一句話說明

AI 治理框架是一套讓組織在使用 AI 時有規則可循的管理制度，涵蓋政策制定、風險評估、稽核追蹤三個層面。

為什麼需要 AI 治理框架

當組織裡超過三個部門在用 AI 工具，問題就會浮現：行銷部用 ChatGPT 寫客戶信、工程部用 Copilot 寫程式碼、HR 用 AI 篩履歷，但沒有人知道公司的客戶資料有沒有被上傳到這些平台。這種情況在台灣企業中已經非常普遍。根據飛飛在企業培訓中的觀察，超過七成的台灣中型企業已經有員工在使用 AI 工具，但不到兩成有正式的 AI 使用規範。

AI 治理框架解決的核心問題是：誰可以用什麼 AI 工具、處理什麼等級的資料、出了事誰負責。沒有治理框架的組織會遇到幾個常見問題：員工把客戶資料貼進免費版 AI 工具（資料外洩風險）、不同部門重複採購類似功能的 AI 工具（資源浪費）、AI 產出的內容沒有人審核就對外發布（品質和合規風險）、出了問題不知道該找哪個部門處理（權責不清）。

飛飛在企業培訓時常遇到的狀況是，公司已經有資安政策、有個資法遵循流程，但這些既有制度沒有涵蓋 AI 的使用情境。員工不知道把會議紀錄貼進 AI 算不算資料外洩，主管不知道 AI 生成的報告需不需要人工審核。一間台灣的科技公司曾經發生這樣的事件：工程師把一段包含客戶 API 金鑰的程式碼貼進 AI 程式碼助手，直到客戶收到異常 API 呼叫的通知才發現問題。如果事先有 AI 使用政策明確規定「任何包含金鑰或憑證的內容不得上傳至外部 AI 服務」，這個事件就可以避免。

治理框架的價值在於預防問題。等到出事再來補制度，成本比事前建立框架高出許多。一次 AI 相關的資料外洩事件，除了直接的損失（通報成本、法律費用、客戶補償），還有難以量化的商譽損失。

兩大國際框架比較

NIST AI RMF（Risk Management Framework）

NIST 在 2023 年發布的 AI 風險管理框架，是目前最被廣泛參考的 AI 治理指引之一。它分成四個核心功能，形成一個持續循環的管理流程。

Govern（治理）：建立 AI 治理的組織架構和文化。包含指定負責人、制定政策、建立問責機制。這個功能貫穿其他三個功能，是整個框架的基礎。Govern 要回答的問題是：誰在組織裡負責 AI 治理？決策流程是什麼？出了事的問責機制是什麼？飛飛建議從指定一位 AI 治理負責人開始，這個人不需要是新聘的職位，可以由資安長或 IT 主管兼任，但要有明確的權責和時間資源。

Map（對應）：識別 AI 系統的使用情境和潛在風險。搞清楚組織裡有哪些 AI 應用、每個應用處理什麼資料、影響哪些利害關係人。Map 的第一步是做一次 AI 使用盤點——列出公司裡所有正在使用的 AI 工具，包括員工個人使用的。飛飛的經驗是，這個盤點的結果通常會讓管理層驚訝：以為公司只用了兩三個 AI 工具，盤點後發現有十幾個，其中一半是員工自己付費訂閱的。盤點之後要對每個工具做風險評估：它處理什麼資料？資料會被傳到哪裡？服務商的資料使用條款是什麼？如果這個工具出問題，影響範圍有多大？

Measure（量測）：用具體指標追蹤 AI 的風險。包含偏見檢測、準確度監控、安全事件統計。量測的目的是讓風險變得可見和可比較。如果你無法量化一個風險，就很難決定要投入多少資源來管理它。建議追蹤的指標包括：AI 相關事件的數量和嚴重程度、Shadow AI（未經核准的 AI 工具使用）的發現數量、AI 產出內容的錯誤率、員工完成 AI 安全訓練的比例。這些指標每季檢視一次，趨勢比絕對數字更重要。

Manage（管理）：根據量測結果採取行動。風險超過容忍度就調整或停用，定期重新評估。Manage 也包括持續改善：從過去的事件中學習，更新政策和流程。例如某次稽核發現員工大量使用一個未經核准的 AI 翻譯工具，Manage 的行動可能是：評估該工具的安全性，如果可以接受就納入核准清單並制定使用規範，如果不能接受就封鎖並提供替代方案。

