“Token贷”并不是“用 Token 抵押借钱”。从已落地产品看，银行是把词元消耗量、算力服务合约、API 调用日志、下游订单与应收账款作为交叉信用证据，给企业放流动资金贷款。

这对轻资产 AI 企业是好事。但一旦把“GPU—算力平台—模型层—应用层—终端客户”这条产业链拆开看，会发现：Token 贷把 AI 公司的经营全貌暴露给了银行、平台、甲方和监管。原来在小圈子里“包装一下”没事；现在为了拿贷款、接大单、跑调用量，合同、数据、回款、授权任何一环有缝，都可能从“经营不规范”升级为“民事无效、行政处罚、甚至刑事骗贷”。

本文张晓晗律师从通过实务案例用通俗文字+产业链分段 + 类案式场景，把 Token 贷背后最容易被AI企业创始人忽略的法律风险讲透。

一、先定性：Token 贷的法律结构

Token 贷 =流动资金借款 + 经营数据信用化 +（可选）应收账款质押 / 订单融资。

• Token 本身不是《民法典》上的可处分财产，不能查封、拍卖、变现；
• 银行看的是：你有没有真实调用、调用是不是付费业务带来、算力采购是否真实、下游回款是否稳定；
• 常见担保结构：纯信用、应收账款质押、订单融资、保证/抵押组合。

所以，Token 贷的风险不在“Token 会不会跌价”，而在支撑 Token 数据的整条产业链是否经得起穿透。

二、上游：算力采购与智算平台——合同看起来合规，现金流可能是空的

1.场景案例：并济科技式暴雷的警示

算力租赁行业曾出现并济科技相关事件：表面上有算力服务合同、设备采购协议、上架证明，但设备上架 ≠ 客户验收，在线率达标 ≠ 有效计费，合同金额大 ≠ 下游真付款。最终融资租赁业务暴雷，涉及多笔大额执行。

2.算力服务合同必须可审计

至少要写清：Token/词元计量规则、计费口径、调用日志导出、故障责任、数据留存期限、第三方存证权限。

3.上游资质风险会传染

若依赖无 IDC/增值电信/算力调度资质的渠道，银行尽调会将其列为供应链合规缺陷。

4.资金定向用途要闭环

Token 贷常要求“资金用于算力采购”。若贷款进公司账户后被转去还老板房贷、买理财、投关联方，会触发贷后违约，甚至涉及骗取贷款罪中的资金用途欺诈。

三、中游：模型 API 与训练数据——你靠它赚钱，它也决定你收入是否合法

这是很多应用层创业公司最轻敌的一段。

1. 模型 API 的“商用限制”条款

不少基础模型服务协议里会有：

• 禁止用于金融、医疗、政务、未成年人；
• 禁止转售 API；
• 禁止再训练、再分发；
• 要求 AIGC 内容显著标识；
• 保留单方终止权。

你拿一个“禁止商用”的模型做 AI 写真、AI 客服、AI 投顾、AI 法务，银行看营收很漂亮；哪天模型方发函终止服务，客户解约，“Token 收入”瞬间变无效收入，贷后重估直接抽贷。

2. 训练语料 / 爬取数据不干净：调用越多，侵权面越大

如果企业做自有小模型、RAG 知识库、行业大模型，语料来源包括：

• 未授权作品；
• 竞品文档；
• 个人信息未脱敏；
• 开源协议（GPL/CC-BY-NC）冲突；
• 境外爬虫数据；

那么 Token 消耗越大，著作权、个保、数据权属风险越大。等贷款放下来，权利人投诉、用户举报、监管检查一来：

• 内容下架；
• 算法下线；
• 客户索赔；
• 应收账款落空；
• 银行触发风险预警。

3. 算法备案与 AIGC 标识不是“上市后才做”的事

具有舆论属性或社会动员能力的生成式 AI 服务，涉及：

• 生成式人工智能服务上线备案；
• 深度合成/算法备案；
• AIGC 显式/隐式标识；
• 投诉处置机制。

银行现在可能不问，但终端客户（政务、金融、国企、学校）一定会问。

没备案 = 丢大客户 = 回款断裂 = Token 贷贷后恶化。

四、下游：AI 应用公司最致命的一环——Token 不是收入，回款才是

场景案例：9.9 元 AI 写真与 500 万信用贷

《金融时报》举过一个例子：用户花 9.9 元生成 AI 写真，系统调模型、耗 Token，钱进公司账户，形成订单和回款。

这看起来完美。但现实中更常见的是：

• 客户说“先跑 POC，不付费”；
• 框架协议签了，订单没有；
• 月调用 3000 万 Token，回款 0；
• 甲方是关联方，内部转账造流水；
• 项目结束 Token 断崖，贷后误判为“业务萎缩”。

法律风险拆解

（1）应收账款质押：不登记 = 很难对抗第三人

很多企业说“我把未来 Token 结算款质押给银行”。但《民法典》下：

现有/将有应收账款可出质；

必须到央行征信中心动产融资统一登记系统登记；

最好有债务人书面确认债权真实性和金额。

只签个《应收账款质押合同》不登记，银行质权对抗力很弱；同一笔调用费押给两家银行，就变成重复融资纠纷。

（2）刷量虚增：从“包装”到“骗取贷款罪”

测试调用、自己调自己、关联公司互调、无效请求，都会产生 Token。

银行依赖平台日志时，若企业故意制造无效消耗，可能触及：

• 骗取贷款罪（给银行造成重大损失）；
• 贷款诈骗罪（非法占有目的更强时）；
• 合同诈骗（跨平台、跨金融机构重复融资）。

创始人常以为“大家都刷点量”。但 Token 贷里，数据就是信用，伪造数据不是“运营技巧”，是信用欺诈的起点。

（3）个保、数据出境、行业监管会“切断 Token 产生能力”

下游如果是金融、医疗、教育、政务、未成年人、跨境客户，没做：

• 个人信息处理告知同意；
• 数据出境安全评估/标准合同；
• AIGC 内容审核；
• 行业准入；

客户被监管一查，先停你调用权限。Token 曲线断崖，银行贷后系统报警，接着压额度、收贷、要求提前还款。

五、跨链风险：Token 数据本身的三重法律弱点

哪怕企业主观没问题，Token 贷还有“数据底座”层面的风险：

1.口径不统一

不同模型、不同平台对 Token 的切分和计费不同，跨模型不可比。

2.单方输出

算力平台出账单，企业难独立存证，银行也难交叉验证。

3.脉冲式消耗

项目制 AI 公司：项目期暴涨，项目结束归零。银行贷后模型若只看月均 Token，会误判“萎缩”或“造假”。

六、给刚入门 AI 企业的“产业链合规清单”

1.上游（算力）

• 算力合同写清计量、账单、存证、故障、数据留存；
• 不用无资质渠道做核心算力供给；
• 贷款资金专款专用，别和股东款混同。

2.中游（模型/数据）

• 模型 API 协议逐条看“商用限制”；
• 语料来源留痕：授权、开源协议、个保影响评估；
• 该备案就备案，AIGC 标识别省；
• 模型方终止权、责任上限、内容安全责任分配写明白。

3.下游（客户/回款）

• 框架协议之外必须有订单、验收、账期；
• 应收账款质押：中征登记 + 债务人确认；
• 关联方交易单独披露，不拿关联流水冒充市场化收入；
• 金融/医疗/政务客户，先过合规再接单。

4.融资端（Token 贷）

• 不把“Token 消耗量”写成“营收”；
• 材料里用：付费调用占比、单位 Token 毛利、回款周期、坏账率；
• 绝不刷量、绝不伪造算力账单、绝不资金回流。