AI要能管、值得、控得住，財政資訊中心揭稅務AI應用準則

「要能管、要值得做、要控得住。」財政部財政資訊中心主任張文熙在8月數位政府高峰會上，以這3大要件，總結財政部規畫AI的經驗。

要能管，指的是先做好治理，依資料敏感度，來決定AI應用環境；值得做，是指去計算使用AI的成本，比如Token、模型費用。至於控得住，則是當AI Agent開始代辦工作時，要先設計一套控制代理的循環（Loop Engineering），比如建立人機檢查點，確保執行過程受到控制；有些檢查點工作還能由Agent執行，只要先建立服務水準指標（Service Level Indicator，SLI）與退場機制，就能接手部分大量、重複且可逆的工作。

對稅務機關來說，導入AI的第一個問題，是哪些資料可以交給它。

稅務工作涉及納稅人的課稅資料與個資，使用新工具不能越過保密要求。張文熙指出，機關應先盤點業務適用的法規，確認資料保護、存取權限與稽核責任，再決定系統架構。

「必須要把法規變成系統的架構，才能進行下一步規畫。」他說。

以財政資訊中心的規畫為例，敏感資料有隔離處理的需要，但機關需要對民眾提供服務，因此得依資料與用途，安排不同的處理環境。其他機關的業務限制未必相同，應先確認自己的界線，再選擇合適的部署方式。

不過，畫出界線之後，不能只剩下「這個不能問、那個不能做」。

張文熙以治水比喻AI治理，防護機制（Guardrail）就像堤防，可以阻擋不適合的輸入或操作，但堤防之外，也要有河道疏導水流。如果系統擋下問題，卻沒有其他途徑協助使用者完成工作，導入AI的意義就會打折。

因此，他提出的方向是，同時做好阻擋與引導：資料整理時先遮蔽敏感內容，提問時再設置防護，並將需求送往符合條件的模型或環境。這些防護應分布在不同階段，避免只靠一道關卡。

要讓需求找到適合的處理環境，得先知道手上的資料屬於哪一類。

財政部將資料分為4種等級，包括限制級、機敏級、內部級與公開級，並對應不同的AI處理策略。例如，稅籍個資、國庫帳務與金融資料列為限制級，得安排在地端、實體隔離的模型環境處理；行政公文、會議紀錄與業務報告等內部資料，則可採取混合處理、加密傳輸與封閉式公有雲AI等方式。至於法規、公開統計與常見問答，則可評估使用雲端AI服務。

同樣是會議紀錄，不能一概而論。張文熙舉例，公開的公聽會、說明會，與尚未對外揭露的談判內容，保密需求皆不同，系統設計得跟著調整。

選擇雲服務時，不能只看業者是否在臺灣設有機房。他提醒，機關還要弄清楚，哪些資料留在臺灣機房、這些資料如何處理，以及能否接受服務商的管理方式。

治理範圍不只資料位置。權限能否限制、過程能否稽核、推論成本是否看得見、模型版本能否掌握，都是部署前要回答的問題。他認為，身分驗證、最小權限、持續監控與完整稽核等資安的零信任原則，也同樣適用於AI管理。

資料可以在哪裡處理，決定了模型的選擇範圍；接下來，還得考慮完成工作需要多少能力、付出多少成本。

「使用者付費訂閱AI後，往往習慣直接選最強的模型。」張文熙認為，如果較小模型已能完成工作，未必需要用成本更高的選項。

他以撰寫簡單SQL程式為例，這類需求可以先評估由個人電腦上的模型處理。只有當結果不符合要求，才考慮能力更強的模型。

「我希望每一個Token都花在該花的地方。」他說。

這正是他提出模型路由（Router）的原因。與其讓每位使用者自行挑選，系統可以依資料敏感度、任務複雜度、回應速度、預算與工具需求，將工作分派到不同模型。

例如，敏感資料必須留在符合要求的環境；較簡單的工作優先評估小模型，其他需求再選擇適合的服務。這樣的分流，同時處理了資料限制和成本問題，一如他所說的「Token經濟學」：衡量完成一項工作花了多少資源，以及產出是否值得。

再來，部署地端模型也有代價。設備需要維護，模型更新後還得處理相容性與安全問題。張文熙提醒，團隊若一路追著模型更新跑，也要留意是否及時修補新的安全問題，把維運工作納入評估。

AI從可以回答問題進一步走向執行工作後，治理也要深入流程。

張文熙以「Thinker」與「Doer」來形容語言模型和Agent的差異：前者提供答案，後者會呼叫工具、安排執行步驟，協助完成工作。

不過，Agent自行規畫的路徑，未必是使用者事先想過的。使用者要在執行循環中設置控制點，並列出具體限制：限定可呼叫的工具與參數、最多執行幾步與執行時間、限制單次任務的Token或金額，以及遇到高風險動作前，觸發人工審查。執行失敗或無法確定時，也要有轉交處理的路徑。

每一步都靠人檢查，會有時間和人力的瓶頸。哪些檢查可以交給Agent，哪些決定必須留給人，成為另一個設計重點。

張文熙提出，可從「人在環中」（Human in the Loop）進一步延伸讓Agent承擔部分檢查工作，也就是「Agent在環中」（Agent in the Loop）。「不能全交給AI，全部的話，你就失去自主性。」大量、重複、可逆的工作，可評估交給Agent處理。重要的是，團隊得先設置服務水準指標（SLI）、服務水準目標（SLO），釐清要觀察什麼、做到什麼程度。

以財政業務場景為例，他們的分工方向是：稅務稽核與選案風險高、涉及裁量，採取人在環中（Human in the Loop）的模式；OCR與貿易文件分析可對照原件驗證、回覆處理結果，則可評估讓Agent承擔更多工作。X光貨物風險評估採混合模式，由系統即時偵測，再交由人工審查異常；公股銀行反詐欺則由AI標示風險，凍結決定仍交由人工審查。

這些分工還需要配套措施，比如反思重試、另一模型或規則驗證、沙盒隔離與全程追蹤。張文熙將這類循環設計稱為Loop Engineering，重點是事先決定何時重試、何時通知人，以及執行到哪裡必須停下來。

針對落地，他提出6大落地建議，比如先盤點資料、完成分級，並在採購契約中納入資料返還與稽核條款。接著，團隊可從概念驗證開始，逐步建立模型分流（如Routing），以及追蹤、觀測與稽核能力，確保Agent動作都可回放。同時，IT團隊要培養熟悉AI技術、資安法規與業務流程的人才，在使用中持續調整，才能讓AI在既定界線內「跑得快、跑得順」。