引言

Legal AI 進入量刑的真正命題，不是科技要不要取代法官，而是國家能不能用一套可被稽核的客觀基準，讓相似的案件得到相似的對待，把這個問題簡化成科技與人性的對決，等於先放棄了數位治理的層次，再用恐懼或崇拜填補留下的空白，一個願意把演算法引入生死裁量周邊的制度，配得上的是最嚴格的透明度與當責要求，而不是最廉價的抗拒或最盲目的擁抱。

量刑的可預測性，本身就是憲法平等原則的延伸，相同的犯罪情節，理應得到相近的刑度，這不是冷酷，而是法治對人民最基本的承諾，然而現實中，量刑的結果往往受到承審者個人經驗、當下情緒與認知偏誤的影響，產生決策科學所稱的裁量噪音，也就是在不應該有差異的地方出現了差異，這種噪音不是任何法官的惡意，而是人類判斷在缺乏客觀錨點時的自然產物，它的代價，是相似的人在相似的情境下，得到了不相似的對待，而每一次這樣的落差，都在消耗社會對司法公平的信任資本。

本文的立場很清楚，Legal AI 在量刑上的價值，在於它能以龐大的歷史判決數據為基礎，提供一個客觀的量刑參照基準，協助壓低裁量噪音、提升可預測性，但這個立場有一個不可退讓的前提，就是這套系統必須是可被稽核的輔助定錨，而不是不可檢驗的裁判者，演算法本身可能固化歷史資料中的偏誤，可能形成新的黑箱，這些風險與它的價值同樣真實，把 Legal AI 講成萬能的客觀利器，與把它講成危險的科技入侵，犯的是同一個錯誤，就是用情緒取代了對治理結構的設計，真正該問的，是如何讓這套工具的好處被放大、風險被控管，並且全程攤在可被檢驗的陽光下。

這個問題之所以迫切，是因為司法的數位轉型已經不是要不要發生，而是以什麼姿態發生，當私部門、律所與當事人都已用數據工具預測判決走向時，法院若繼續把演算法當成體制外的異物，最終失去的不是純粹，而是對科技進入司法周邊的主導權，真正的選擇，從來不是擋與不擋，而是用一套可被檢驗的治理框架迎接它，還是任由它以不受監督的方式滲透進訴訟實務。

壹、問題背景與現況分析

一、把爭論從科技對人性，拉回治理設計

Legal AI 進入司法的討論，常被框定成一場科技與人性的對決，一方擔心冰冷的演算法剝奪了個案的溫度，一方期待客觀的數據終結法官的恣意，這兩種想像都觸及真實的關切，但都還停留在要不要的層次，沒有進入怎麼治理的層次，一項工具的價值與風險，從來不取決於它是不是科技，而取決於它被放在什麼樣的制度位置、受什麼樣的監督，把演算法當成救世主，與把它當成洪水猛獸，都跳過了真正該做的事，就是設計一套讓它可被檢驗、可被問責的治理框架。

從治理的角度看，量刑引入 Legal AI 的核心張力，是司法可預測性與個案正義之間如何取得平衡，以及人為偏誤與演算法偏誤之間如何權衡，憲法第七條的平等原則，要求相同情形相同對待，這為降低量刑落差提供了憲政上的正當性，而刑事訴訟法對有罪判決理由記載的要求，則為法官偏離客觀基準時應負的說理義務，提供了制度上的接點，理解了這兩個接點，接下來要檢視的，就不是科技本身的善惡，而是如何讓科技在這兩個憲政與程序的接點上，被妥善地安置。

二、裁量噪音：在不該有差異的地方出現了差異

莊鈞翔 博士指出，量刑最該被正視的問題，是裁量噪音，也就是在相似案件之間出現的、不應存在的刑度差異，決策科學的研究指出，人類在缺乏客觀錨點的判斷中，會受到承審者個人背景、當下情緒、案件呈現順序，甚至審理時段等與案情無關因素的影響，產生系統性的不一致，這種不一致不是偏見那種有方向的系統性偏差，而是一種散亂的、難以預測的波動，它的存在往往比偏見更難被察覺，因為每一個個案單獨看都言之成理，只有把大量案件放在一起比較，才會浮現出落差的全貌。

