|
一、前言：AI不只是工具，AI之治理是對資訊供應鏈的動態治理
以往企業對智慧財產之管理，較偏向以既有成果之取得與保護為中心，著重於可辨識智慧財產成果之取得、維護及爭議處理，例如專利申請、商標維護、著作權之利用、授權及侵權與訴訟防禦。然而，在生成式 AI 時代，企業所面臨的價值與風險，往往並非於成果形成之後才發生，而是在資訊取得與處理、工作流程運用及使用與回饋中持續累積的動態過程。
在此過程中，生成式AI不僅是提升生產效率的單一IT工具，更可能成為企業建構無形資產的驅動引擎。企業原本以「個別權利或靜態成果」為單位之智財管理，也因此面臨新的治理對象：從資訊取得、文本前處理、知識庫建置、模型及相關元件的選擇與調校、到系統測試、部署、監控與更新，均牽涉一整套技術流程與權利關係。企業內部GPT、RAG系統或專用模型，都是由資料、模型、流程與使用回饋共同構成的複合式資產(註1)。
各國、各產業利用AI之情境、技術成熟度暨法令均有所別，本即無統一的治理模式。就臺灣企業而言，本文認為數發部所倡議的先「盤點AI應用情境」，再據以進行後續風險評估與處理的操作邏輯，提供了一個值得採納的AI治理起點(註2)。以下擬藉由一模擬A 公司導入 AI系統案例，試提出一涵蓋資訊導入、前處理、知識檢索、模型與元件選擇、系統測試、部署、監控的 AI 資訊供應鏈治理藍圖，討論企業如何將一套AI系統從單純的生產力工具，轉化成可盤點、授權、控管、溯源，也能形成競爭優勢的無形資產。
二、AI系統涉及的資產與風險導覽－以製造業導入生成式AI為例
(一) 根據使用情境導入AI並規劃風險治理
企業導入生成式AI時，首先需釐清的是AI擬被應用於何種工作、接觸何種資料，以及其輸出將被如何使用。相同的AI技術，若使用於一般文件格式轉換與使用於產品設計或客戶服務，其所涉及的智財、契約、營業秘密及專業責任風險可能截然不同。因此，AI治理宜從「使用情境」出發，再進一步盤點其背後所涉及的資料、技術元件及權利關係進而治理相關風險。
(二) AI系統在智慧製造設備公司的模擬使用情境
假設一中型智慧製造設備A公司，為提升研發、工程、採購及售後服務效率，導入生成式AI作為企業內部知識助理。該系統可整合產品規格書、設備操作與維修手冊、標準作業程序(SOP)、設計變更紀錄、供應商技術資料及常見問題處理紀錄，再結合檢索增強生成(Retrieval-Augmented Generation，簡稱RAG)技術，協助員工能以自然語言快速結合內部知識庫及外部訊息快速查詢應用相關資訊。從智財治理角度觀察，可能涉及以下使用情境與對應風險：
(三) AI系統處理資訊流程
釐清使用情境後，企業可據以決定哪個環節需要導入AI、該環節適用哪些模型，之後再進一步確認AI系統各環節實際運作所涉及的技術與資訊鏈。以A公司為例，一套企業內部AI知識助理可能依序涉及原始文件資訊集、OCR及文字擷取、文件切分與版本管理、知識庫與RAG檢索、基礎模型或任務型模型、Prompt及工作流程，以及最終輸出與操作紀錄等六個環節。各技術環節所涉資料及管理方式亦有差別，例如：採取RAG架構時，資料未必進入模型訓練，而僅在RAG架構下作為檢索與生成時的參考依據。將A公司的AI系統拆分為下列「資料來源層→資料處理層→知識檢索層→模型元件層→應用流程層→輸出監控層」六個層次：