NIST AI RMF 的優點是彈性高、不限產業，可以根據組織的規模和需求調整實施的深度。缺點是沒有認證機制，沒辦法對外證明你有遵循。它更像是一套思考框架，告訴你應該考慮哪些面向，但不會規定你必須怎麼做。

ISO 42001 AI 管理系統

ISO 42001 是 2023 年底發布的 AI 管理系統標準，結構和 ISO 27001（資安管理系統）類似，有明確的條文和可稽核的要求。它採用 PDCA（Plan-Do-Check-Act）循環，每個環節都有對應的條文要求。

主要差異在於 ISO 42001 可以取得第三方認證。如果你的客戶或合作夥伴要求「證明你們有管理 AI 的風險」，ISO 42001 認證是目前最有公信力的回答。在台灣，這個需求在金融業和醫療業特別明顯——銀行在選擇 AI 供應商時，可能會把「是否有 AI 管理系統認證」列為評選條件。

對已經有 ISO 27001 的組織來說，導入 ISO 42001 的門檻相對低，因為管理系統的框架一樣（PDCA 循環、風險評鑑、內部稽核），只是控制措施的範圍從資訊安全擴展到 AI 系統。ISO 42001 新增的控制措施主要集中在：AI 系統的生命週期管理（從規劃到退役）、AI 系統的可解釋性和透明度、AI 系統的偏見評估和減緩、AI 系統的資料管理（訓練資料的品質和來源）。

ISO 42001 的認證流程和 ISO 27001 類似：先做差距分析、建立管理制度、實施一段時間後做內部稽核、最後請認證機構做外部稽核。從啟動到取得認證，通常需要 6-12 個月。費用方面，認證機構的稽核費用大約在 20-50 萬台幣，加上顧問輔導的費用（如果需要的話），總成本大約在 50-150 萬台幣，依公司規模和複雜度而定。

兩個框架的比較：

比較項目 NIST AI RMF ISO 42001
發布單位 美國 NIST ISO 國際標準組織
性質 自願性指引 可認證標準
認證機制 無 有第三方認證
彈性 高，可自由裁量深度 中，有明確的條文要求
適合對象 任何組織的起步 需要對外證明合規的組織
導入成本 低（人力成本為主） 中高（含認證費用）
與 ISO 27001 整合 需自行對應 框架相容，可整合管理

對應台灣法規

台灣目前沒有專門的 AI 法（截至 2026 年中），但幾個既有法規直接影響 AI 的使用。企業在建立 AI 治理框架時，需要把這些法規的要求整合進去。

個人資料保護法是最直接相關的法規。AI 處理個人資料時，蒐集、處理、利用都需要符合個資法要求。特別注意第 19 條的特定目的限制——用 AI 分析客戶資料的目的必須在當初蒐集時告知的範圍內。舉例來說，如果你蒐集客戶的聯絡資訊是為了「訂單聯繫」這個目的，未經同意就拿去做 AI 購買行為分析，可能違反個資法。另外，第 27 條要求資料擁有者採取適當安全措施防止資料外洩。將個人資料上傳到外部 AI 服務，如果服務商的資料保護措施不足，可能被認定為違反安全維護義務。

金管會 AI 指引是金融業需要特別注意的。金融業使用 AI 有額外的監理要求，包含模型風險管理、可解釋性、公平性評估。銀行用 AI 做授信決策或保險核保時，需要能解釋 AI 為什麼做出這個判斷。金管會的指引要求金融機構在使用 AI 做重要決策時，必須有人工審核機制，不能完全依賴 AI 的輸出。如果客戶對 AI 的決策結果有疑義，金融機構必須能提供合理的說明。這對 AI 系統的可解釋性提出了很高的要求——黑盒子模型在金融業的應用會受到限制。

數位發展部 AI 基本法草案：雖然還在立法階段，但草案的方向是風險分級管理。高風險 AI 應用（影響人身安全、基本權利）會有更嚴格的要求，包含事前影響評估、持續監控、透明度義務等。草案也參考了歐盟 AI Act 的分級方式，將 AI 應用分為最低風險、有限風險、高風險和不可接受風險四個等級。雖然法案還沒通過，但提前了解草案的方向，可以讓你的治理框架在法案通過後更容易接軌。

產業特定法規也需要注意。除了個資法和金管會指引，不同產業可能有其他相關法規。例如醫療器材管理法對 AI 醫療器材有審查要求，通訊傳播法對 AI 生成內容的標示可能有規範，勞動基準法對 AI 用於員工監控或績效評估有限制。建立治理框架時，建議列出組織所屬產業的所有相關法規，並對照框架中的政策是否涵蓋這些法規要求。

