AI 成果权属三大雷区：职务、委托、合作研发如何锁定资产不流失？

admin

5.2 职务、委托/合作研发AI成果权属：从“人”到“契约”的资产锁定

在人工智能产业生态中，极少有单一主体能够独立完成从数据清洗、算法设计、模型训练到应用部署的全链条创新。AI成果往往是集体智慧的结晶与多方资源的耦合。这种高度的协作性使得权属认定变得异常复杂：是归属于写代码的工程师？归属于提供算力的云厂商？归属于出资的甲方？还是归属于联合攻关的高校？

若权属界定不清，轻则导致融资尽调失败、上市受阻，重则引发核心资产被竞争对手合法“拿走”，甚至导致企业分崩离析。本节将深入剖析AI领域最常见的三种权属场景——职务成果、委托开发成果、合作研发成果，结合最新法律法规与司法判例，为企业提供一套从风险识别到合同设计的完整实操指南。

一、职务成果：企业与员工之间的“资产边界”

AI行业是典型的人才密集型行业，核心算法工程师、数据科学家往往被视为企业的“大脑”。然而，这些高智商人才在任职期间产生的代码、模型、数据策略，究竟属于个人还是公司？这是AI初创企业及成熟大厂面临的首要法律命题。

1. 职务成果的法定界定标准

根据《专利法》及《著作权法》，职务成果（职务发明创造/职务作品）的认定主要基于两个核心维度：“执行工作任务”与“利用物质技术条件”。

（1）执行工作任务

这是认定职务成果的首要标准。在AI领域，“工作任务”不仅指劳动合同中明确列出的岗位职责，还包括：

本职工作范畴：例如，算法工程师在职期间编写的用于优化模型收敛速度的代码、设计的新型网络结构。

单位交付的特定任务：即使该任务超出了其日常职责范围（如一名后端工程师被临时指派参与数据标注规则的制定），只要是单位明确指派或认可的，其成果均属于职务成果。

离职后一年内的关联成果：员工离职、退休或调动工作后一年内作出的，与其在原单位承担的本职工作或者原单位分配的任务有关的发明创造或作品，仍属于原单位的职务成果。

.AI场景特例：某大模型首席科学家离职后第8个月，在新公司发布了一款架构与原公司高度相似的模型。若原公司能证明该模型的核心思路源于其在原单位未公开的研发项目，则该成果极可能被认定为原单位的职务发明。

（2）主要利用本单位物质技术条件

对于AI研发而言，这一标准往往比“执行任务”更具决定性。AI模型的训练极度依赖昂贵的算力资源（GPU集群）、专有数据（海量标注数据、私有语料）以及内部技术平台（MLOps平台、预训练底座）。

• 物质技术条件的定义：包括资金、设备、零部件、原材料或者不对外公开的技术资料。

• 判定逻辑：如果员工在业余时间（非工作时间）研发了一项AI技术，但该技术主要利用了公司的GPU集群进行训练，或使用了公司内部未公开的千万级数据集进行微调，那么即便该创意源于员工个人，其成果依然属于职务成果。

• 特殊职务作品：《著作权法》特别规定，主要是利用法人或者其他组织的物质技术条件创作，并由法人或者其他组织承担责任的计算机软件、工程设计图等，作者享有署名权，著作权的其他权利由法人或者其他组织享有。这意味着，AI代码和模型权重在法律上天然倾向于归属于企业。

2. 权属归属与权益分配

一旦认定为职务成果，权属分配遵循以下原则：

• 专利权：申请专利的权利属于单位。申请被批准后，单位为专利权人。

• 著作权：

一般职务作品：著作权由作者（员工）享有，但单位有权在业务范围内优先使用。作品完成两年内，未经单位同意，作者不得许可第三人以与单位使用的相同方式使用。

特殊职务作品（含AI软件）：作者（员工）仅享有署名权，著作权的其他权利（复制、发行、改编、信息网络传播等）。

• 商业秘密：职务成果中的技术秘密（如未公开的参数、Tricks）自然归单位所有，员工负有保密义务。

员工的合法权益：

虽然权属归单位，但法律保障了员工的署名权（在专利文件中写明发明人，在代码注释或文档中保留作者信息）和获得奖励与报酬的权利。

• 奖酬制度：单位应当在专利权授予后、实施转化后，给予发明人合理的奖金和报酬。具体标准可由单位规章制度或合同约定；无约定的，参照《专利法实施细则》规定的法定比例（如营业利润的2%或许可费的10%）。

