恶意挖角二审改判及AI识别思路

2025年，江苏省苏州市中级人民法院作出二审改判，审理了一起引发广泛关注的恶意挖角纠纷。科某股份有限公司（下称科某公司）与追某有限公司（下称追某公司）及两者关联主体均属于同业经营者。双方此前曾因“从对方处招用员工”而引发商业秘密侵权争议，并围绕聘用事项签署过《和解协议》，其中约定：双方均不得以直接或间接方式聘用对方在职或离职后未满半年且负有竞业限制义务的相关人员等内容。尽管如此，追某公司仍招募了科某公司部门负责人、技术高管等离职员工二十余人，并通过规避安排帮助这些人员绕开竞业限制义务。科某公司认为该行为违背诚信与商业道德，构成不正当竞争，遂提起诉讼，请求追某公司立即停止不正当竞争、公开道歉并赔偿损失200万元。一审法院驳回了科某公司的全部诉讼请求。科某公司不服，继续上诉。

江苏省苏州市中级人民法院二审认为：追某公司与科某公司之间既往存在因招用对方员工所致的商业秘密侵权纠纷，并已达成《和解协议》。追某公司在后续雇佣科某公司及其关联公司离职员工时，应当尽到相应注意义务，例如主动核查所招用人员是否属于科某公司及其关联方的离职人员，或在知悉后及时告知对方并采取纠正措施。但追某公司未能履行《和解协议》的约定，仍持续雇佣科某公司相关离职员工多达二十余人，并采取第三方代签劳动合同、代发工资、代缴社保，以及以高薪待遇为诱因、代为承担违约赔偿等方式，帮助上述人员规避竞业限制义务。该做法属于对相关人员负有竞业限制义务“明知或应知”的恶意挖角行为。追某公司的行为致使科某公司众多高级管理与技术人员陆续离职，在一定程度上削弱了科某公司的竞争优势，增加经营成本，并扰乱了正常市场竞争秩序，因此应认定构成不正当竞争。最终裁定：撤销一审判决，责令追某公司立即停止不正当竞争行为，并赔偿科某公司损失100万元。

（参考江苏省苏州市中级人民法院（2025）苏05民终1693号。）

本案的典型意义在于：法院首次将“恶意挖角”从以往主要发生在劳动争议中的范畴，进一步纳入不正当竞争领域来审视。对相关责任的追究不再仅停留在追究员工个人违约，而是直接以《反不正当竞争法》来约束企业作为“恶意主导者”的行为。

不过，若通读判决书，仍有一个关键点值得关注：法院对追某公司“明知或应知”的主观恶意认定，在很大程度上依赖于诉讼后的举证结果，比如《和解协议》是否存在、以及代签代发等规避手段是否被证实。问题在于：在今天人才流动更频繁、规避方式更隐蔽的环境里，我们是否能借助大数据与AI手段，在更早阶段、以更高精度识别这类不正当竞争行为？

依据《反不正当竞争法》第二条以及相关司法解释，认定“挖角”构成不正当竞争需要满足三个条件：法律未作特别规定、其他经营者的合法权益受到损害、行为违反诚实信用原则和商业道德。其中，“恶意”的判断是难点所在。

1.隐蔽性困境：追某公司采取第三方代签劳动合同、代发工资、代缴社保等路径，从外观上看似乎都合规。若缺少内部举报或偶然发现，受害企业往往很难第一时间察觉其背后存在系统性的规避操作。

2.关联性困境：法院需要证明新用人单位确实“明知或应知”员工负有竞业限制义务。但在现实中，员工可能刻意隐瞒；用人单位也可能主张不知情。此时，主观故意的认定高度依赖间接证据的相互印证。

3.规模性困境：单个员工的离职与跳槽可能属于正常的人才流动；但若出现二十余人集中离职，且主要为高管与技术骨干，则这种“模式化”特征往往才是认定恶意挖角的关键。难点在于，如何对这种异常模式进行量化，传统方法缺少更有效的工具。

对于新兴业态下的竞争行为，司法实践中围绕“是否违背商业道德”的认定争议较大，很多时候只能依靠法官在个案中作出判断。在这样的情形下，大数据与AI或许能够提供一种更客观、可量化的分析框架。