實務建議：不管法規怎麼變，先把 NIST AI RMF 的四個功能做起來。未來不管是接軌 EU AI Act 還是台灣自己的 AI 法，都有基礎可以對應。法規通常會有過渡期（EU AI Act 的過渡期是兩年），提前建立框架的組織可以從容應對，而不是在過渡期內手忙腳亂。

治理委員會怎麼組

AI 治理委員會不需要另外成立一個大型組織，但需要跨部門的代表。委員會的核心功能是決策和監督，不是執行。執行工作由各部門的 AI 負責人（或 AI Champion）承擔，委員會負責審核政策、評估風險、處理跨部門的議題。

召集人：資訊長（CIO）或資安長（CISO），有預算和決策權的人。在台灣的中型企業中，如果沒有 CIO 或 CISO 這個職位，可以由 IT 主管或副總層級的管理者擔任。重點是這個人要有權力調動跨部門的資源，否則委員會的決議會缺乏執行力。飛飛見過一些公司把召集人指定為一位中階主管，結果遇到跨部門的議題時完全推不動，因為其他部門的主管不認為自己需要配合。

固定成員：資訊安全、法務/法遵、人資、至少一個業務單位代表。每個固定成員的角色如下：資安代表負責評估 AI 工具的安全風險、審查資料流向、監控安全事件。法務代表負責確認 AI 使用是否符合個資法和其他法規要求、審查 AI 服務商的合約條款、處理 AI 相關的法律風險。人資代表負責 AI 對員工的影響評估、AI 培訓計畫、AI 用於 HR 流程（招聘、績效評估）的公平性審查。業務代表負責反映實際使用需求、評估 AI 對業務流程的影響、協助推動 AI 在部門內的採用。

諮詢成員：依議題邀請，例如討論 AI 招聘工具時邀請 HR 主管，討論 AI 客服時邀請客服部主管。諮詢成員不需要每次都出席，但在涉及其部門的議題時必須參與。這種彈性的機制可以避免委員會成員過多而降低效率。

會議頻率：每季一次定期會議，重大事件（AI 資安事件、新法規發布、大規模 AI 導入）時召開臨時會議。飛飛建議每次會議不超過 90 分鐘，議程事先發送，會後兩週內發出決議紀錄。如果組織剛開始建立 AI 治理，前半年可以每月開一次會，等基本制度建立起來後再改為每季。

委員會的職責清單： - 審核和更新 AI 使用政策 - 評估新 AI 工具或新使用場景的風險 - 審查 AI 相關事件的處理結果和改善措施 - 追蹤治理指標的趨勢 - 決定是否核准高風險的 AI 應用 - 協調跨部門的 AI 治理議題 - 向管理層報告 AI 治理的狀態

政策文件的三層架構

AI 治理的政策文件建議採用三層架構，從抽象到具體，各有不同的更新頻率和核准層級。

第一層是 AI 使用政策（Policy），由治理委員會核准，定義組織對 AI 的立場、原則和紅線。例如：「本公司禁止使用 AI 進行員工監控」「機密等級以上的資料不得上傳至任何外部 AI 服務」「所有對外發布的 AI 生成內容必須經過人工審核」。這份文件給全公司看，一年更新一次。政策的篇幅建議控制在 3-5 頁，用簡單明瞭的語言撰寫，避免過多的技術術語。員工應該能在 10 分鐘內讀完並理解自己的責任。飛飛見過一份 40 頁的 AI 使用政策，結果幾乎沒有員工讀過——政策太長就等於沒有政策。

第二層是 AI 使用準則（Guidelines），針對不同情境的具體指引。每份準則定義該情境下可以用哪些工具、怎麼處理資料、輸出需要誰審核。常見的準則分類：

  • 程式碼開發的 AI 使用準則：定義哪些程式碼可以讓 AI 輔助生成、AI 生成的程式碼是否需要額外的 code review、哪些程式碼庫的內容不能上傳到外部 AI 服務。
  • 客服部門的 AI 使用準則：定義 AI 客服可以處理哪些問題類型、客戶的哪些資料可以給 AI 處理、AI 回覆是否需要人工審核才能發送。
  • 行銷部門的 AI 使用準則：定義 AI 生成的行銷文案是否需要標示為 AI 生成、品牌的哪些資料可以提供給 AI 做分析、AI 生成的圖片的版權處理方式。
  • HR 部門的 AI 使用準則：定義 AI 篩選履歷的公平性檢查機制、AI 不能作為錄用決策的唯一依據、員工績效評估中 AI 輸出的權重上限。