• 实务建议：AI企业应建立明确的《职务发明奖酬管理办法》，将奖酬与项目绩效、晋升挂钩，既满足法律合规，又起到激励人才的作用，避免因“钱没给够”引发的权属纠纷。

3. 高风险场景与防范策略

场景A：员工“私活”与“兼职”

• 风险：员工利用公司资源（如晚上偷偷用公司服务器）做私活，或将公司正在研发的技术稍作修改后卖给第三方。

• 防范：

◦ 制度明确：在《员工手册》和《劳动合同》中明确禁止未经许可的兼职行为，并详细定义“公司资源”的范围（包含算力、数据、账号等）。

◦ 技术监控：部署DLP（数据防泄漏）系统，监控异常的大规模数据下载、代码上传至私人GitHub仓库等行为。

◦ 入职/离职审计：入职时签署《知识产权背景声明》，确认未携带前雇主秘密；离职时进行严格的代码与数据交接审计，并签署《离职知识产权确认书》。

场景B：高校教授“双聘”或创业

• 风险：许多AI专家身兼高校教授与企业CTO两职。其在企业研发的成果，常被高校主张为“利用高校物质条件（如研究生劳动力、高校服务器）”的职务成果，导致权属争议。

• 防范：

◦ 三方协议：企业、高校、教授本人签署三方协议，明确界定工作时间、资源使用边界及成果归属。

◦ 物理隔离：确保企业研发数据不流入高校网络，高校学生参与企业项目需签署专门的实习/劳务协议，明确成果归企业所有。

◦ 转化备案：若涉及高校科技成果转化，需按教育部及科技部规定办理备案手续，通过合法授权或转让方式解决权属问题。

二、委托开发成果：避免“花钱买不到产权”的陷阱

在AI产业链中，外包开发极为常见。企业（委托方）常将数据标注、特定模块开发、模型微调等非核心业务委托给外部团队（受托方）。然而，“谁出钱，谁拥有”并非法律的默认规则，这是委托开发中最大的误区。

1. 法律默认规则：权属归受托方（开发者）

根据《民法典》、《著作权法》及《专利法》：

• 核心原则：委托开发完成的发明创造或作品，除当事人另有约定外，申请专利的权利或著作权属于研究开发人（受托方）。

• 委托方的权利：

◦ 专利：若专利权归受托方，委托方享有免费实施该专利的权利（通常仅限内部使用，不可转授权）。

◦ 著作权：若著作权归受托方，委托方在约定的使用范围内享有使用权；未约定使用范围的，委托方可以在特定业务范围内免费使用。

2. “约定优先”的实操策略

为了规避上述风险，委托方必须在合同中通过显式条款夺回权属。

（1）权属归属条款（核心中的核心）

合同必须明确写道：

• 关键点：使用“全部”、“独家”、“自产生之日起”等词汇，杜绝任何歧义。

• 覆盖范围：不仅要覆盖最终交付物，还要覆盖中间过程产物（如实验数据、废弃版本）和衍生成果（基于本项目成果的二次开发）。

（2）受托方的义务与限制

• 协助义务：约定受托方有义务配合委托方办理软件著作权登记、专利申请等手续（如签署转让文件、提供技术交底书）。

• 禁止复用：明确约定受托方不得将为本项目开发的特定算法、模型结构、数据处理逻辑复用于其他客户的项目，也不得自行销售或开源。

◦ 例外处理：若受托方使用的是其自有的底层通用框架（Background IP），应在合同中列明，并约定授予委托方永久、免费、不可撤销的使用权，但明确该底层框架的所有权仍归受托方。