台灣的實證資料也呼應這個現象，司法院量刑資訊系統的統計顯示，在故意殺人、強盜致死、擄人勒贖等重大案件中，當犯罪情節、動機、手段、被害結果與被告前科等客觀因素被控制後，法院之間的刑度差距仍可達到數年乃至十年以上，這份落差無法簡單歸因於個案差異，因為個案差異本身也需要一套共同的評價標準來衡量，當法官在缺乏客觀參照的條件下獨自裁量時，各人對重大、惡性、教化可能的理解差異，就會被放大為量刑結果的系統性波動。

把裁量噪音放回量刑的脈絡，它的憲政意義就清楚了，當相似情節的被告，因為承審組合或審理情境的不同而得到明顯不同的刑度時，受到侵蝕的正是平等原則所保障的相同對待，這不是要否定個案裁量的價值，個案的差異本就需要裁量來回應，問題在於，現行制度缺乏一個客觀的參照基準，讓裁量在一個共同的座標上展開，使得本應反映個案差異的裁量，與本不應存在的隨機噪音，難以被區分，一個沒有客觀錨點的裁量，既無法證明自己的合理，也無法暴露自己的偏離。

裁量噪音之所以難以根除，是因為它的來源不只一種，決策科學把它拆解為幾個層次，其一是不同法官之間穩定存在的個體差異，有人量刑一向從重，有人一向從輕，其二是同一位法官在不同情境下的波動，受心情、疲勞與案件先後順序所影響，其三是同一位法官對相似案件在不同時點可能得出不同判斷的內在不一致，這三種噪音疊加起來，使得量刑結果的離散程度，往往超過個案差異本身所能解釋的範圍，而它們共同的解方，不是消滅裁量，而是給裁量一個可供校準的客觀座標。

三、私部門的先行與公部門的審慎

在資訊量化的能力上，私部門與國際律所早已大量運用 Legal AI 來分析判決趨勢、量化訴訟風險，而公部門對於將演算法引入審判核心，則抱持相對審慎的態度，這個落差，常被簡化成公權力害怕失去對法律的解釋權，但這樣的解讀並不公允，司法對演算法的審慎，有其正當的制度理由，審判涉及生命、自由與財產等最重大的法益，任何引入決策周邊的工具，都必須先通過獨立性、透明度與正當程序的嚴格檢驗，這份審慎本身就是司法應有的自律，而不是壟斷的焦慮。

真正的問題，不在於該不該審慎，而在於審慎能不能轉化為治理，也就是在不貿然取代人類判斷的前提下，建立一套讓 Legal AI 可被引入、可被監督、可被問責的制度框架，把私部門的先行與公部門的審慎，理解成進步與保守的對立，會錯失真正值得思考的，是公部門如何在保有審判核心人為判斷的同時，善用科技提升可預測性，並把風險關進制度的籠子裡。

四、全球的制度座標：高風險的定位與審慎的判例

放到全球的座標上看，主要法域對司法 AI 的回應，提供了清楚的制度藍圖與同樣清楚的警示，歐盟人工智慧法案將由司法機關或其代理人用於協助認定與解釋事實、解釋法律並將法律適用於具體案件的 AI 系統，列為高風險類別，附以資料治理、技術文件、紀錄保存、人為監督與透明度等嚴格義務，值得注意的是，該法對高風險義務的生效時程，在二〇二六年五月七日的政治協議下擬延後至二〇二七年十二月二日，惟該協議尚未正式通過，在歐盟官方公報公告前，現行法仍以二〇二六年八月二日為準，透明度等義務則不受影響，這套定位的核心訊息很清楚，司法用途的 AI 不是不能用，而是必須在最嚴格的治理框架下使用。