以下依資訊進入A公司生成式AI系統的路徑依序探討在各層次的AI治理議題。
三、資料與知識庫治理－可取得不等於可供AI利用
近三年來，在全球發生的生成式AI相關訴訟多以「著作權」為核心爭點，訟爭集中於受著作權保護內容被用於模型訓練、資料集建構或RAG系統時，是否構成重製、是否落入「合理使用」之審查、以及在後者之情形是否對既有或潛在授權市場造成替代效果。此類問題須由法院根據資料來源、使用目的、技術處理方式及輸出效果個案判斷是否構成侵權，尚無一體適用之結論(註3)。對於製造業而言，這代表即使可合法取得供應商規格書、圖面、製程條件、材料測試報告、報價、品質紀錄及共同開發文件，也不當然代表具有充分的合法權限可以擷取、轉換、切分、向量化此些原始資料、甚至進一步提供生成之資料予其他供應商、其他專案或關係企業檢索利用。因此「處理資料」是進入系統的第一道風險，可考慮以下處理方式：
(一) 將資料來源進行分類
資料根據進入系統的路徑至少可區分為：
- 企業自有資料
- 員工的工作成果
- 客戶或合作方提供的資料
- 公開網站與政府資料
- 付費資料庫及授權內容
- 使用者在系統中臨時輸入的內容
(二) 評估相關風險
由於合理使用的判斷高度依賴具體事實與用途，無法一概推論所有資料用於生成式AI都合法。且下載、轉換、複製、訓練及輸出，在著作權法下涉及不同的行為，是否具備合理使用之各項要件也都需要個案判斷。此外，即便是付費的商業用資料庫，付費授權利用的範圍經常僅限於「可閱覽」或者「限制數量的重製」，付費資料庫不代表可自行向量化、大批量取得轉換為企業知識庫甚至作為商業性輸出(註4)。因此，資料可供利用之程度可能有別，對於每一類資料宜分別評估：
- 企業取得、閱覽或授權使用的範圍為何？
- 是否有權將資料複製、大量擷取、轉換、切分、建立索引或向量化？
- 是否可供RAG檢索、是否可供微調或評測？
- 是否可以將生成的結果提供予內部其他部門或外部客戶？
(三) RAG的「權利來源」風險
1. RAG是目前生成式AI發展中一重要架構，RAG結合了「檢索系統」與「生成式AI模型」。在生成資訊時，模型會先從外部資料庫(如外部網站、新聞或付費資料庫)檢索最新相關內容，再根據這些檢索到的資料與模型生成的輸出結合、生成資訊，以提升答案的準確性與時效性。但RAG也可能產生著作權爭議(註5)： RAG所涉著作權風險，通常首先發生於資料匯入、複製、轉換、儲存與檢索等環節；若系統對外輸出大量近似或替代原作內容，亦可能進一步涉及「重製」、「公開傳輸」、「改作」等利用爭議。是否構成侵害，仍須依資料來源、授權內容、技術處理方式、輸出內容與市場影響個案判斷。
2. 因此， RAG並非使資料利用自動合法化的技術；其雖未必改變基礎模型權重，仍可能在資料匯入、轉換、儲存、檢索及輸出等階段涉及受保護內容之重製或利用。企業在利用RAG連結外部資料庫時，應分別確認以下事項：
- 分別確認外部資料庫之API、robots.txt、網站使用條款、資料庫授權政策、快取與保存政策，以及外部內容是否會被寫回內部知識庫，在後者之情形則需再考量以下事項。
- 外部資料庫是否只允許閱覽?文件能否被複製、OCR、切分、向量化與索引?
- 輸出是否替代原作品或原資料庫服務?
- 向量化之後會否造成資料污染或跨案件之機密洩漏? 亦即，文件能否跨部門、跨客戶或跨供應商檢索?
- 舊版本的訊息是否仍可能被系統誤予檢索?