• 保密与清理：项目结束后，受托方必须销毁或返还所有涉密数据与代码副本，不得留存备份。

（3）违约责任

设定高额的违约金，专门针对“权属违约”和“违规复用”行为。例如：“若受托方违反权属约定或擅自复用本项目成果，应向委托方支付合同总金额X倍的违约金，并赔偿因此造成的一切损失。”

3. 特殊场景：数据标注与 crowdsourcing（众包）

AI训练离不开海量数据标注。若采用众包平台或临时兼职人员：

• 风险：分散的标注者可能主张对标注数据集的汇编著作权，或对特定标注规则拥有权利。

• 对策：

◦ 平台协议：通过众包平台的用户协议，统一约定所有标注成果（包括标注后的数据、产生的元数据）知识产权归发布任务的企业所有。

◦ 匿名化处理：确保标注任务分发时不泄露核心数据全貌，且标注结果直接汇入企业数据库，不与个人身份强绑定。

◦ 视为职务/委托：在协议中将标注行为定义为“委托创作”或“劳务雇佣”，明确适用“权属归委托方/雇主”的条款。

三、合作研发成果：走出“共有”的死胡同

随着AI技术复杂度的提升，产学研合作（企业+高校）、巨头联盟（企业+企业）日益普遍。合作研发产生的成果，若无精细约定，极易陷入“共有”的法律泥潭，导致资产无法商业化。

1. 法律默认规则：共有带来的“行动瘫痪”

根据《民法典》及《专利法》：

• 默认状态：合作开发完成的发明创造，除另有约定外，申请专利的权利属于合作各方共有。

• 行使困境：

◦ 专利申请：一方不同意申请的，另一方不得申请。这可能导致技术无法获得专利保护，直接沦为公知技术。

◦ 专利实施：共有人可以单独实施或以普通许可方式许可他人实施，但收取的使用费应当在共有人之间分配。

◦ 处分限制：若要转让专利权、进行独占许可或排他许可，必须经全体共有人同意。

• 著作权：合作作品若不能分割使用，行使著作权需协商一致；若不能协商一致，无正当理由任何一方不得阻止他方行使除转让以外的权利，但收益需分配。

2. 破局之道：通过合同重构“共有”规则

为了避免“共有”带来的低效与纠纷，合作各方必须在《合作研发协议》中对权利行使进行精细化定制。

（1）权属归属的三种优选模式

• 模式一：归一方所有，另一方获益（推荐）

◦ 操作：约定成果知识产权归主导商业化的一方（通常是企业）所有。

◦ 补偿：作为交换，企业向合作方（如高校）支付一笔固定的研发经费外加里程碑奖金，或承诺给予合作方一定比例的销售提成（Royalty），并授予合作方免费的非独占学术使用权（仅限教学科研，不可商用）。

