國教行動聯盟　政策資料庫
Action Alliance on Basic Education (AABE)
知識專頁 · 民間組織 AI 導入

NPO 用 AI 有哪九條紅線？哪些決定不能只靠 AI 做？

從人身安全到理董事會決議——九類決定永遠留給具名人工判斷

整理：國教行動聯盟 更新：2026 年 8 月 分類：民間組織 AI 導入 ‧ NPO 工作地圖研究

AI 能替 NPO 省下大量行政庶務，但不是所有決定都能交給 AI 做最後判斷。NPO 工作地圖與 AI 導入知識庫的原始盤點框架定義了九類決定——這篇整理九條紅線逐條內容、每條目前找不找得到證據支持，以及對應的 14 個人工控制點。

一句話答案：AI 能替 NPO 減掉大量行政庶務，但本研究原始盤點框架定義了九類決定，無論 AI 能力多強都不能只靠 AI 做最終判斷——從人身安全到理董事會決議，這九條永遠不下放。
本頁導覽 ① 共同語言：L1–L4 是什麼 ② 為什麼「有人簽名」不等於有效監督 ③ 九條紅線逐條是什麼 ④ 九條紅線各有多少證據支持 ⑤ 紅線在 40 項高重複工作中的落點 ⑥ 14 個人工控制點怎麼掛 ⑦ 常見問題

① 共同語言：AI 自動化的 L1–L4 是什麼意思？

L1 輔助只給搜尋與提示，人從頭判斷。 L2 草稿AI 寫草稿不執行，人逐項核准並負責。 L3 半自動AI 完成大部分，確認後執行。 L4 自動流程規則內自動執行，人負責監測與例外升級。

最弱環節原則：一項工作由多種 AI 能力複合而成，建議層級＝最弱能力之通常層級區間的上緣，該能力在關鍵路徑上時不得再上調。知識庫 10 個能力頁各載通常層級（決策支援 L1–L2、擷取分類與流程自動化 L3–L4、AI 代理人 L2–L4）——「排班配對」的天花板由決策支援決定。〔本知識庫設定〕

② 為什麼「有人簽名核准」不代表有效監督？

歐盟人工智慧法第 14 條要求監督者能理解系統限制、警覺自動化偏誤並能中止系統（European Union, 2024）[1]；實驗顯示錯誤的機器建議使人工準確度下降 25%（Stites 等, 2023）[2]。

反面亦有正例：相機陷阱野生動物影像辨識研究顯示，導入人機協作後 73% 資料集的錯誤率降到 10% 以下（Huebner 等, 2024）[3]——監督能不能提升準確度，取決於監督者是否具備辨識該項目所需的專業。