3. 製造業特別需要處理的風險-供應商技術資料不當進入共用知識庫
供應商的圖面、材料配方、報價、製程條件、測試報告與設計變更資料，常同時受到契約保密條款、營業秘密法、著作權法之保護及限制。因此即使A公司從供應商合法取得文件，也不當然表示可切分、向量化、讓公司所有部門檢索或與其他供應商資料交叉比對。因此，在製造業供應鏈中，企業部署生成式AI也應同時留意採取「資料隔離」措施，避免將不同供應商或不同共同開發專案之資料，未經權限控管即納入企業內部共用之AI知識庫。
(四) 小結：從以上初步分析可見，資料治理已不只是模型訓練或AI系統建置的問題，在此階段重要的是企業如何篩選資料之「可用範圍」與制度上如何建立其「可追溯性」。
四、模型、元件與AI資產之配置與保護
(一) 開放權重模型、商用模型或依授權條款提供之模型並不代表「可無限制利用」
開源模型不等同於「無條件、無風險」之利用，仍受相關授權條件之約束，模型權重、程式碼、套件、相依元件可能適用不同的授權規則(註6)。以Gemma 4 31B開放權重模型(註7)為例，企業仍應依其適用授權條款，確認使用、修改、部署或向第三人提供服務時的條件(註8)。因此在利用開源模型建置企業內部的模型時應先確認其上附加的使用政策、散布條件與揭示義務。以下例示應檢索確認項目：
- 模型權重採取何種授權模式?
- 模型經修改、量化或微調後，是否有標示或散布義務?
- 商業部署是否受到特定條件限制
- vLLM、OCR工具、嵌入模型及其他元件各自適用的授權條款
- 模型或套件升級時，授權條款是否也有更異，而需重新審查
(二) 建立類似軟體物料清單的「AI元件清冊」以便利盤點
1. 不同技術形式的模型在法律意義上並不完全相同
以客戶訂單規格解析以及語文翻譯為例，可能涉及不同技術形式的微調模型，包括：完整微調模型、LoRA或Adapter、特定系統提示詞、RAG搭配固定工作流程、Few-shot範例以及不同推論參數或模型路由。而不同技術形式的模型，在法律意義上並不相同，例如：
- RAG主要涉及知識庫來源與檢索權限，誤用恐有著作侵權爭議；
- Prompt與工作流程：則更可能涉及企業自身受到營業秘密、著作權或契約保護之資訊。
因此，企業應建立AI元件清冊，至少臚列：模型名稱、版本、來源、授權條款、用途及部署環境，以根據不同的技術態樣區分應用及治理之方式。此外，清冊宜另記載元件之資料流向、是否可將使用者輸入或輸出保留、是否用於模型改良、資料處理地點、次處理者、更新與停用程序，以及發生資安或授權爭議時之通知與修補責任。對於企業自行建置之RAG系統、模型、向量資料庫、OCR工具、外部API與監控工具等，均可能構成獨立元件，不宜只登錄基礎模型。
2. 雲端模型、跨境資料與出口管制
若製造商處理半導體、航太、精密機械、通訊設備或受客戶限制的技術文件，將資料上傳至境外AI服務商，讓境外工程師閱覽、或由境外企業處理，可能涉及個資、技術移轉或出口管制風險。涉及相關技術資料之企業應先確認AI應用的資料處理地點、可存取人員、次處理者及模型訓練政策；必要時應採分區部署或禁止輸入特定資料類別之方式，避免未經授權之跨境技術轉移。
(三) 專利與營業秘密：企業AI資產的雙軌保護
