Apple 起诉 OpenAI 窃取商业秘密：一场由人才流动引发的硬件与组织治理危机Apple 指控多名前员工在加入 OpenAI 前后，非法获取并使用 Apple 的硬件研发、制造工艺与供应链机密。事件不仅是一场科技公司的知识产权诉讼，也暴露出 AI 人才争夺、员工离职管理和招聘合规中的系统性风险。
2026 年 7 月 10 日，Apple 向美国加州北区联邦地区法院提起诉讼，起诉前 Apple 员工 Chang Liu、Tang Yew Tan，以及 OpenAI Foundation、OpenAI Group PBC 和 io Products, LLC，指控其涉嫌盗用商业秘密和违反员工保密协议。
简单来说，Apple 的核心指控是：OpenAI 为了加快进入消费硬件市场，大量招募 Apple 的工程师和管理人员，而部分员工在离开 Apple 前后，涉嫌带走、下载或泄露 Apple 的内部文件、硬件设计资料、制造工艺和供应链信息，并将这些信息用于 OpenAI 的硬件研发和招聘活动。
目前，这些内容仍然是 Apple 在起诉状中提出的单方指控，尚未经过法院审理和认定。案件后续还需要经过被告答辩、证据开示、禁令听证和可能的庭审程序。
发生了什么：Apple 指控前员工离职后仍在获取内部资料
案件中最受关注的人物之一是 Chang Liu。Chang Liu 曾在 Apple 工作八年多，担任 Senior System Electrical Engineer，参与 iPhone 等敏感硬件项目。他于 2026 年 1 月 22 日离开 Apple，并加入 OpenAI。
Apple 称，Chang Liu 在离职过程中没有完成正常的设备归还和安全审查，也没有回应 Apple 关于离职面谈和保密义务的联系。Apple 进一步指控，他至少保留了一台 Apple 配发的工作电脑，并在离职后继续尝试访问 Apple 的内部系统。
2026 年 2 月 9 日前后，Chang Liu 据称发现自己仍然可以通过一个当时尚未被 Apple 发现的身份验证漏洞，访问 Apple 的云端网络存储系统。Apple 表示，他没有报告漏洞，而是在已经加入 OpenAI 的情况下，持续访问并下载 Apple 的内部资料。
Apple 称，被下载的资料包括未发布产品信息、技术演示文档、工程规格、项目数据，以及一套超过 1,000 页的技术文件。其中部分内容涉及主逻辑板，也就是 MLB 的制造流程、测试方式、设备选择和故障分析。
Apple 认为，这些信息并不是普通的员工工作经验，而是多年研发、制造和供应链投入所积累的商业秘密。
Apple 指控 OpenAI 将招聘面试变成信息获取渠道
案件中的另一名重要人物是 Tang Yew Tan，通常也被称为 Tang Tan。Tang Tan 曾在 Apple 工作约 24 年，最后担任 Vice President of Product Design for iPhone and Apple Watch。离开 Apple 后，他参与创办 io Products，后者于 2025 年被 OpenAI 以约 65 亿美元收购。Tang Tan 随后成为 OpenAI 的 Chief Hardware Officer。
Apple 指控，Tang Tan 和 OpenAI 的硬件团队在招聘 Apple 员工时，多次询问涉及 Apple 内部项目、产品代号和制造流程的问题。
起诉状称，OpenAI 要求部分候选人在面试中进行“Technical Deep Dive”，详细介绍其在 Apple 的工作，包括产品组件选择、CAD 工具、仿真软件、系统集成方法、供应商选择和制造协作流程。
