盧建旭 / Jyan-Shiu Lu
AI 治理 101 系列｜第二稿｜2026 年 8 月
學了 AI，回到辦公室卻發現不能用；知道模型有風險，卻沒有權限改流程；想提醒主管保留人工覆核，績效考核看的仍是處理速度。這時候，一個很實際的問題就會出現：如果政府組織沒有改變，個人再努力學 AI，會不會只是孤掌難鳴？
我的答案是：會遇到很明顯的上限，但不是白學。
這兩句話必須放在一起。把所有責任都推給個人，彷彿每位公務員只要多上一門課、考一張證照，政府自然就會完成 AI 轉型，這並不現實；但反過來認為「組織不改，我就什麼都不用學」，同樣會錯過一個重要變化：當 AI 開始進入行政流程，能否看懂它的用途、限制與風險，本身就逐漸成為專業判斷的一部分。
真正的問題不是「個人學習有沒有用」，而是：個人的 AI 能力，要透過什麼制度，才能變成組織能力？
一、先分清楚：個人能力與組織能力不是同一件事
一位公務員可以學會使用生成式 AI、查核來源、辨識幻覺、保護敏感資料，也可以知道什麼情況不應該使用 AI。這些都是個人能力。
可是，政府機關要把 AI 放進正式工作流程，還需要另一組條件：誰可以使用？可以處理什麼資料？系統出錯由誰通報？承辦人能不能推翻 AI 建議？紀錄保存多久？採購來的模型如果不透明，機關有沒有資訊權、稽核權與停止使用的能力？
後面這些問題，不是任何一位公務員靠自己就能決定。
因此，我們至少要區分三個層次：
| 層次 | 能夠處理的問題 | 單靠個人能否完成 |
| 個人能力 | 使用、查核、判讀、資料保護、提出專業異議 | 可以先開始，但受職權限制 |
| 團隊能力 | 分工覆核、共享案例、建立操作慣例、處理異常 | 需要主管與同事共同配合 |
| 組織能力 | 權責、流程、內控、採購、資料治理、考核與問責 | 無法靠個人單獨完成 |
【本文分析】 這個三層次分類是本文用來理解公務機關 AI 導入的分析工具，不是現行法規的正式分類。它要提醒我們：培訓個人與改變制度是兩件不同、但必須相接的工作。
二、為什麼「我會用 AI」不一定能改變工作？
第一個原因是權限。
承辦人可能知道某項重複工作適合自動化，但沒有權限改變作業流程；也可能知道某套系統存在偏誤風險，卻無法要求廠商提供更多資訊。AI 治理牽涉的不只是知識，而是誰有權改變程序、誰可以要求說明、誰能決定暫停使用。
第二個原因是資料與系統環境。
個人可以學會提示設計，卻不代表機關資料可以任意送入外部工具。沒有合適的內部環境、資料分級、存取控制與安全工具時，愈積極的個人反而可能面臨更高的合規風險。
第三個原因是績效與責任制度。
如果機關一方面要求公務員對 AI 結果負責，另一方面只考核處理件數與速度，承辦人就可能沒有時間真正覆核。第六篇所說的「專業異議能力」也會因此受到限制：你理論上可以說「這一次不要用 AI」，實務上卻可能因為延誤進度而承受壓力。
還有另一種壓力比較不容易被看見：事前不知道界線在哪裡，事後卻擔心被追究。 當採購、保密、資安、個人資料、利益衝突或程序責任的界線沒有事先說清楚，第一線人員最安全的選擇，往往不是負責任地試用，而是乾脆不要碰。這裡需要特別說明：政風、主計、審計、法制與資安各有不同職掌，不能籠統地把它們說成 AI 改革的阻力。真正值得檢討的是，組織是否讓「事前授權」與「事後監督」使用同一套可理解的標準。
【本文分析】 如果機關只告訴公務員「你可以創新」，卻沒有說明核准範圍、紀錄義務、資料限制與異常通報方式，事後又可能以結果倒推責任，理性的承辦人自然會趨向保守。這不是單純的抗拒科技，而是制度誘因所造成的風險迴避。
第四個原因是跨單位協調。
AI 導入通常不只屬於資訊室，也不只屬於業務單位。法制、人事、政風、資安、採購、資料管理與第一線承辦人，都可能碰到不同部分的風險。如果每個單位只處理自己熟悉的一小段，個人的能力很容易停留在局部。