◦ 优势：权属清晰，决策高效，利于融资与上市。

• 模式二：按模块/领域分割所有

◦ 操作：若合作内容可清晰切分（如A负责底层框架，B负责上层应用），则约定各自对自己研发的部分拥有独立知识产权。

◦ 交叉许可：双方互相授予对方在全球范围内、永久的、免费的、不可撤销的交叉许可，以确保最终产品的完整性。

◦ 优势：各取所需，互不干涉。

• 模式三：真正的“按份共有”与治理机制

◦ 操作：若必须共有，则不能仅依赖法律默认规则，而需在合同中约定详细的治理机制。

◦ 关键条款：

▪ 申请决策：约定“只要一方提出专利申请，另一方应予配合；若另一方反对，提出方可独自申请，但获批后需向对方分配X%的收益”。

▪ 商业化权限：明确约定“一方有权独立进行独占许可或转让，无需另一方同意，但需将净收益的X%分配给另一方”。（注：此约定优于法定，可突破“需全体同意”的限制）。

▪ 维权机制：发现侵权时，任一方可单独提起诉讼，赔偿金扣除成本后按比例分配。

（2）背景知识产权（Background IP）与前景知识产权（Foreground IP）的隔离

合作研发中极易混淆“带入的技术”与“新产生的技术”。

背景IP：各方在合作前已有的技术（如高校的预研算法、企业的私有数据）。

◦ 约定：明确背景IP归原主所有。合作期间，各方授予项目组必要的使用许可（通常为免费、非独占、仅限本项目使用）。

前景IP：合作过程中新产生的成果。

◦ 约定：按上述“优选模式”界定权属。

改进技术：基于背景IP进行的改进。

◦ 约定：明确改进部分的归属。通常建议“谁改进归谁”，但原背景IP所有者享有免费回授许可（Grant-back），防止被改进技术“卡脖子”。

（3）退出机制与僵局破解

• 退出路径：若一方中途退出合作，其是否保留共有权？通常约定：退出方丧失对未来成果的共有权，仅保留对既有成果的有限使用权，或由其持有的份额由留守方回购。

• 僵局破解：当双方对重大事项（如是否申请专利、是否转让）无法达成一致时，引入第三方评估机制或强制收购条款（Call Option），由一方按公允价格收购另一方的份额，从而打破僵局。

3. 产学研合作的特殊注意事项

高校与企业的需求差异巨大：企业求“独占与利润”，高校求“论文与职称”。

• 发表权 vs. 保密性：合同中必须约定论文发表审查机制。企业有权在论文发表前进行审查，若发现涉及可申请专利的核心技术，有权要求延迟发表（直至专利申请提交）或删减敏感内容。

• 学生参与：明确参与项目的研究生、博士生的成果归属。通常需由学生、导师、企业签署三方协议，确认成果归企业或按约定共有，避免学生毕业后主张权利。

四、综合实务指南：构建全生命周期的权属防火墙

针对职务、委托、合作三种场景，企业应建立一套标准化的权属管理流程：

1. 事前：尽职调查与合同先行

• 合作伙伴背调：在委托或合作前，调查对方的知识产权状况，确认其是否有权利处置相关技术，是否存在权利瑕疵（如已被抵押、许可给第三方）。

• 合同模板化：制定针对不同场景（职务、委托、合作）的标准合同模板，将“权属归我方”或“清晰的共有规则”作为不可协商的红线条款。

• 背景IP清单：在合作开始时，双方书面确认背景IP清单，避免后续扯皮。

2. 事中：过程管控与证据留存

• 研发记录：建立规范的研发日志制度，记录每日的代码提交、实验数据、会议纪要。这不仅是技术文档，更是证明“谁做了什么”、“何时完成”的关键法律证据。

• 变更管理：若研发过程中需求变更导致成果形态变化，及时签署补充协议，确认新成果的权属。

• 人员管理：监控核心人员的流动，确保离职交接中包含知识产权权属的确认签字。

3. 事后：确权登记与资产盘点

• 及时登记：项目验收后，立即启动软件著作权登记、专利申请程序。登记证书是权属的最有力初步证据。

• 资产盘点：定期（如每年）对AI资产进行盘点，核对合同、证书、实际使用情况，及时发现并修补权属漏洞。

• 纠纷预案：一旦发现权属争议苗头（如前员工跳槽后发布相似产品、合作方擅自许可第三方），立即启动证据保全（公证、时间戳），并发送律师函警示。

小结：

在AI成果的权属认定中，“默认规则”往往是企业的噩梦，而“主动约定”才是资产的护城河。

• 对于职务成果，企业需通过完善的制度与薪酬体系，将员工的智力贡献合法转化为公司资产，同时防范人才流失带来的隐性侵权。

• 对于委托成果，必须摒弃“付钱即拥有”的朴素观念，用严密的合同条款将所有权牢牢锁定，防止“花钱养对手”。

• 对于合作成果，要警惕“共有”陷阱，通过精细化的治理机制设计，平衡各方利益，确保资产的商业化效率。

权属清晰是AI资产化的基石。只有解决了“东西是谁的”这一根本问题，后续的估值、融资、交易、证券化才能顺理成章。