③ 九條紅線逐條是什麼？

以下九條逐字取自本研究原始盤點框架（AABE.NW.SRC245）[13]，是本知識庫全部人工控制紀律的原始出處：

一、人身安全、醫療、診斷、危機及法定通報

可做
整理風險與檢查表
原因
錯誤可能立即傷害生命
最低要求
具責任者判斷
紀錄
來源、建議與最後決定

二、拒絕、終止或限制服務

可做
整理資格與替代方案
原因
涉及基本權利與公平
最低要求
提供申訴與人工覆核
紀錄
規則、例外與理由

三、員工錄用、解僱、懲處與申訴裁決

可做
整理證據和程序
原因
高度個資與權力不對等
最低要求
主管／人資／調查程序
紀錄
證據、迴避與決定

四、法律意見、簽約、訴訟與正式申報

可做
條款比較與期限提醒
原因
法律效果及專業責任
最低要求
法務或授權人核准
紀錄
版本、審查與簽署

五、付款、撥款、投資及重大財務承諾

可做
對帳、異常與預測
原因
資產與舞弊風險
最低要求
職務分離與雙重核准
紀錄
預算、權限與交易軌跡

六、兒少、被害人或弱勢個案處置

可做
記錄、資源搜尋與提醒
原因
安全、隱私與最佳利益
最低要求
專業者與保護機制
紀錄
必要最少且嚴格存取

七、正式公共立場與危機聲明

可做
草稿、問答與一致性檢查
原因
代表組織承諾與聲譽
最低要求
授權發言人核准
紀錄
核准稿、來源與發布者

八、研究結論、倫理審查與證據強度判斷

可做
分析、反例與限制提示
原因
方法偏誤會誤導公共決策
最低要求
研究者與倫理治理
紀錄
資料、方法、版本與限制

九、理董事會、會員大會及補助審查決議

可做
資料包、揭露與會議紀錄
原因
依法或章程屬人類治理權限
最低要求
依法召集、揭露、表決
紀錄
議程、出席、表決與決議

④ 九條紅線，目前各有多少直接證據支持？

第一條、第六條（人身安全危機、兒少與弱勢個案處置，兩條在兒少保護場景高度重疊）：衛福部社家署以模型分派兒少保護風險，準確度 74.2%（張秀鴛等, 2023）[4]；美國 Allegheny 郡風險預測模型公平性稽核警示低收入或特定族裔社群可能受不利影響（Chouldechova 等, 2018）[5]；評估 29 個心理健康聊天機器人危機評估無一達標（Pichowicz 等, 2025）[6]；衛福部 2026 年函頒醫療機構生成式 AI 指引（衛生福利部, 2026）[7]。

第二條（拒絕、終止或限制服務）：歐盟人工智慧法附件三列此類為高風險（European Union, 2024）[8]。

第四條（法律意見、簽約、訴訟與正式申報）：三款主流法律 AI 工具幻覺率 17%–33%（Magesh 等, 2025）[9]；Air Canada 因網站聊天機器人資訊錯誤被裁定過失不實陳述、命賠 812.02 加幣（British Columbia Civil Resolution Tribunal, 2024）[10]。

第三、五、七、八、九條：本知識庫本輪掃源未查得對應台灣或國際直接證據，誠實標示為缺口，非「已驗證安全」。

⑤ 九條紅線在 NPO 最常見的 40 項高重複工作中，落在哪裡？

《總覽研究報告 v2》另指出，紅線一、二、六在五項高重複行政工作（R014 服務資格與初步分流、R015 個案紀錄整理、R017 轉介追蹤、R033 風險事故申訴追蹤、R039 稽核抽樣，皆建議暫緩）裡的具體落點：資格與危機的最終決定、四類個案判斷須具名且判斷欄留白、轉介同意的核定、案件分級與對外通報的認定，四步永遠留給人工。

最難察覺的失效：追蹤表看起來完整、每案都有勾選，複核卻只留一個「同意」。

⑥ 14 個人工控制點怎麼掛？

知識庫定義 14 個治理控制，涵蓋七型（職務分離、雙重核准、來源附註、例外佇列、停止開關、人工抽查、同意取得；各型 1–3 個實體）：

方法限制：123 個高風險或 L1 工作項的控制欄位由確定性規則表回填（可重跑、可審計），非逐項人工判讀，仍須人複核。〔本研究統計〕

⑦ 常見問題

NPO 用 AI 有哪九條紅線？

一、人身安全醫療診斷危機及法定通報；二、拒絕終止或限制服務；三、員工錄用解僱懲處與申訴裁決；四、法律意見簽約訴訟與正式申報；五、付款撥款投資及重大財務承諾；六、兒少被害人或弱勢個案處置；七、正式公共立場與危機聲明；八、研究結論倫理審查與證據強度判斷；九、理董事會會員大會及補助審查決議。

為什麼「有人簽名核准」不代表有效監督？

歐盟人工智慧法第 14 條要求監督者能理解系統限制、警覺自動化偏誤並能中止系統。實驗也顯示，錯誤的機器建議會使人工準確度下降 25%。監督能不能提升準確度，取決於監督者是否具備辨識該項目所需的專業，不是有沒有簽名。

九條紅線中，哪幾條已經有具體證據支持？

第一條（人身安全危機）與第六條（兒少弱勢個案）在兒少保護場景已有多筆證據；第二條（拒絕服務）與第四條（法律意見）也有證據。第三、五、七、八、九條本輪掃源未查得對應台灣或國際直接證據，誠實標示為缺口，不是已驗證安全。

九條紅線在 NPO 最常見的 40 項高重複工作中，會出現在哪裡？

紅線一、二、六會落在 5 項建議暫緩的高重複工作裡：服務資格分流、個案紀錄整理、轉介追蹤、風險事故申訴追蹤、稽核抽樣。資格與危機的最終決定、個案判斷、轉介同意核定、案件分級與通報認定，四步永遠留給人工。