所以，「孤掌難鳴」並不是個人不夠努力，而是有些問題本來就屬於組織設計。
三、既然如此，個人為什麼還值得學？
因為制度改變之前，機關仍然需要有人先看得見問題。
個人學習至少有三種價值。
第一，是辨識能力。你不一定能立即修改制度，但可以分辨某項 AI 用途只是文書輔助，還是已經接近人民權益的排序與行政決定；也能知道什麼資料不應送入外部模型、什麼輸出必須查證。
第二，是轉譯能力。資訊人員可能談模型與介接，法制人員談合法性與理由，業務單位談案件與時效，採購人員談規格與驗收。真正稀缺的往往不是再多一個只會操作工具的人，而是有人能把這些語言接起來，讓技術問題變成可治理的行政問題。
可是，不能把「轉譯」變成少數懂 AI 的公務員要額外扛下的工作。公部門的專業分工很容易形成組織孤島：業務單位認為資訊單位不懂現場，資訊單位認為業務單位說不清需求，法制與資安若只在流程最後才被請來把關，也容易只剩下「可以」或「不可以」的二分答案。真正的問題不是哪一個單位比較保守，而是不同專業太晚才開始說話。
【本文主張】 當機關已有持續性的 AI 導入需求時，應建立常態的跨單位協作機制。它不一定要新增編制，也不一定要成立一個龐大的 AI 委員會；可以是固定的案例討論、跨單位工作小組或導入前的共同審查。重要的是讓業務、資訊、法制、資安、採購及其他相關職能，在系統上線以前就共同界定用途、資料、風險、驗收方式與停止條件，而不是等爭議發生後才彼此追問誰應負責。
第三，是制度準備能力。當機關開始訂 AI 使用規範、建立內控、採購新系統或處理爭議時，已經理解 AI 邊界的人能較快指出：哪裡需要留紀錄、哪裡需要人工覆核、哪裡不能只相信廠商承諾。
但這裡必須避免另一種浪漫想像。我不認為每個先學 AI 的公務員最後都會成為「組織改革英雄」。政府組織有層級、有分工，也有法定職權。個人能力最重要的作用，是提高組織看見問題與提出方案的可能性，而不是把制度改革的責任丟回個人。
四、現在各國其實也遇到同一個問題：培訓很多，工作改變較慢
【國際現況】 OECD 2026 年《Digital Government Outlook》指出，在 36 個受調查國家中，32 國（89%）已有支持政府使用 AI 的培訓計畫；但針對「公共服務」或「政策制定」工作情境提供 AI 訓練的，都只有 13 國（36%）。換句話說，普遍性的 AI 素養正在快速增加，真正與職務、流程和責任結合的準備仍較有限。
這個落差很重要。因為政府真正需要的並不是「大家都上過 AI 課」，而是不同職位知道自己在 AI 工作流程中負責什麼。
NIST 的 AI Risk Management Framework 也把治理放在組織層次處理。其 GOVERN 3.2 要求組織透過政策與程序界定人與 AI 配置中的角色、責任與監督；GOVERN 4.1則強調組織政策與實務應支持批判思考與安全優先的文化。這些要求都不是一張個人證照能代替的。
因此，從國際經驗來看，問題並不是「要不要訓練公務員」，而是訓練之後，組織是否提供可以實際運用這些能力的制度環境。
五、臺灣也正在從「會不會用」走向「誰應具備什麼能力」
【現行發展】 行政院人事行政總處所設 AI 公務人才發展辦公室於 2026 年 6 月 9 日發布「AI 公務人才認定指引」。指引區分 AI 政策、AI 應用、AI 開發與 AI 研究等人才角色，並規劃不同學習路徑。這代表公務體系的人才政策已開始從一般性的 AI 課程，進一步思考角色與職務差異。
數位發展部公開資料也顯示，政府正在依《人工智慧基本法》第 19 條及相關附帶決議，研擬各級機關 AI 應用內控管理要點範本與風險評估檢核表。這些工作仍在形成過程，因此現在不宜說臺灣公部門已經完成 AI 治理制度化；比較準確的說法是：制度正在從個人使用指引，逐步走向組織內控、風險分類與人才角色的建構。
這也說明，個人培訓與組織改革並不是先後只能選一個。兩者其實正在同時發生，只是速度不同。