更严重的指控是，OpenAI 面试人员曾要求 Apple 候选人携带实际零部件、样品、原型和设计资料参加面试，包括 Batteries、Systems-in-Package、main logic boards、shields、housings 和 back glass 等。
Apple 认为，这些面试要求已经超出了正常的人才评估范围，实质上是在利用招聘流程获取竞争对手的内部技术与产品信息。也有小道消息说是其与苹果9月新任CEO关系非常紧张。
前员工被指提前了解 Apple 的离职安全流程
Apple 还指控，Tang Tan 或 OpenAI 内部人员持有一份标注为“Need to Know”的 Apple 内部文件。
这份文件描述了 Apple 在员工离职时会采取哪些安全措施，包括设备检查、账户审查、取证流程和保密提醒。
根据 Apple 的说法，这份文件被提前分享给即将从 Apple 跳槽到 OpenAI 的员工，使其可以在正式提交离职申请前了解 Apple 的检查方式，从而规避安全审查。
Apple 还称，OpenAI 曾建议部分员工不要立即向 Apple 透露下一家公司是 OpenAI，并尽量争取正常的两周离职期，从而在离职前继续保留对 Apple 系统和资料的访问权限。
如果这些指控最终获得证据支持，这意味着问题可能并非个别员工的临时行为，而是已经涉及招聘、离职和人才引进流程中的组织性操作。
Apple 指控 OpenAI 利用其供应链和制造工艺
Apple 的诉讼并未停留在员工文件泄露层面。
Apple 还指控 OpenAI 和 io Products 利用前 Apple 高管掌握的供应商信息、内部术语和制造知识，接触 Apple 的长期合作伙伴。
其中一项指控涉及 Apple 的专有金属表面处理技术。Apple 称，OpenAI 或 io 要求一家 Apple 合作伙伴为其执行原本受严格保密协议约束的多步骤金属处理工艺，并让合作伙伴误以为这一行为已经获得 Apple 授权。
Apple 还表示，OpenAI 曾向参与电源、电池和制造设计的 Apple 供应商提出高度针对性的问题，而这些问题只有熟悉 Apple 内部技术和供应链体系的人才能提出。
从商业竞争角度看，这部分指控直接触及 Apple 最核心的竞争壁垒：不仅是产品设计本身，更包括如何制造、如何选择供应商、如何控制质量，以及如何实现全球规模化交付。
为什么这起案件对 HR 和企业管理具有重要意义
从 HRTech 的角度看，这起案件并不只是 Apple 与 OpenAI 之间的知识产权争议，而是一场典型的“人才流动风险事件”。
AI 行业正在以前所未有的速度争夺工程师、产品负责人、供应链专家和高级管理人员。当竞争从软件模型扩展到 AI 设备、芯片、机器人和消费硬件时，人才的价值已经不仅体现在个人能力，也体现在他们掌握的组织知识、技术路径和供应商网络。
企业面临的核心问题是：员工可以自由流动，但企业商业秘密不能跟着员工一起流动。
正常的职业经验、通用技能和行业知识属于员工个人能力的一部分。员工可以在新公司继续使用自己的专业判断、管理能力和工程经验。
但源代码、未发布产品信息、内部项目代号、具体设计图纸、测试数据、供应商合同、制造参数和专有流程，通常属于企业受保护的信息。两者之间的边界，正是许多公司在人才竞争中最容易忽视的地方。
HR 部门不能再把保密管理只交给法务和 IT
传统上，商业秘密保护常被视为法务或信息安全部门的职责。但从这起案件来看，风险实际上贯穿员工全生命周期。
风险从招聘开始。
当招聘团队要求候选人过度展示上一家公司的真实项目、代码、样品和内部文件时，企业本身就可能成为商业秘密侵权的参与者。
风险也存在于员工在职期间。