什麼是 L1–L4 與最弱環節原則？

L1 輔助（只給搜尋提示）、L2 草稿（AI 寫草稿人逐項核准）、L3 半自動（AI 完成大部分後確認執行）、L4 自動流程（規則內自動執行）。最弱環節原則是：一項工作由多種 AI 能力複合而成，建議層級取最弱能力的通常層級上緣。

紅線是永久不變的嗎？

是。層級可能因前置條件成立而調整（例如某項工作從第二階段升到第一階段），但九條紅線本身的步驟不下放給 AI 做最終判斷。

NPO 資源有限，做不到 14 個人工控制點怎麼辦？

先做兩件事：讓自動動作可回復（CTL009），以及確保例外佇列有人在看、有處理時限。這是成本最低、但能攔住最多風險的兩個起點。

延伸閱讀

優先順序
NPO 最值得先導入 AI 的是哪 40 項工作？三階段優先順序怎麼排？
九條紅線中的一、二、六，具體落在這 40 項工作裡建議暫緩的 5 項——完整三階段優先順序在這裡。
證據地圖
台灣 NPO 導入 AI 有成效嗎？我們找不到什麼證據？
13 個職能大類中，風險、危機與安全類別的 T1 直接證據掛零——證據最薄之處，正是紅線最集中之處。
主題總覽
民間組織 AI 導入 — 議題總覽
NPO 258 項工作 × AI 導入的證據型知識庫，查看全部專題。

參考資料

  1. European Union (2024). Article 14: Human Oversight | EU Artificial Intelligence Act. Regulation (EU) 2024/1689 (EU AI Act). artificialintelligenceact.eu
  2. Stites, M.C., Howell, B.C., & Baxley, P. (2023). Assessing the Impact of Automated Document Classification Decisions on Human Decision-Making. AHFE 2023 (Applied Human Factors and Ergonomics). osti.gov
  3. Huebner, S.E., Palmer, M.S., & Packer, C. (2024). Human Supervision is Key to Achieving Accurate AI-assisted Wildlife Identifications in Camera Trap Images. Citizen Science: Theory and Practice. citizenscienceassociation.org
  4. 張秀鴛、陳映竹、江杏霙。(2023)。大數據分析在保護服務之應用──以老人保護及兒少保護案件之應用經驗為例。社區發展季刊 第182期「數位時代下的社會工作」。cdj.sfaa.gov.tw
  5. Chouldechova, A., Benavides-Prado, D., Fialko, O., & Vaithianathan, R. (2018). A case study of algorithm-assisted decision making in child maltreatment hotline screening decisions. Proceedings of the 1st Conference on Fairness, Accountability and Transparency (FAT*). proceedings.mlr.press
  6. Pichowicz, W., Kotas, M., & Piotrowski, P. (2025). Performance of mental health chatbot agents in detecting and managing suicidal ideation. Scientific Reports. nature.com
  7. 衛生福利部。(2026)。醫療機構應用生成式人工智慧指引。衛部醫字第1151663164號。衛生福利部函頒指引。mohw.gov.tw
  8. European Union (2024). Annex III: High-Risk AI Systems Referred to in Article 6(2). EU Artificial Intelligence Act (Regulation (EU) 2024/1689). artificialintelligenceact.eu
  9. Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C.D., & Ho, D.E. (2025). Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools. Journal of Empirical Legal Studies. dho.stanford.edu
  10. Civil Resolution Tribunal of British Columbia (2024). Moffatt v. Air Canada, 2024 BCCRT 149. British Columbia Civil Resolution Tribunal, Small Claims Decisions. decisions.civilresolutionbc.ca
  11. 法務部。(2025)。個人資料保護法。PCode I0050021。全國法規資料庫。law.moj.gov.tw
  12. 數位發展部。(2026)。人工智慧風險分類框架 v1.0。版本v1.0。人工智慧風險分類框架。moda.gov.tw
  13. 王瀚陽。(2026)。非營利組織完整工作地圖與AI導入盤點（原始盤點框架）［未公開發表之內部研究檔案］。國教行動聯盟。（框架引用，標示紅線內容出處，非成效實證）

證據基礎：NPO 工作地圖與 AI 導入知識庫（平台碼 NW），依據《總覽研究報告 v2》（2026-08-08 終審版）。九條紅線逐字取自原始盤點框架（來源 13），為框架引用而非成效實證。