另请阅读：English | Tiếng Việt | 한국어

越南的人工智能法已经正式生效。企业如果把它只看成一条合规新闻，就会看漏真正重要的东西。更准确地说，这部法律说明：AI 已经进入网络安全和风险治理的核心范围。

这部法律自 2026 年 3 月 1 日起生效。之后，越南主管部门已经开始推动实施、培训和配套指引。这个动作本身就很说明问题，因为真正改变企业行为的，从来不是一条法律标题，而是围绕法律展开的执行、流程、审计和责任划分。

AI 的风险之所以重要，是因为它并不是独立运行的工具。它依赖数据、云服务、身份权限、日志、供应商和内部流程。任何一层出问题，AI 都会把问题放大。换句话说，AI 不只是一个“新工具”，它会直接接入企业原有的安全边界。

越南官方对这部法律的表述也很清楚：风险控制、高科技欺诈防范、治理机制，都是重点。这说明监管者并不是只想给 AI 加一层纸面规则，而是在把 AI 纳入更广义的安全和治理框架。

从业务角度看，这件事更现实。一个 AI 系统可以帮企业写邮件、总结文件、服务客户、生成推荐、处理知识库，听起来都很方便。但同样的系统也可能被滥用来伪装身份、制造钓鱼内容、泄露数据、放大错误判断，甚至让一个小失误变成大规模事故。等问题发生之后，事情就不再是“AI 怎么写政策”，而是事件响应、权限控制、数据保护和信任修复。

更大的背景也支持这一判断。越南的网络攻击环境仍然活跃，整个区域对 AI 的应用速度往往快于防御能力的提升速度。这个差距就是风险的来源：一边是快速部署，一边是控制没跟上。很多公司表面上很先进，实际上只是把不成熟的技术更快地推入了生产环境。

企业如果想真正用好 AI，第一步不是上系统，而是先把场景梳理清楚。哪些团队在用？哪些工具在用？哪些数据会被输入？输出会被谁看到？这些结果会不会被保存、转发、训练、引用，或者进入第三方平台？这些问题如果答不出来，企业就很难说自己已经在管理 AI。

第二步是看供应商。现在很多 AI 风险并不是来自企业自己写的模型，而是来自外部平台、嵌入式工具、云端服务和 API 接口。企业需要像看待关键云供应商一样去看待 AI 供应商：它如何处理数据，是否保留日志，出现故障时谁负责，合同里有没有安全义务，是否支持审计和删除。这些细节看起来琐碎，但它们决定了风险到底是可控的，还是会顺着供应链扩散。

第三步是把人工判断放回流程里。凡是会影响客户、交易、财务、合规记录或重要决策的 AI 应用，都不能只靠自动输出。企业需要明确谁有权复核，谁有权推翻，谁负责解释，谁负责留痕。没有这些规则，AI 就会变成“大家都在用，但没人负责”的工具。

很多企业会把 AI、法务、IT、安全分开处理，但这恰恰是问题所在。AI 的治理不能只靠某一个部门。法务要知道数据怎么流动，安全团队要知道模型和日志在哪里，采购要知道供应商承诺了什么，业务部门要知道系统允许做什么。如果这些部门各管一段，最后就会出现空档。AI 的风险，往往就是从这些空档里长出来的。

所以，越南这部 AI 法的真正意义，不只是让企业“守规矩”，而是逼企业重新组织自己的工作方式。企业要问的，不再只是“能不能用 AI”，而是“能不能安全地用 AI”“出了事谁负责”“数据会不会外泄”“系统错了怎么停”“供应商跑偏了怎么办”。这些问题听起来基础，但它们才是成熟管理的起点。

如果企业能早点建立边界、流程和责任链，就会比别人更快。因为清楚规则的团队，审批更快，协作更顺，出错更少。相反，如果等到事故发生再补规则，最后花掉的时间、金钱和信任会更多。

所以，越南 AI 法真正传递的信息很简单：AI 不再只是创新议题，它已经是安全议题。企业如果想在越南市场长期站稳，就必须把 AI 治理和网络安全放进同一个框架里看，而不是把它们当成两件互不相干的事。

更实际一点，企业应该先建立一份真正可用的 AI 清单。不是展示用的材料，而是能回答这些问题的清单：谁在用、用什么、接什么数据、输出给谁、有没有日志、有没有人工复核、有没有退出机制。清单越早建立，后面越容易管理，也越不容易在审计或事故发生时手忙脚乱。

政策也要具体。像“谨慎使用 AI”这种说法，听起来正确，但执行价值不高。真正有用的规则应该是可操作的，例如：不要把客户资料贴进公共工具、对外内容必须审核、第三方 AI 服务必须先做风险评估、涉及敏感数据的场景必须保留人工判断。规则越具体，员工越知道该怎么做。

安全团队也不能等到最后才进场。AI 的管理方式应该像云安全、身份安全和第三方风险管理一样：先识别风险，再设控制，再验证控制有没有真的起作用，最后根据实际使用情况持续调整。第一版控制不可能完美，但没有控制才是最大的问题。

还有一个常见误区是把 AI 风险当成“以后再说”的问题。实际上，它通常已经出现在日常工作里：员工把内部内容贴进公共聊天工具，业务团队把生成内容直接发给客户，供应商保存了比预期更多的数据，或者模型给出一个很自信但完全错误的答案。单看每件事都不算大，但组合起来就是新的安全面。

最稳妥的做法不是恐慌，而是有结构地管理。先定义边界，再定义责任，再定义复核路径，最后让使用者知道什么能做、什么不能做。做到这一点，AI 才会成为生产力；做不到，它就会变成披着效率外衣的风险源。