数据维度：

招聘平台数据：竞品公司针对特定企业的定向招聘活跃度

社交媒体数据：LinkedIn、脉脉等平台上员工职业变动的聚集特征

企业工商数据：关联公司注册信息、股东或管理变更、社保缴纳主体的变化

AI分析能力：

通过时序分析与聚类算法，AI能够识别出非随机的人才流动。例如：

某企业在短期内（如3个月内）集中招聘同一竞争对手的特定部门员工，招聘岗位与离职人员的技能结构高度匹配，入职时间呈现批次性特征（例如每周入职2至3人并持续数月）

在科某案中，追某公司招募科某公司部门负责人、技术高管等离职员工二十余人——这种定向、批量且层级较高的人才流动，正是AI模型更容易标记出的典型异常信号。

数据维度：

工商登记数据：劳动合同签署主体的股权关系、实际控制人等信息

银行流水数据：工资发放路径（需在合法获取前提下使用）

社保缴纳数据：缴纳主体发生的异常变更

知识产权数据：专利申请人出现的突然切换

AI分析能力：

结合知识图谱技术，AI可构建“人—企业—资金”的关联网络，从而识别隐蔽的雇佣关系：

传统表象

AI识别的异常关联

员工与A公司签劳动合同

A公司与B公司（挖角方）存在同一实际控制人

工资由C公司代发

C公司注册地址与B公司同一栋楼，且C公司几乎无其他业务

社保由D公司代缴

D公司与B公司具有关联关系，且D公司社保参保人数突然激增

员工承诺自行承担违约金

B公司向员工个人账户转入安家费，金额刚好覆盖违约金

在科某案中，追某公司通过第三方代签劳动合同、代发工资、代缴社保等方式规避义务——一旦进入AI的关联图谱分析范围，其隐蔽性往往会显著降低。

数据维度：

企业公开声明、招聘信息中的措辞分析；企业内部沟通记录（如邮件、即时通讯，需合法取证）；以及行业惯例数据库中对竞品员工招聘的常见做法

AI分析能力：

注意义务审查：AI可以比对企业在招聘流程中是否设置竞业限制审查环节。如果追某公司作为与科某曾达成和解的企业，其HR系统中完全没有竞业限制审查模块，该缺失本身可能构成“应知”的重要佐证。

异常承诺识别：AI可以扫描企业向候选人提供的offer内容，识别代为支付违约赔偿、高薪待遇等非常规条款。以科某案为例，追某公司对外作出“高薪待遇+代为违约赔偿”的承诺，若这种非典型承诺被系统性地向竞品人员提供，AI可将其标记为高风险信号。

商业道德基准线：通过对大量司法裁判文书与行业实践进行分析，AI可建立“正常流动”与“恶意挖角”之间的行为边界模型，为法官提供类案参考与更可量化的评估思路。

在科某公司正式提起诉讼之前，若要证明追某公司的恶意，律师团队通常需要：

逐一核查二十余名离职员工的现就职去向，追踪复杂的代签代发关系，并进一步证明追某公司的主观故意。该工作可能耗时数月，且还存在因遗漏关键证据而影响诉讼判断的风险。而借助大数据与AI：

1.电子取证效率提升：在合规前提下对公开数据进行采集（如工商信息、招聘网站、社交媒体），AI可在数小时内生成竞品人才流动分析报告，标注异常聚集的时间节点以及相关企业关系。

2.证据链智能构建：AI能够自动整理时间线、关联网络与资金路径，并将代签代发、代缴社保等规避手段形成可视化证据链，帮助律师更快定位关键节点。

3.损害量化辅助：通过分析离职员工的职级、薪酬水平及其掌握的商业秘密类别等级，AI可协助估算削弱竞争优势与增加经营成本的具体损失，为索赔金额提供数据支撑。

在司法实践中，商业道德的认定高度依赖法官的主观判断，容易出现同类案件不同裁。大数据与AI可提供：

1.行业基准参考：AI可以分析同行业内、同规模企业在招聘竞品人员时的常见做法，辅助法官判断被告行为是否偏离商业道德的合理边界。

2.异常度量化评分：通过多维数据建模，AI可以对特定挖角行为生成风险评分（例如0至100分），用于辅助判断恶意程度。例如：

批量招聘竞品高管：+30分

使用代签代发手段：+40分

存在在先和解协议：+20分

招聘后短期内竞品业绩显著下滑：+10分

3.类案智能推送：基于裁判文书大数据，AI可自动推送相似案件的判决结论及说理路径，帮助法官统一裁判尺度。

1.数据隐私红线：对员工个人信息的收集必须严格遵守《个人信息保护法》。招聘行为分析应避免侵害个人隐私，AI模型训练宜基于匿名化、聚合化的数据。

2.算法偏见的防范：若训练数据主要来自大型企业的胜诉样本，AI可能对中小企业产生偏差。对此需要确保数据