對多數企業而言，在此階段真正形成競爭優勢的未必是基礎模型本身，而是經過長期累積的專業語料、知識庫結構、任務流程、評測資料及人工校正紀錄、錯誤案例集。這些資料集可能同時受到營業秘密或者著作權之保護。臺灣對著作權雖雖採創作主義保護，惟仍應視其表達是否具備足夠原創性，且臺灣並未對「資料庫」特予立法保護，實務上對企業更可行的防線經常是採取必要的保密措施、權限控管、員工或供應商契約及版本之管理。
另一方面，對於可由外部產品功能觀察、易於被競爭者逆向推知，且確實具有具體技術貢獻的AI技術方案，企業仍應評估申請專利的必要性。美國USPTO近期在Ex parte Desjardins案認定，涉及機器學習模型訓練的方法，如將數學概念整合至實際應用，並具體改善模型的儲存效率、系統複雜度或持續學習能力，可符合專利適格性之要求，並撤銷原依美國專利法第101條所為之核駁，雖然該案不代表所有與AI或機器學習相關的請求項都當然適格(註9)。此外，英國最高法院也在2026年2月於Emotional Perception案中重整電腦實作發明的判斷方法(註10)。總體而言，近期案例顯示：人工神經網絡雖可能構成電腦程式發明，但判斷時仍需辨識請求項是否具有對技術特徵作出貢獻的內容；僅屬抽象規則、商業方法或非技術性結果的特徵，仍不足以支持專利保護。
因此，企業應把AI的具體技術貢獻與資產保護策略合併觀察，倘若是可公開、可逆向且可具體描述之技術問題、技術手段或技術效果：例如降低模型訓練所需儲存量、提高特定資料格式的辨識準確性、改善設備故障診斷流程，或使製造設備控制系統產生可驗證的技術效果，較適合評估以專利加以保護。反之，若競爭優勢主要來自未公開的專業語料、評測集、提示詞、工作流程和人工校正紀錄，且公開專利反而使競爭者容易重建其作法，則透過營業秘密、契約與存取控制通常更合適。
(四) 小結：在此一階段的治理重點在於透過先盤點「AI元件清單」以確認其相關技術性、可公開性與保密可行性等，以決定透過何種權利工具加以保護管理。
五、AI之部署、輸出責任與風險控制
將AI系統落地到日常使用流程，涉及實際應用之責任與風險控制。以下仍以A企業為例，試列AI實際部署時的分層治理及各項內控評測考量點，並根據可能產生的法律風險對應建議平日即宜留存之日誌等證據資料：
(一) 依用途決定控制的強度：
1. A企業將其AI之用途分為三層級，並對應根據不同層級之用途搭配不同程度的管理措施：
2. AI不能替代核心的設計變更與品質控制
對於涉及建議替代零件、設計變更、調整設備操作參數、維修指引或故障原因分析的項目，所涉及之風險為製造業核心的產品安全、品質責任、保固與合約責任。此類核心業務項目中，AI宜定位為輔助分析工具、不應取代既有之工程審查、品質驗證、變更核准及客戶確認程序；如有應用AI生成項目，應保存AI輸出之版本、引用依據、測試結果、人工修改與最終核准紀錄，以備追溯查核。
3. 代理式(agentic)AI與工業系統
如代理式AI可呼叫ERP、MES、PLM、SCADA或採購系統，治理問題即由輸出內容之正確性擴大為系統行動權限；有鑑於目前技術上對於代理式AI行為之可控性及風險控管仍有疑義(註11)，宜採最小權限、唯讀優先、工具呼叫白名單、雙重核准、可撤銷設計與緊急停用等較高等級治理機制。
(二) AI部署前的評測考慮點
對智慧製造業的應用而言，AI部署前可考量的評測要素包括：
- 技術內容正確性?
- 引用來源是否可追溯?
- 翻譯術語之一致性?
- 對不同文件版本的辨識能力?
- 是否可能揭露其他案件或客戶資訊?
- 面對不確定資訊時，是否會產生幻覺或者捏造答案?