如果企业没有建立清晰的数据分级、访问权限和异常下载监测机制，即使员工已经提出离职，仍可能继续访问大量敏感资料。
风险更集中在离职阶段。
高风险岗位员工的权限关闭、设备归还、文件检查、个人邮箱转发记录和外部存储设备使用情况，都需要 HR、法务和 IT 共同管理。
风险还可能延续到新员工入职后。
新公司必须明确告诉员工，不得携带、上传或使用前雇主的机密资料，也不得在内部培训、产品设计或供应商会议中披露前雇主受保护的信息。
对企业 HR 的五项建议
第一，建立高风险岗位识别机制。
并不是所有员工离职都需要同样强度的审查。涉及核心研发、AI 模型、产品路线图、芯片、硬件设计、定价、客户数据、制造工艺和供应链关系的岗位，应被纳入高风险人员清单。
第二，把招聘合规写进面试流程。
企业应明确禁止面试官要求候选人提供前雇主的源代码、设计图、真实客户资料、内部文件、产品原型、供应商名单和未发布项目信息。
技术面试可以评估候选人的思考过程和专业能力，但不应要求候选人证明自己“掌握多少上一家公司的秘密”。
第三，强化离职前后的数据行为监测。
当员工提出离职或出现明显跳槽信号后，企业可依法加强对异常下载、批量复制、个人邮箱转发、外接设备使用和敏感文件访问行为的监测。
这一过程需要在适用法律、员工隐私政策和公司制度框架内进行，不能简单扩大为无差别监控。
第四，重新设计离职程序。
离职面谈不应只是薪资结算和设备归还。对于关键岗位，应加入商业秘密提醒、文件返还确认、系统访问终止、外部存储检查和持续保密义务确认。
第五，对新员工实施“干净入职”。
从竞争对手公司加入的新员工，尤其是高管和研发人员，应在入职时签署声明，确认不会携带、上传或使用前雇主的任何保密资料。
企业还应通过培训告诉管理者：不能因为新员工“知道很多”就鼓励其分享前公司的内部信息。
HRTech 可以如何帮助企业降低风险
这起案件也说明，员工离职管理正在从行政流程转变为数据治理和风险治理。
未来的人力资源系统不仅需要记录入职、转岗和离职日期，还需要与身份管理、设备管理、文档权限和安全监测系统连接。
例如，当关键员工提交离职申请后，系统可以自动触发一套风险工作流，包括权限复核、异常下载检查、设备归还任务、保密提醒和管理者确认。
招聘系统也可以加入面试合规提示，提醒面试官不得要求候选人披露前雇主机密，并对涉及“原型”“代码”“供应商名单”和“内部文档”等敏感内容的面试材料进行审核。
在 AI 时代，HRTech 的价值不只是提升招聘效率或员工体验，也包括帮助企业建立可审计、可追踪、可执行的人才风险管理体系。
结语
Apple 与 OpenAI 的诉讼最终如何发展，仍取决于后续证据和法院判断。
但这起案件已经给企业敲响警钟：当行业进入高强度人才争夺阶段，招聘速度、人才密度和技术能力固然重要，人才引进过程中的合规边界同样重要。
优秀人才可以带来经验、判断和创造力，但企业不能通过人才流动获取竞争对手的商业秘密。
对于 HR 而言，未来最重要的能力之一，不只是把人招进来，而是确保企业用正确的方式招人、用人和管理人员流动。
这既是法律风险问题，也是组织治理、雇主品牌和长期竞争力问题。
HRtech
2026年07月12日
HRtech
HRTech 特约评论：当 AI 账单开始衡量人效，企业会迎来新的 ROI 时代，还是新的 Token 歧视？HRTech核心概述：HR系统从 SaaS 订阅到 Token 账单：HR AI 正在把人效管理推向新阶段！当 token 消耗开始被用于观察员工行为、衡量工作效率、分配 AI 权限甚至影响绩效判断时，企业也必须警惕一种新的组织风险：Token 歧视。更多前沿观察，请关注 #HRTech
