一份誠實的空白地圖——244 筆文獻中，連捐款收據、年報這種最好寫成果的場景都找不到案例
「AI 能幫 NPO 省多少時間？」是每個組織導入前都想問的問題。NPO 工作地圖與 AI 導入知識庫蒐集了 244 筆公開文獻試著回答，結果卻是一份誠實的空白地圖：不是找不到理由相信 AI 有用，而是找不到「有前後對照」的可查證案例——這篇整理這份空白地圖的體質、形狀與邊界。
以下為本研究對自身文獻池（244 條，皆留有原始快照）的機械統計。這是單一來源（本研究自己）的統計，非二源互證：
| 項目 | 數值 | 判準與已知限制 |
|---|---|---|
| 國內來源 | 79 條（32.4%） | geo_scope 為 domestic 或 comparative |
| 其中帶可查證量化數字 | 20 條（25.3%） | 判準未成文、腳本未持久化、不可外部重現，屬粗估 |
| 學術等級來源 | 3 條（佔國內 3.8%） | 同儕審查 1、預印本 1、碩士論文 1；僅代表本研究管道可及範圍 |
| 媒體＋政府揭露 | 53 條（67.1%） | media 28＋official 25；其餘 institutional 11／industry 10／practitioner 2／學術 3 |
| 廠商或利害關係人自報 | 20 條（25.3%） | vendor_conflict 為真 |
覆蓋率一律拆三欄，不合併：258 個工作項中，T1 直接證據 99 項（38.4%）／T2 類比＋T3 框架 156 項（60.5%）／完全無掛靠 3 項（1.2%）。說成「99.8% 有證據」會讓讀者誤以為間接證據與直接證據等效。
40 份深度研究中，35 份（字串重掃，可重跑）／37 份（逐份實質判讀）明文宣告池內缺乏端到端可查證案例。命中者含捐款收據、年報素材、活動報名、多平台改寫、社群客服——最該被寫進成果報告的場景，一則都沒有。完整的 40 項工作清單見〈NPO 最值得先導入 AI 的 40 項工作〉。
五類組織（法律扶助與被害人支持、青年兒童運動休閒、國際發展、就業職訓、數位權利與公民科技）轄下 25 個工作項（5 類×5 項）零 T1 直接證據。
13 個職能大類中，風險、危機與安全 T1 掛零（母體 6 個治理共通工作項），人資志工與方案服務管理各僅 12.5%。證據最薄之處，正是風險最高之處——這正是〈NPO 用 AI 的九條紅線與人工控制點〉存在的理由。
〔皆為本研究統計。覆蓋率以凍結時的 235 條池與 779 條掛靠邊為基準，補抓 9 條未回填故非最終值；T1 判級為掛靠層自評，258 項僅 30 項（11.6%）經抽裁複核。〕
證據等級有天花板：台灣場域最強者是同儕審查的個案研究與基準測試，台灣 NPO 場域零隨機對照試驗、零準實驗設計；全池 244 筆中隨機對照試驗僅 1 筆，屬國際場域的行銷內容線上實驗，非 NPO 台灣場域。
檢索邊界：建池日誌逐字記載，華藝 Airiti Library 與臺灣博碩士論文知識加值系統兩條查詢皆標記「受限，未執行」；全池 407 條查詢中 32 條（7.9%）為未執行、額度耗盡、限流、付費牆或抓取失敗。「查了沒有」與「查不了」是兩件事——本研究關於台灣學術密度的陳述，僅在「開放網路搜尋可及範圍內」成立。
紀律排除：本研究要求每條來源都有快照與逐字摘句、不採客戶匿名案例，故頁面回 403、動態渲染取不到文字、客戶匿名三類證據被系統性濾掉；已知確有具名台灣案例因此未入池。所以本研究不對任何具名機構作「該機構沒有 AI 導入成效」的陳述——能說的是「我方未見」，不是「對方沒有」。
政府的實作：衛福部社家署以 2014–2017 年兒少保護案件資料訓練模型分派風險等級，準確度 74.2%（張秀鴛等, 2023）[1]。
唯一的學位論文層級研究：以 NPO 蒐集的經濟弱勢兒少資料比較人機分析，發現 AI 處理結構化資料效率高，但鄰里環境等非結構化脈絡仍以人工更敏銳，建議人機協作（許鈺卿, 2025）[2]。
第一線的節省，多為單一案例：屏東縣慈善團體聯合協會社工以 AI 語音轉文字處理訪視錄音，受訪者強調「AI 不是取代人的專業」（楊育青, 2026）[3]；心路基金會分析去識別化捐款資料後廣告成本降 36%、官網募款金額增 59%（簡永昌, 2024）[4]。
限制：後者屬數發部「數據賦能 公益創新」家族，同族不得互證。
後台行政也有節省案例，但同樣零星：同一數發部論壇另揭露，立心慈善基金會建置單一數據平台後社工繪製個案家系圖時間縮短 58 小時、信望愛基金會以 Ragic 系統管理個別化服務計畫後每案文書處理時間減少 3.5 小時（數位發展部資料創新司, 2025）[5]。
限制：與前述心路基金會案例同屬「數據賦能 公益創新」政策專案下的官方揭露，同族不得互證為多筆獨立成效；且皆為機構自報數字，未見第三方查核方法說明。
工作者狀態：某實務社群會前調查稱 96% 的 NGO 工作者已用生成式 AI，六成屬個人層級而非組織制度化導入（科技濃湯 TechSoup Taiwan, 2026）[6]。
限制：此為自報、樣本未揭露，不得單獨支撐主張。
不是完全沒有，而是找不到「端到端可查證」的前後對照案例。已知的零星案例包括衛福部社家署風險分派模型、屏慈聯訪視錄音轉文字、心路基金會捐款資料分析等，但多為單一案例，證據天花板是同儕審查個案研究，台灣場域零隨機對照試驗。
本研究 40 份深度研究中 35–37 份明文宣告池內缺乏端到端可查證案例，命中場景正好包含捐款收據、年報素材、活動報名、多平台改寫、社群客服——最該被寫進成果報告的場景，一則都沒有。
兩者都可能。本研究只能誠實說「我方未見」，不能說「對方沒有」——因為客戶匿名案例、付費牆、頁面回 403 等三類證據被系統性排除，已知確有具名台灣案例因此未入池。
包括衛福部社家署兒少保護風險分派模型（準確度 74.2%）、唯一的學位論文層級研究、屏慈聯 AI 語音轉文字訪視紀錄、心路基金會捐款資料分析（廣告成本降 36%、募款增 59%），但多為單一案例，且部分屬同源家族揭露，不得互證。
覆蓋率拆三欄，不合併：258 個工作項中 T1 直接證據 99 項（38.4%）、T2 類比加 T3 框架 156 項（60.5%）、完全無掛靠 3 項（1.2%）。說成「99.8% 有證據」會讓讀者誤以為間接證據與直接證據等效。
不是。缺乏證據不等於反面證據；關鍵在多數工作項的成效主張缺乏可查證支撐。廠商數字仍可引用，但須標示〈自報〉，不得單獨支撐主張。
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）。本頁引用的 6 筆均為 T1 直接證據（僅為本頁用到者，非研究全部 T1 清單）；覆蓋率統計以自身 244 條文獻池為基準，非二源互證，方法限制詳見內文。