六、組織改革不一定等於「大改組」
談到組織改變，很多人會想到增設 AI 局、AI 科、AI 長，或大幅修改組織法。但真正影響第一線工作的改變，往往沒有那麼戲劇化。
一個機關可以先做五件比較具體的事：
- 工具有邊界：明確說明哪些 AI 工具可以用、哪些資料不能送入，以及高風險用途需要什麼核准。
- 流程有分級：區分文書輔助、業務支援與影響人民權益的應用，不用同一套規則管理所有情境。
- 異議有出口：承辦人發現 AI 建議不合理時，可以推翻、通報、要求重新檢查，而且不因合理異議受到不利考核。
- 責任能回溯：重要應用保留必要的資料來源、模型輸出、人工修改、核准範圍與決定紀錄，讓事後說明與救濟有基礎，也讓監督者能區分「依規範善意執行」與「未經授權或未依程序使用」。
- 採購留控制權：機關不能因為系統外包，就把資訊、稽核與必要時停止使用的能力一併外包。
【本文主張】 上述五項不是我宣稱現行法令已經逐項規定的「AI 組織改革標準」，而是承接前六篇提出的治理問題，整理出的最低制度條件。它的重點不是增設多少單位，而是讓既有組織具備處理 AI 風險與責任的能力。
這裡還可以再往前一步。如果希望第一線敢在合理範圍內試驗，就需要有條件的容錯。 我所說的不是「用了 AI 就免責」，也不是主張臺灣現行法已經提供一般性的 AI 安全港（Safe Harbor）。比較可行的政策設計是：對低風險、事前核准的試辦，先說清楚用途、資料範圍、查核與紀錄義務；承辦人若善意遵循這些要求、遇到異常也依程序通報，就不應只因結果不如預期而被倒果為因地究責。反過來說，故意違法、重大疏失、隱匿風險或規避既定程序，當然不在這種保障之內。
【本文政策建議】 未來的內控與事後監督，也應能區分「依核准程序進行、但合理試驗仍發生的失敗」，以及「未經授權、未留紀錄或明知有風險仍規避規範」這兩種不同情況。沒有這層區分，組織嘴上鼓勵創新，制度上卻可能持續獎勵最保守的行為。
七、真正的關鍵，是建立「能力—制度接口」
我認為，個人學習與組織改革之間最容易被忽略的，就是兩者如何接起來。
因此，可以把問題整理成四個「能力—制度接口」：
| 接口 | 個人可能具備的能力 | 組織必須提供的條件 |
| 權限接口 | 看得出問題、提出異議 | 明確授權誰能覆核、推翻、通報或停止使用，合理異議不因速度考核受罰 |
| 流程接口 | 會查核、會判讀、會分辨風險 | 把查核與人工監督正式放進工作流程 |
| 學習接口 | 願意持續更新 AI 素養 | 提供案例回饋、跨單位協作與職務導向訓練 |
| 責任接口 | 願意對自己的專業判斷負責 | 說清楚個人、主管、機關與廠商各自負什麼責任，並留下足以回溯的紀錄 |
【本文分析】 「能力—制度接口」是本文提出的分析概念，不是現行法規或國際標準的正式名詞。它用來回答一個很簡單的問題：為什麼同樣受過 AI 訓練的人，在不同機關可能產生完全不同的效果？差別往往不只在個人，而在組織有沒有提供讓能力發生作用的接口。
這些接口最容易斷裂的地方，往往就在單位與單位之間。業務需求、系統設計、法律風險、採購條件與考核方式如果各自形成一條線，最後再要求某一位承辦人把所有矛盾接起來，所謂「跨域人才」很容易變成「責任集中在少數人」。因此，跨專業對話不能只被理解成個人的溝通技巧，它本身也需要組織安排。
這也是我對「孤掌難鳴」最直接的回答。一隻手確實拍不響，但沒有任何一隻準備好的手，制度改變來臨時同樣接不住。
八、如果你現在只是一名公務員，可以先做什麼？
你不需要等到整個機關改組，也不需要把自己想成改革者。比較務實的是先做四件事。
第一，學會分辨用途。 不要只問「這個工具好不好用」，而要問它進入哪一種工作、接觸什麼資料、會影響誰的權益。
第二，留下小型案例。 哪些工作真的節省時間？哪些輸出曾經出錯？人工覆核花多少時間？這些紀錄日後比抽象地說「AI 很有效率」更能幫助機關決定是否擴大使用。