企业购买 HR AI 软件，正在从“买一套系统”变成“购买一套持续消耗的智能基础设施”。过去 SaaS 的成本主要由席位、模块和年费决定，使用越深入，边际价值通常越高；但 AI 软件正在引入另一套逻辑：模型调用、token 消耗、上下文长度、agent 执行和超量计费。对 HR 来说，这不是单纯的技术账单，而是一个会同时影响预算、人效、权限、公平性和组织治理的新管理议题。AI 账单正在成为新的人效报表，但企业必须警惕，它也可能变成新的员工审判书。
HR AI 采购正在从“买软件”变成“买持续消耗的算力账单”
过去 SaaS 的逻辑是“用得越多越划算”。企业购买系统以后，更多员工登录、更多流程上线、更多数据沉淀，通常意味着软件价值被放大。但 AI 软件的成本逻辑不完全一样。AI 功能背后涉及模型调用、token 消耗、数据处理、上下文窗口、agent 执行和算力成本，使用越多，账单可能越高。如果企业没有提前问清楚 token 成本、调用上限、超量计费、模型等级、上下文长度、API 成本转嫁和毛利率安排，很可能会出现“买的时候像 SaaS，结账的时候像云账单”的情况。
这对 HR 部门尤其重要。HR 过去并不是最擅长看懂云成本和技术账单的部门，但未来 HR AI 的成本结构会越来越接近云服务。一个看起来很简单的 AI 助手，背后可能区分基础模型、高级模型、按次调用、按 token 计费、按 workflow 执行计费、按 agent 自动化任务计费。如果 HR 只被产品 demo 打动，而没有理解背后的成本结构，后续很容易在预算上失控。
AI 让“普通员工 ROI”第一次变得更容易被观察
过去我们讨论人效，经常遇到一个难题：普通员工的 ROI 很难衡量。销售可以看 revenue，客服可以看 ticket，工程可以看 pull request、bug fix 和 release cycle，但大量 HR、运营、市场、财务、法务、行政和分析岗位的价值并不总是直接体现在收入或产量上。他们的贡献往往是降低风险、减少错误、提升协同、缩短沟通、改善体验、提前预警。这些价值真实存在，却很难被清晰记录、比较和复盘。
AI 的出现让这个问题开始发生变化。AI 使用天然会留下数据痕迹：谁在使用、用了什么模型、消耗多少 token、调用多少次、用于什么任务、生成内容是否被采纳、是否进入后续工作流、是否减少返工、是否提高质量、是否缩短交付周期。过去隐藏在员工日常工作中的过程性劳动，第一次可能被系统化捕捉。换句话说，AI 不只是提高效率的工具，它也让效率提升这件事本身变得更可观察。
这意味着，未来 HR 对人效的关注在 AI 时代确实可能更容易衡量。你花掉的 token，是否真的转化成了更高质量的产出、更快的交付和可复盘的 ROI？AI 账单正在把过去模糊的人效问题，变成一张可以被追踪、过程可见、可以比较和审计的新报表。
AI 人效的关键不是“用了多少”，而是“是否产生真实产出”
但这里必须明确一个核心观点：token spend 本身不是 ROI。一个员工消耗了很多 token，不代表他效率高；一个员工消耗很少 token，也不代表他没有价值。真正要看的，是 token 是否嵌入了正确的业务场景，是否改善了任务结果，是否减少了低价值劳动，是否提升了组织整体产出。
比如，一个 HR 团队使用 AI 生成员工政策问答、候选人沟通模板、绩效校准摘要和薪酬分析初稿，如果这些内容被经理采纳，减少了重复沟通，提高了响应速度，降低了政策解释错误，那么 AI 支出就是有效投入。市场团队用 AI 做内容草稿、竞品分析和客户分层，如果最终提高了内容产出效率和转化质量，也可以形成可解释的 ROI。工程团队用 AI 辅助代码生成和问题排查，如果代码 review 通过率提升、bug 减少、release cycle 缩短，那么 token 成本可以被视为生产力投资。