美國的實務則提供了一個關鍵的警示判例，在威斯康辛州訴盧米斯案中，法院容許在量刑程序中參考演算法 COMPAS 的風險評估，但同時設下明確的界線，法院指出該演算法的方法具有專屬性而無法被完整檢驗，並要求使用時必須附上對其限制的書面警示，且不得將演算法的評估作為決定刑度的唯一或決定性依據，這個判例同時也引發了關於種族偏誤的爭論，研究發現 COMPAS 對少數族裔的再犯風險預測，可能系統性地高於白人，而這正是演算法固化了歷史資料中的結構性不平等。

把歐盟的高風險定位與盧米斯案的審慎界線放在一起，浮現的不是該不該用的二分，而是一條清楚的治理紅線，演算法可以作為輔助的參照，但不能取代人類的判斷，而且它的方法、限制與偏誤，都必須被攤開接受檢驗，日本的司法 AI 發展也提供了類似的教訓，裁判員制度的量刑輔助系統雖然提升了效率，但也引發了對定錨效應的憂慮，即法官可能不自覺地將系統推薦的刑度作為心理錨點，即使系統本身已附帶偏誤警示。

五、台灣的數據基礎與制度起點

中華民國的司法體系，其實已經為這套治理累積了相當的制度起點，司法院的量刑資訊系統自建置以來，已就特定罪名整理出可供參考的量刑分布與審酌因子，提供法官在裁量時的參照，這套系統的價值，在於它把過去散落在個別判決中的量刑經驗，匯整成一個可被查詢的結構，使裁量不再只憑記憶與直覺，然而現行系統主要停留在資訊提供的層次，尚未進一步發展為具備方法透明、偏誤揭露與當責設計的治理工具，這正是從量刑資訊系統走向可被稽核的 Legal AI 定錨之間，仍待跨越的制度距離，台灣的優勢，在於起點不是空白，而是已有數據與實務共識的積累，真正要補的，是把這份積累升級為一套可被檢驗、可被問責的制度框架。

貳、核心爭點深度解析

中華企業策略永續發展學會 創會理事長 莊鈞翔 博士認為，這場討論真正的核心，是一個關於工具定位的問題，Legal AI 在量刑中，究竟是取代法官判斷的裁判者，還是輔助法官判斷的可稽核定錨，把這兩種定位分清楚，整個爭點的結構就清楚了。

支持引入 Legal AI 的論述，有其堅實的根據，值得被完整呈現，其一，以歷史判決數據為基礎的客觀基準，能讓裁量在一個共同座標上展開，壓低不應存在的裁量噪音，提升司法的可預測性，其二，演算法不受個人情緒、疲勞與審理情境的影響，能在相似案件之間提供更一致的參照，其三，當法官偏離客觀基準時，可要求其負擔更嚴格的說理義務，使量刑的理由更透明、更可檢驗，這三點，每一點都觸及真實的治理價值，任何對 Legal AI 的引入，若迴避它們，就低估了科技在提升司法一致性上的潛力。

對引入 Legal AI 抱持戒慎的論述，同樣應該被放在制度的層次理解，而不是化約成對科技的抗拒，其核心關切有三，其一，演算法以歷史判決為訓練資料，若歷史本身存在偏誤，演算法可能將過去的不公正固化、甚至放大，使偏誤披上客觀的外衣，其二，許多演算法具有專屬性與不可解釋性，形成新的黑箱，使被告難以對不利於己的評估進行有效質疑，衝擊正當程序與防禦權，其三，一旦法官過度依賴演算法的參照，可能產生定錨效應，使本應獨立的人為判斷，反被工具所主導，這三點關切，每一點都真實而嚴肅，任何主張引入的論述，若迴避它們，就稱不上完整。

