
把小鹏这起竞业追责案，和近期公开的另外两起 AI 泄密事件放在一起看，会更清醒。
据"保密观"2026 年 8 月 14 日披露，第一起发生在某国家机关：一名工作人员为图方便，把内部文件直接交给开源 AI 做分析处理，导致涉密内容随请求流出，构成泄密。第二起发生在某科研机构：研究人员把核心实验数据上传至一款 AI 应用软件，造成涉密数据泄露。两起案例的共同点是——当事人都不是蓄意叛卖，只是"用 AI 处理一下工作"，信息就离开了可控边界。
对照小鹏案，三条线指向同一个结论：泄密不分体制内外，不分民企国企，真正的风险点是"受保护的信息 + 不受控的 AI 工具"。机关人员用开源模型分析内部文件，科研人员上传核心数据，前员工把老东家技术喂给竞品模型——行为不同，性质一致：把本应留在边界内的信息，送进了第三方模型的黑箱。
这也是为什么小鹏没有停留在"告一个人"，而是选择把制度整体往前推一步。
四、小鹏的制度升级做对了什么
2026 年 8 月 7 日发布的《商业秘密合规管理制度》，是这次复盘里最值得集团企业抄作业的部分。它做对的三件事，恰好对应治理的三段式。
1. 事前预防：把 AI 工具写进保密制度。制度明确将 AI 工具纳入管控范围，把"哪些商业秘密禁止投喂模型、哪些研发内容禁止用外部 AI 处理"从口头提醒变成书面红线。对集团企业来说，这一步解决的是"制度只写在纸上"的老毛病——红线先画清楚，追责才有依据。
2. 事中管控：对商业秘密做全生命周期管理。从产生、使用、共享到销毁，对涉密信息的流向做过程管理，而不是等出事再倒查。把 AI 调用纳入这个生命周期，意味着"一份技术文档能不能进模型"在事前就有判断标准。
3. 事后追责：把个案维权升级为闭环。从劳动仲裁追近千万，到把经验固化成制度，小鹏把一次代价高昂的教训，转化成了可复用的事后追责与举证机制。对集团企业而言，能追到人、能拿出"我采取了合理保密措施"的证据，本身就是威慑。
一句话总结它的思路：不让保密只靠员工自觉，而是靠制度把"事前预防、事中管控、事后追责"串成闭环。而这恰恰是大多数集团企业最缺的一块。
五、51Tokens 如何把"前员工 + AI"的风险收口
制度画了红线，落地还得靠工具。51Tokens 给出的思路，和上面那套闭环是同一套逻辑：把 AI 调用变成一件看得见、拦得住、查得到的事。
第一，敏感内容识别发生在请求进入模型之前。对提交给模型的内容做敏感特征识别，命中技术文档特征、内部标识、特定格式的内容时给出提示与处理建议；命中低风险规则走提醒，员工确认后放行并留理由；命中红线规则直接拦截。规则在 51Tokens 侧配置管理，编译成规则包下发，由 51API 网关在运行时执行，管理与执行分离。落到小鹏这类场景，就是一名前员工想把老东家的算法方案粘进对话框时，系统在他按下回车之前就把这件事拦下来。
第二，统一网关把散落的模型调用收口。所有对模型的调用经由统一网关出口，谁在用、用哪个模型、处理什么类型的内容，集中可见、可控、可核算。一旦对外内容出问题，集团至少能第一时间自证：这条内容是从我们的合规通道出去的，还是员工私接的外部模型。
第三，全量调用审计与 API 日志留痕。审计日志按人、按部门、按模型、按内容类型可查，API 调用日志完整留存，既满足内部检查与劳动仲裁举证的需要，也让"我们采取了合理保密措施"这句话有据可依。对集团企业来说，这道记录就是面对前员工泄密质疑时最硬的证据。
第四，顺手把账单一起管住。同一条链路上，请求侧的自研保真压缩算法会在请求发往模型之前对 Prompt 与上下文做 30%-70% 的压缩，语义不丢、效果不打折；压缩只作用于输入侧，模型返回什么原样透传。配合按部门、按项目的分级预算与告警阈值，AI 合规和AI 省钱在同一套基础设施上一起完成。
需要补充的是，51Tokens 围绕集团企业 AI 治理提供三大业务：平台系统、培训课程、咨询落地服务。平台系统解决"留痕、识别、收口"的技术底座；咨询落地服务帮集团把商业秘密制度真正落到审批流与调用链上；培训课程则把保密红线送进每一名研发与运营的脑子里。技术、制度、人，三件事一起抓，前员工带着 AI 工具泄密的空间才会被真正压窄。
六、这周就能做的两件事
不需要等一份完整的治理规划，集团企业先动两件事，风险面就能明显收窄：
1. 摸一遍"前员工 + AI 工具"的真实接触面。统计离职未满竞业期的员工都接触过哪些商业秘密、目前可能通过什么通道使用 AI；再统计各部门实际在用哪些外部模型、处理什么内容。多数集团做完这一步会发现，真实风险面远超制度覆盖面。
2. 把涉密 AI 调用收口到一个出口。没有统一出口，敏感识别和审计留痕都无法验证；有了出口，集团总部才能第一次看清：到底是谁、在用哪类模型、处理哪类商业秘密。
七、写在最后：AI 省钱、AI 合规、AI 考核是同一条链路
回到开头那名被追近千万的前员工。
他提醒集团企业的，不只是"要签好竞业协议"，而是一个更根本的问题：在 AI 已经渗进每一个研发与运营岗位的今天，你对 AI 的使用到底有多少是看得见的？看不见的部分，既是商业秘密外流的藏身处，也是账单失控的源头。
下面这三件事，本质上是同一件事的三个切面：
① AI 合规：敏感内容识别与全量调用审计，把商业秘密与 AI 泄密风险从盲区拉回可观测区；
② AI 省钱：请求侧保真压缩与分级预算，把 Token 账单从变量项拉回可控项；
③ AI 考核：用真实调用数据评估 AI 的产出质量，而不是把使用量本身当成绩效。
它们共用同一条基础设施：一条能看见每一次模型调用的链路。
最后留三个问题给屏幕前的你：
1. 你们集团离职未满竞业期的前员工，有没有可能把老东家的技术文档贴进过外部模型，你能查到吗？
2. 上周有没有研发把涉密算法或数据喂给过公共大模型，集团总部手上有记录吗？
3. 一旦劳动仲裁或监管追问商业秘密保护措施，你拿得出几份能自证"已采取合理措施"的日志？
欢迎在评论区聊聊：你们集团企业的 AI 保密红线是怎么划的？如果还没划，把这篇转给合规和研发的负责人，可能比转给任何人都有用。
需说明：51Tokens 的敏感内容识别是提醒与拦截双模式，把风险判断从个人记忆搬到系统规则，不替代任何保密审查流程，也不承诺 100% 合规；它解决"看得见、拦得住"，不替代 DLP / SIEM 等专业安全系统。
—— 51Tokens，让每一次模型调用都看得见、说得清、查得到
图：51AIPro 全流程 AI 治理一体化解决方案 · 服务架构