反过来，如果某个员工 AI 使用量很高，但输出质量低、返工率高、同事审核负担增加，甚至生成内容带来合规或事实错误，那么高 token 消耗就不是能力增强，而可能是低质量工作的放大器。这也是未来 AI 人效管理最重要的分水岭：企业不能只看使用频率，而要看使用结果；不能只看成本消耗，而要看产出质量；不能只看个人行为，而要看任务链路和业务结果。
企业需要建立 AI ROI 治理，而不是简单做 AI 使用监控
未来真正有价值的不是 AI 使用监控，而是 AI ROI 治理。监控回答的是“谁用了多少”，治理回答的是“为什么用、用得是否值得、如何优化、是否公平”。如果企业只做监控，很容易把 AI 管理变成新的员工压力源；如果企业做治理，AI 账单就可以成为优化组织能力和资源配置的工具。
比较合理的路径应该分三层。第一层是 use case ROI，先衡量具体场景是否产生价值，而不是一开始就评价个人。比如招聘 JD 优化、客服工单摘要、薪酬分析、代码辅助、员工政策问答等场景，都应该先建立 baseline，比较使用 AI 前后的时间、质量、成本、错误率和满意度变化。第二层是 team ROI，判断哪些团队真正把 AI 嵌入了工作流，哪些团队只是表面使用。第三层才是 individual enablement，也就是识别哪些员工是高质量使用者，哪些员工需要培训，哪些使用行为存在浪费或风险。
这套逻辑很重要，因为它避免了企业把 AI 账单直接变成绩效审判工具。AI 人效分析的正确方向不是“用系统证明谁不行”，而是“用数据发现哪里需要更好的工具、培训、流程和管理支持”。企业真正应该关心的是组织整体效率是否提升，而不是简单把每个员工的 token 消耗拉出来排名。
“Token 歧视”可能成为 AI 时代新的组织风险
随着 AI 账单和人效数据逐渐连接，一个新的风险也会出现：Token 歧视。所谓 Token 歧视，并不是说企业不能管理 AI 成本，而是指企业可能基于 token 使用量、AI 支出水平或模型访问权限，对员工形成简单化、标签化甚至不公平的判断。
一种情况是，高 token 消耗员工被默认视为低效。管理者看到某个员工花费高，就直接认为这个人浪费资源，却没有分析其任务复杂度、岗位性质、业务贡献和产出质量。另一种情况是，低 token 使用员工被默认视为落后。员工可能因为不常使用 AI，被贴上“不够 AI native”的标签，但实际上他的工作可能更依赖判断、沟通、经验和风险控制。还有一种情况是，企业只给高绩效、高职级或核心部门开放高级模型，普通员工只能使用基础工具，久而久之，AI 权限本身会变成一种新的组织资源差距。
这类风险并不遥远。未来企业很可能会根据员工角色、绩效等级、部门预算和历史使用表现，分配不同的 AI 权限。高绩效工程师可以使用更强模型，普通支持岗位需要审批；核心业务部门可以调用更多 token，后台部门被严格限制；某些员工因为过去使用效率低，被降低模型权限。从商业角度看，这种资源分配可能有合理性，但如果缺乏透明规则和申诉机制，就可能放大组织内部的不平等。
HR 必须参与 AI 预算、权限和公平规则设计
AI 时代，HR 不能只做 AI 工具的使用者，也不能只做培训和推广部门。HR 必须进入 AI 治理的核心层，参与预算、权限、绩效解释、员工保护和组织公平规则的制定。因为 AI 账单表面上是 IT 和 Finance 的问题，但深层是组织能力和人才管理问题。
HR 需要和 Finance 一起看 AI 成本，判断不同团队、不同岗位、不同任务的 AI 投入产出是否合理；需要和 IT 一起看权限、数据安全、模型访问和系统集成；需要和业务部门一起看任务质量、流程效率和真实业务结果；还需要和 Legal 一起看合规、公平性、数据隐私和员工权益。AI 账单不应该只是一张费用报表，而应该成为企业理解组织能力、岗位变化和人才投资回报的新入口。