第三，推動跨專業對話。 個人可以先在正常職責與授權範圍內，讓業務、資訊、法制、資安或採購之間開始有共同語言；但如果 AI 已經成為持續性的機關業務，更理想的做法不是靠個人私下找人，而是由主管正式建立小型、常態的跨單位協作機制。
第四，知道何時應該停。 如果資料來源不明、無法合理查核、人民權益風險過高，或機關根本沒有能力解釋結果，暫時不用 AI 也是專業判斷。
這些事情看起來很小，但它們讓個人學習不只是「會使用工具」，而開始累積可以被組織採用的經驗。
結語：AI 治理不是個人英雄故事
如果政府組織完全不改變，個人的 AI 能力確實會碰到天花板。權限沒有改、流程沒有改、考核沒有改、責任沒有說清楚，再熟練的個人也不可能單獨完成治理。
但這不表示個人可以等到制度成熟以後再開始學。原因恰好相反：制度要改得合理，必須有人知道現場問題在哪裡，也有人能把技術能力翻譯成行政程序、公共價值與責任問題。
所以，我不會把答案寫成「先改變自己，組織自然會改變」；那對公務員並不公平。我比較願意說：個人學習提供的是治理能力的種子，組織制度決定它能不能長成公共能力。
第六篇談的是公務員如何在 AI 進入政府之後保有專業判斷；這一篇往前一步問：組織要提供什麼條件，這種判斷才不會只停留在個人。下一篇，我們再把視野移到政府外部：當 AI 治理同時牽動市場、採購與法規時，究竟是政府帶動企業，還是企業推著政府改變？
官方與國際延伸閱讀
- 總統府，《人工智慧基本法》公布資訊與總統府公報，2026 年。
https://www.president.gov.tw/Page/294/50131
- 行政院人事行政總處，〈AI 公務人才發展辦公室發布「AI 公務人才認定指引」及懶人包〉，2026 年 6 月 9 日。
https://www.dgpa.gov.tw/information?pid=13001&uid=83
- 行政院人事行政總處，〈AI 公務人才認定指引：人事推動實務問答集〉，2026 年 6 月 9 日。
https://www.dgpa.gov.tw/information?pid=13000&uid=104
- 數位發展部，〈數發部 AI 專區〉。
https://moda.gov.tw/major-policies/ai/1781
- 數位發展部，〈公部門人工智慧應用參考手冊〉，2025 年 12 月 17 日發布，2026 年 2 月 3 日更新。
https://moda.gov.tw/digital-affairs/digital-service/ai-resource/18248
- OECD, Digital Government Outlook 2026: Adopting and Governing AI in Government.
- OECD, Building an AI-ready Public Workforce, 2026.
- NIST, AI Risk Management Framework (AI RMF 1.0), GOVERN 3.2 and GOVERN 4.1.
https://airc.nist.gov/airmf-resources/airmf/5-sec-core
想一想
如果一位公務員已了解 AI 的風險，也願意查核結果，但機關沒有資料權限、跨科室協作與異議管道，問題主要在哪裡？
A. 只是這位公務員還不夠熟悉 AI 工具。
B. 組織制度沒有跟上，個人能力難以轉化為實際的治理能力。
C. 只要要求每位公務員再多上幾門課，就能解決。
較適當的是 B。
AI 治理不只是個人的數位能力問題。若組織缺乏資料取得權、跨單位協作、專業異議保障與可停止系統的程序，再有能力的承辦人也很難真正改變結果。個人學習很重要，但制度必須讓這些能力能被使用、被支持，也能留下責任紀錄。
回到AI治理101