每份準則每半年更新一次，由各部門主管和治理委員會共同審核。

第三層是操作程序（Procedures），具體的步驟說明。例如「如何申請使用新的 AI 工具」的流程可能是：填寫申請表（工具名稱、用途、處理的資料類型）→ IT 部門做安全評估 → 法務部門審查服務條款 → 治理委員會或其授權人核准 → IT 部門設定帳號和存取權限 → 申請人完成 AI 安全培訓後開始使用。其他常見的操作程序包括：「發現 AI 資料外洩時的通報流程」「AI 生成內容的審核檢查清單」「Shadow AI 發現時的處理程序」「AI 工具的年度重新評估程序」。每季或依需要更新。

從零開始的導入步驟

對於還沒有 AI 治理框架的組織，飛飛建議分四個階段導入。

第一階段（1-2 個月）：盤點和評估。做一次組織內的 AI 使用盤點，列出所有正在使用的 AI 工具和使用情境。同時評估現有的資安政策和法遵流程，找出和 AI 使用相關的缺口。這個階段的產出是一份 AI 使用現狀報告和缺口分析。

第二階段（2-3 個月）：建立基礎制度。制定第一版的 AI 使用政策（第一層），成立治理委員會或指定治理負責人。政策不需要一次寫到完美，先把最重要的紅線定義清楚（什麼資料不能上傳、什麼場景需要人工審核），然後在實踐中逐步完善。

第三階段（3-6 個月）：深化和擴展。根據各部門的實際需求，制定部門別的使用準則（第二層）和操作程序（第三層）。開始追蹤治理指標，建立定期稽核機制。這個階段也是做員工培訓的好時機：讓員工了解政策的內容和目的，教他們如何正確使用 AI 工具。

第四階段（6-12 個月）：成熟和認證。檢視前幾個月的執行情況，更新政策和流程。如果有認證需求，開始準備 ISO 42001 的認證。建立持續改善的機制：從事件中學習、從員工回饋中改進、隨著 AI 技術的變化更新治理要求。

稽核週期與指標

年度稽核要檢查的項目：

AI 工具清單是否和實際使用一致（有沒有 Shadow AI）。最常見的問題是員工自己用個人帳號訂閱 AI 工具，公司完全不知道。飛飛建議用兩種方式交叉檢查：一是問卷調查，請各部門申報使用中的 AI 工具；二是技術手段，透過網路流量分析或端點管理工具，偵測連往 AI 服務的流量。兩者的結果如果有落差，通常代表有未申報的 Shadow AI。

資料分類和處理是否符合政策。抽查幾個使用 AI 的案例，確認上傳的資料沒有超過允許的等級。抽查的方式可以是：請員工展示最近一週的 AI 使用紀錄、檢查 AI 工具的使用日誌（如果有的話）、模擬一個敏感資料處理的場景看員工怎麼應對。

事件紀錄是否齊全。有沒有 AI 產出錯誤資訊、有沒有資料外洩事件、這些事件有沒有被記錄和處理。事件紀錄不只是為了追蹤問題，更重要的是從中學習。每次事件處理完畢後，應該做一次簡短的復盤：發生了什麼？根本原因是什麼？現有的政策或流程是否足以防止類似事件？需要更新什麼？

建議追蹤的量化指標： - Shadow AI 發現數量（目標：逐季下降） - AI 相關事件數量和平均處理時間（目標：事件數量穩定或下降，處理時間縮短） - 員工完成 AI 安全訓練的比例（目標：90% 以上） - 政策例外申請的數量和核准比例（如果例外申請太多，可能代表政策不切實際） - AI 工具的合規覆蓋率（已評估且核准的工具佔所有使用中工具的比例） - 稽核發現的不符合項數量和改善完成率

安全與限制

治理框架本身不能防止所有風險。幾個常見的盲點需要注意。

框架落地需要時間。從開始建立到成熟運作，通常需要 12 到 18 個月。不要期待一個月內就能把所有制度建好。飛飛的經驗是，第一版的政策通常在實施三個月後就需要大幅修改，因為很多實際的使用情境在寫政策時沒有預見到。這是正常的，把它當作學習過程而非失敗。

過度治理會降低採用率。如果每次用 AI 都要填三張表、經過兩層核准，員工會直接用個人帳號繞過公司管控。治理的目標是管理風險，而非禁止使用。飛飛建議一個原則：低風險的使用場景（公開資料的摘要、翻譯）應該盡可能簡化流程，讓員工幾乎感受不到治理的存在；中風險的場景需要基本的審核流程；高風險的場景才需要嚴格的多層審核。把審核的力道放在風險最高的地方，而非一律適用最嚴格的標準。