定錨效應的心理學基礎，值得在此處加以闡述，因為它直接影響制度設計的關鍵，根據行為決策研究，人類在面對不確定判斷時，即使提供一個完全隨機的數字作為錨點，受測者的最終判斷仍會系統性地向這個錨點靠近，在量刑的場景中，如果演算法提供了一個刑度建議，例如此類案件平均刑度為十二年，即使法官明知這只是一個統計參考，他的判斷仍可能在無意識中受到這個數字的牽引，最終結果向十二年靠近，而不是完全獨立地產生自己的判斷，這不是法官的意志不堅，而是人類認知機制的自然傾向，因此，制度設計必須在提供定錨以降低裁量噪音，與防止定錨效應過度主導人為判斷之間，找到精準的治理均衡。

兩種論述的真正分歧，落在工具的定位上，如果 Legal AI 被定位為取代判斷的裁判者，那麼黑箱與偏誤的風險就是致命的，戒慎一方的關切完全成立，如果它被定位為輔助判斷的可稽核定錨，那麼它的價值得以發揮，而風險則可以透過治理設計加以控管，本文採取後者的立場，Legal AI 在量刑中的正當位置，是一個可被檢驗的參照基準，法官保有最終的、不可讓渡的判斷權，但當其偏離客觀基準時，須負擔加重的說理義務，在這個定位下，演算法不是取代法官的恣意，而是把法官的判斷從個人的經驗，攤開成可被檢驗的理由，歐盟把司法 AI 列為高風險、要求人為監督與透明度，盧米斯案要求書面警示且不得作為決定性依據，指向的都是同一個治理原則，科技可以輔助，但人類的判斷必須保留，而且工具必須可被稽核。

黑箱的問題，也需要被拆解成不同的層次，才能對症下藥，第一層是技術性的不可解釋，某些機器學習模型的內部運算，連開發者都難以完整還原其推論路徑，第二層是商業性的不透明，演算法的方法與原始碼以營業秘密為由不予公開，第三層是制度性的不揭露，即使方法可以被檢驗，制度卻未要求在裁判中說明演算法參照了什麼、其限制為何，這三層當中，技術性的不可解釋最難克服，但商業性與制度性的不透明，完全可以透過治理設計加以要求，把三者混為一談，會讓人誤以為演算法的不透明是不可改變的宿命，事實上，至少有兩層是制度可以著力的。

演算法偏誤同樣不是一個可以一次解決的技術缺陷，而是一個需要持續監管的治理課題，偏誤的根源，往往不在演算法本身，而在它所學習的歷史資料，當歷史判決本身就帶有對特定群體的系統性差別對待時，演算法只是忠實地把這份差別對待學了起來，並以客觀的外觀重新輸出，這正是它最危險的地方，它讓本應被檢討的歷史偏誤，披上了數據中立的外衣，因此，對偏誤的回應，不能寄望於某一次的演算法修正，而必須建立一套持續的偏誤監測、揭露與校正機制，讓偏誤在被放大之前就被看見。

參、法律制度與實務挑戰

把視角從該不該引入，轉向如何治理，才會看見真正需要被設計的接縫，以下三項挑戰，都不是科技本身的問題，而是制度在迎接科技時，尚未到位的治理缺口。

一、缺乏對司法演算法的實體法授權與審計監管

表面的現象，是台灣目前對於 AI 導入公部門，主要停留在行政指引的層級，例如行政院及所屬機關使用生成式 AI 的參考指引，以及資通安全管理法所提供的一般性框架，其根因，在於現行法制尚未針對司法用途的演算法，建立明確的法律授權、透明度要求與獨立審計機制，與制度的連結，是當演算法的輸出可能影響量刑這類最重大的決定時，僅靠行政指引的軟性規範並不足夠，必須有實體法層級的授權與監管，才能讓這套工具的引入具備正當性與可問責性。

一個具體的問題是，如果司法機關未經明確立法授權就導入量刑輔助系統，未來當事人能否以該系統缺乏法律依據為由，主張量刑程序違反正當法律程序，目前的法律框架並未回答這個問題，這正是制度接縫所在。