(三) AI部署後應留存的日誌或證據資料
- 使用者之身分及權限
- 所使用的模型與版本
- 檢索到的文件來源
- 重要Prompt或工作流程版本
- 人工覆核者與修改內容
- 錯誤及申訴紀錄
- 模型或知識庫更新紀錄
- 日誌的設計應遵循目的特定、最小必要、分級存取與保存期限原則；對於含有個資、客戶機密或受保護技術資料的prompt、附件與輸出，宜區分一般營運日誌與可供稽核之證據紀錄，並設定遮罩、加密、調閱權限及刪除程序。對非必要的完整prompt、附件原文或高度機密輸出，不宜為了可稽核性而無限制保存，可改以索引號、雜湊值、去識別化摘要或版本識別碼保留可追溯性(註12)。
(四) RAG的「品質、安全與責任」風險
1. RAG技術在企業AI治理中具有雙重意義。一方面，透過限定檢索範圍、呈現引用來源、保存檢索紀錄及搭配人工覆核，RAG有助於降低模型無依據生成內容的機率，並可作為企業已採取輸出品質控制與合理注意措施的證據(註13)。另一方面，RAG的資料匯入、切分、向量化、儲存、檢索與摘要，本身仍可能涉及著作權、契約、營業秘密、個資及資安風險。除「直接Prompt injection(提示詞注入攻擊)」外，外部或內部文件本身也可能夾帶惡意指令，於檢索後形成「間接Prompt injection」；此外，向量/嵌入層亦可能發生存取控制失效、跨用戶資料洩漏、資料污染或檢索偏移、敏感資訊洩漏以及向量資料庫或檢索內容遭污染等風險(註14)。
2. 因此，RAG雖可改善AI生成資料之可靠性與可追溯性，降低幻覺風險，但仍非侵權或責任的安全港；是否構成侵權，將分別取決於資料取得與利用方式、輸出用途、控制措施與應用之司法領域，企業應用RAG技術架構時仍有需同時對應治理「資料來源之權利」與「輸出責任與可追溯性」議題。以本文的A公司為例，可將前述兩治理問題合併為以下治理表：
(五) 小結：目前生成式AI技術之發展有目共睹，治理的問題不在於「能不能用」，而在於「如何負責」。因此，在AI落地使用後之環結，治理的核心應由法律以及技術專業人員協作，具體識別風險發生在哪個技術環節，從而對應採取風險降低措施，以部署可追溯、覆核的AI系統。此外，AI系統上線不是治理的終點，而是持續改善、運作維持以及更新的起點，模型、資料來源、文件版本、供應商條款與使用情境均可能持續變動，企業應保留持續監測、更新調整與停用的機制。
六、結語：如何建立成熟的AI治理模式
AI之導入需要從架構、資料、管理監督及人員能力同步準備，而不是單一附加購買的IT軟體。因此，企業對於涉及AI導入的智財治理對象，也應由單一作品成果或單一模型，擴大為整套AI資訊供應鏈之治理。這有需整合企業內部之法務、資訊、採購、品質與研發業務單位，就資訊流向之各層次資料所涉權利、契約、資安與內控等進行AI生命週期的跨部門統合參與，而非外包給AI系統供應商處理。
數發部在2026年7月發布的「人工智慧風險分類框架」倡導「先盤點應用情境，再識別、評估與應對風險」(註15)，企業可借用其流程作為內控邏輯。此外國際上亦有各種標準管理規範可供參照，例如： 美國國家標準暨技術研究院(National Institute of Standards and Technology，NIST)發布的「人工智慧風險管理框架(Artificial Intelligence Risk Management Framework)與ISO/IEC 42001，NIST強調從治理、情境盤點、衡量到管理的持續風險控制流程(註16)；ISO/IEC 42001、42005則把AI治理納入組織政策、責任、資料治理、績效評估及持續改善的管理系統。
本文建議企業以AI使用情境為起點，根據使用情境決定控制強度，並沿著資訊與工作流程追溯資料來源、模型選擇、權限配置、人工覆核與輸出責任的資訊供應鏈建立可追溯、可驗證的分級智財治理模式。以製造業為例，可分為以下幾種治理等級(註17)：
整體而言，目前主流法域對於生成式AI治理的共同方向，在於提升系統運作的透明度、可追溯性與可靠性，並建立相應的人類監督與責任歸屬機制(註18)。AI可協助企業處理資料、檢索資訊、產生初稿或提供分析建議；但對於核心業務、關鍵程序、服務品質以及重大風險，企業仍應保有實質審查、最終決策與責任承擔能力。因此，成熟的AI治理不在於企業使用多少AI工具，而在於企業能否就每一項高影響應用，說明資料從何而來、經過哪些技術與人員處理、輸出如何被覆核，以及錯誤發生時如何追溯、修正與負責。
※ 註釋 ※
＊以上網址若無法瀏覽請使用其他瀏覽器。
|