这也意味着，未来 HR 的专业能力会被重新定义。懂绩效管理还不够，HR 还要理解 AI 成本结构；懂培训发展还不够，HR 还要判断哪些岗位需要 AI enablement；懂组织设计还不够，HR 还要理解哪些流程会被 AI 改写；懂员工体验还不够，HR 还要防止 AI 权限和数据分析造成新的不公平。
HR Tech 供应商的竞争会从功能模块转向数据与治理能力
这场变化也会重塑 HR Tech 供应商的竞争逻辑。过去 HR 软件比拼的是模块完整度、流程自动化、用户体验、系统集成和服务交付能力。未来更重要的会是数据连接能力、权限治理能力、AI 成本解释能力、任务级 ROI 分析能力和行动闭环能力。
一个真正有价值的 HR AI 平台，不只是告诉企业“员工用了多少 AI”，而是帮助企业判断“AI 在哪里创造了价值，在哪里制造了浪费，哪里需要培训，哪里需要限制，哪里需要重新设计岗位和流程”。这也是为什么 Rippling Data Cloud 这样的方向值得关注。它背后的核心不是多一个 dashboard，而是把员工数据、组织结构、业务系统数据、AI 使用数据和权限管理放到同一层，从而让企业有机会回答过去很难回答的问题：AI 是否真的改变了某个员工、某个团队、某个岗位的真实产出。
未来 HR Tech 的竞争，可能不再只是 HCM、Payroll、Performance、Recruiting 各自模块之间的竞争，而会进入“组织数据操作系统”的竞争。谁能把人、任务、成本、产出、权限和 AI 使用连接起来，谁就更可能成为企业 AI 时代的管理基础设施。
人效可以被数据增强，但不能被 token 简化
尽管 AI 会让人效更容易被观察，但我们也必须保留一个基本判断：人的价值不能被简单压缩成一串 token 调用记录。很多高价值工作仍然很难被 AI 使用数据完整衡量。一个 HRBP 提前化解了一次管理冲突，一个财务人员发现了潜在合规风险，一个经理通过判断避免了错误决策，一个运营人员通过沟通挽回了客户信任，这些价值可能不会直接体现在 AI 账单里，但对企业同样重要。
因此，AI 人效分析只能增强管理判断，不能替代管理判断。它可以帮助企业看清过程、发现趋势、识别异常、优化资源，但不能成为评价员工价值的唯一依据。如果企业把 AI 账单作为控制工具，它可能制造新的焦虑和不公平；如果企业把 AI 账单作为能力建设工具，它就可以帮助组织看清哪些工作正在被 AI 重塑，哪些员工需要新的技能支持，哪些岗位应该重新定义，哪些预算应该重新分配。
AI 账单会成为新的人效报表，但企业不能让它变成员工审判书
AI 时代，人效确实会变得更容易衡量。token 可以被计算，ROI 可以被建模，流程可以被审计，任务结果可以被复盘，这是企业管理的一次重要进步。但越是容易衡量，企业越要谨慎定义衡量的边界。真正成熟的组织，不会用 AI 账单简单审判员工，而会用它重新理解工作、设计流程、配置资源，并推动员工能力升级。
未来 HR 面临的关键问题，不是“要不要衡量 AI ROI”，而是“如何衡量才不伤害组织”。当 AI 账单开始进入人效管理，企业必须同时回答两个问题：
第一，token 是否真的转化成了产出；
第二，衡量 token 的方式是否仍然尊重人的复杂价值。
只有同时回答好这两个问题，AI 才不会变成新的管理焦虑，而会真正成为提升组织能力的基础设施。
HRtech
HRtech
HRtech
HRtech
HRtech
HRtech
HRtech
HRtech
HRtech
HRtech
扫一扫 加微信
hrtechchina