二、演算法的偏誤與不可解釋性，與正當程序及防禦權之間的張力

現象上，具專屬性的演算法難以被完整檢驗，被告對不利評估的質疑因而受限，根因，在於許多演算法的方法不公開、且以歷史資料為基礎，既可能固化過去的偏誤，又難以被外部稽核，盧米斯案中，被告主張由於 COMPAS 的原始碼屬商業機密，他無法檢驗評估的正確性，因此使用該評估違反了正當程序，法院雖然駁回了這個主張，理由是警示已充分告知限制，但這個爭議並未真正結束，它只是被程序上擱置了，制度上並未解決。

與制度的連結，是這直接衝擊正當程序所保障的對質與防禦權，一個無法被被告有效質疑的演算法評估，不應在量刑中取得決定性的地位，台灣如果要引入類似工具，就必須從制度設計上回答，當事人是否有權請求揭露演算法的方法，法院是否應在判決理由中說明演算法參照的具體內容，這些都不是技術問題，而是正當程序的核心課題。

三、法官偏離演算法基準時的說理義務，缺乏明確的制度接點

現象上，若未來導入量刑定錨，法官做出與基準明顯不同的判斷時，其理由的詳盡程度若無明確要求，定錨的意義將大打折扣，根因，在於現行判決理由記載的規範，尚未針對偏離客觀基準的情形，設計加重的說理要求，與制度的連結，是刑事訴訟法第三百一十條對有罪判決理由記載的要求，提供了一個可資銜接的接點，當法官偏離客觀的量刑參照時，正應依此負擔加倍的論理義務，將其裁量的依據攤在陽光下接受檢驗，沒有這個說理義務，定錨就只是參考，而非治理。

更進一步，如果法官偏離基準的理由不夠具體，上訴審是否應以理由不備為由撤銷發回，這個問題目前也缺乏明確的答案，制度需要的，是建立一個偏離報告的實踐習慣，使法官在偏離客觀基準時，必須在判決書中明確記載偏離的幅度、偏離的具體理由，以及與基準比較的分析過程。

四、訓練資料的代表性與在地適用性，缺乏驗證機制

現象上，演算法的品質高度依賴其訓練資料，但一套在某一法域、某一時期的判決上訓練出來的系統，未必適用於不同的法律文化與量刑實務，根因，在於量刑的判斷深植於各國的刑事政策、法律傳統與社會脈絡，直接移植境外的演算法或評估工具，可能把不相容的量刑邏輯帶進本地裁判，盧米斯案中 COMPAS 對不同族群的差別預測，正說明了演算法在特定社會脈絡下的偏誤，未必能直接平移到另一個脈絡，與制度的連結，是台灣若要引入量刑定錨，就必須要求任何系統在本地脈絡下，以本地判決資料進行代表性檢驗與偏誤分析，而不能逕自採用境外現成工具的輸出，這份在地驗證的責任，目前在制度上仍無明確的歸屬與標準，是引入 Legal AI 之前必須先補上的一道接縫。

肆、專家意見與策略建議

要讓 Legal AI 真正提升司法的可預測性，重點不在爭論科技好或壞，而在把支撐它的治理框架建到足夠透明、足夠當責，以下從定錨法制化、演算法透明與人為監督，以及偏離說理義務三個維度提出建議，每個維度都區分可立即啟動、短期內推進與中長期佈局的層次。

一、定錨法制化

可立即啟動的，是建立與善用量刑資訊與判決資料庫，讓量刑參照基準的形成，有可靠且具代表性的資料基礎，司法院的量刑資訊系統已經做了很好的基礎工作，但仍需擴大數據範圍、提升時效性，並確保資料分類的細緻度足以反映個案情節的細微差異。