AI 技術變化太快。你的政策可能在寫完的時候就過時了。去年還不存在的 AI Agent 功能，今年已經有員工在用了。建立定期審視的機制比追求一次寫到最好更重要。政策中可以保留一些彈性條款，例如「對於政策未涵蓋的新型 AI 應用，須經治理委員會或其授權人評估後方可使用」，這樣可以在不修改政策的情況下處理新的情境。

小公司不需要照搬大企業的框架。10 人公司不需要治理委員會，但至少需要一份 AI 使用政策和一個負責追蹤的人。20-50 人的公司可以有一份兩頁的 AI 使用政策加上一個兼職的治理負責人。100 人以上的公司才需要考慮三層政策架構和正式的治理委員會。框架的複雜度應該和組織的規模、AI 的使用深度成正比。

治理框架需要管理層的持續支持。如果管理層只在啟動時表示支持，之後就不管了，框架會逐漸失效。委員會的決議沒有人跟進、政策違規沒有後果、稽核發現的問題沒有資源來改善——這些都是管理層支持不足的症狀。建議每半年向管理層做一次 AI 治理的狀態報告，讓管理層持續了解風險和進展。

常見問題

公司只有 20 人，需要 AI 治理框架嗎？

規模可以簡化，但基本元素不能省。至少需要一份一頁的 AI 使用政策（哪些工具可以用、哪些資料不能上傳）和一個負責人。等公司長大到 50 人以上，再逐步擴充成三層架構。20 人的公司通常員工之間的溝通很直接，一份簡明的政策加上一次全員說明會就能建立基本的共識。重點是讓每個人都知道紅線在哪裡。

NIST AI RMF 和 ISO 42001 該選哪個？

如果客戶或合作夥伴沒有要求認證，先用 NIST AI RMF 建立內部管理流程，成本低、彈性高。如果需要對外證明合規能力（金融業、醫療業、政府標案），考慮 ISO 42001 認證。兩者可以並行，ISO 42001 的控制措施很多和 NIST AI RMF 重疊。飛飛建議的路徑是：先用 NIST AI RMF 建立管理流程（3-6 個月），在這個基礎上如果有認證需求再往 ISO 42001 靠攏（額外 3-6 個月）。

治理框架建好之後多久要更新？

政策層（第一層）一年一次，準則層（第二層）半年一次，操作程序（第三層）每季一次。遇到重大事件（新法規、重大 AI 資安事件、組織大幅導入新 AI 工具）時立即檢視。飛飛的經驗是，第一年的更新頻率會比這個建議更高，因為很多實際問題在框架啟用後才會浮現。第二年開始就可以回到建議的頻率。

員工不配合 AI 治理政策怎麼辦？

先檢查政策是不是太繁瑣。如果正常使用 AI 需要填一堆表單，問題在政策設計而不是員工。合理的政策配合定期的安全意識訓練，再加上管理層以身作則，配合度通常不會太差。如果個別員工持續違反政策，需要有明確的處理流程：第一次口頭提醒、第二次書面警告、第三次限制 AI 工具的使用權限。重點是處理流程要事先公布，而非事後才制定。

台灣有 AI 治理的認證或評鑑嗎？

資策會有推動 AI 相關的評鑑指引，金管會對金融業有 AI 指引。ISO 42001 認證可以在台灣找到 BSI、SGS 等認證機構辦理。目前沒有台灣獨有的 AI 治理認證，但接軌國際標準是最穩健的做法。飛飛建議關注數位發展部的動態，AI 基本法通過後，可能會有配套的評鑑或認證制度。

已經有 ISO 27001 認證，導入 AI 治理框架可以節省多少時間？

有 ISO 27001 的組織，大約可以節省 40-50% 的導入時間。因為管理系統的框架（PDCA 循環、風險評鑑、內部稽核、管理審查）已經到位，只需要擴展控制措施的範圍。具體來說，風險評鑑的方法論可以直接沿用、內部稽核的機制可以擴展而非重建、文件管理的流程已經存在。需要新增的主要是 AI 特有的控制措施：AI 系統的生命週期管理、偏見評估、可解釋性要求、AI 資料管理等。

延伸閱讀

  • NIST AI Risk Management Framework 官方文件
  • ISO/IEC 42001:2023 AI Management System
  • 台灣個人資料保護法（全國法規資料庫）