短期內可推進的，是以行政指引先行，明確 Legal AI 在量刑中僅得作為輔助參照、不得作為決定性依據的定位，並要求使用時揭露其限制，這個指引的層級雖然不是法律，但它可以快速建立實務的共識與慣行，為後續立法累積經驗。

中長期應佈局的，是評估以實體法層級，為司法用途的演算法建立明確授權、透明度要求與獨立審計機制，使定錨的引入具備正當性與可問責性，而非停留在軟性指引，具體而言，可以在刑事訴訟法中增訂專節，明定量刑輔助系統的開發、驗證、使用與監督程序，並設立具有外部專家參與的審查委員會。

二、演算法透明與人為監督

可立即啟動的，是要求任何引入量刑周邊的演算法，揭露其資料來源、方法限制與已知偏誤，並對其在台灣脈絡下的適用性進行驗證，這不是要求公開原始碼，而是要求公開方法論與測試報告，使外部專家能夠進行獨立的偏誤分析。

短期內可推進的，是借鏡歐盟人工智慧法案對高風險系統的治理要求，建立資料治理、技術文件、紀錄保存與人為監督的制度框架，並借鏡盧米斯案的警示，要求對演算法評估附加限制說明，人為監督的具體設計，可以包括，法官有權在任何時候不參考演算法輸出，系統輸出必須以參考值而非建議值呈現，每次使用都必須在訴訟紀錄中載明。

中長期應佈局的，是建立對司法演算法的獨立第三方稽核機制，使其方法、偏誤與適用性，能被持續、外部地檢驗，而非由單一機關自我證明，這個稽核機制可以採取類似司法 AI 倫理委員會的形式，由法官、律師、學者、資訊工程專家與公民團體共同組成。

三、偏離說理義務

莊博士主張，可立即啟動的，是在實務操作上，要求法官在偏離量刑參照基準時，於判決理由中明確說明其依據，司法院可以發布量刑建議的操作指引，提供偏離報告的參考格式，降低法官的工作負擔。

短期內可推進的，是依刑事訴訟法第三百一十條對有罪判決理由記載的要求，研議對偏離客觀基準情形的加重說理規範，使定錨真正發揮約束裁量的功能，具體而言，可以要求偏離幅度超過一定比例時，法官必須在判決書中附上與基準比較的對照表，並逐項說明各項差異的理由。

中長期應佈局的，是把人為判斷的最終性與演算法的可稽核性，制度化地結合起來，法官保有不可讓渡的最終判斷權，但其偏離客觀基準的裁量，必須攤在可被檢驗的理由之下，這個判斷權加說理義務的雙軌結構，正是治理均衡的核心，這三項的共同精神，不是用科技取代人，也不是用人拒絕科技，而是讓科技與人的判斷，在一個夠透明、夠當責的治理框架中各安其位。

四、資料治理與在地驗證

可立即啟動的，是為量刑參照系統的訓練與更新，建立資料品質的基本要求，確保資料的範圍、分類與時效，足以支撐量刑判斷的細緻度，短期內可推進的，是要求任何引入的演算法，必須以本地判決資料進行代表性檢驗與偏誤分析，並公開其驗證報告，使外部專家能夠評估其在台灣脈絡下的適用性，中長期應佈局的，是建立資料治理的常設機制，使量刑資料庫的維護、演算法的再訓練與偏誤的定期監測，成為一套持續運作的制度，而非一次性的導入工程，一套不被持續校準的演算法，會隨著時間與資料的變化而逐漸偏離，唯有把資料治理制度化，定錨才能長期維持它的可信度。

伍、結語與前瞻

Legal AI 進入量刑的真正意義，不在它有多客觀，而在它能不能把判斷攤開成可被檢驗的理由，一個社會願不願意讓演算法進入生死裁量的周邊，檢驗的不是它對科技多熱情，而是它有沒有能力為這份引入，配上足夠的透明度、足夠的人為監督，以及足夠嚴格的說理義務，歐盟把司法 AI 列為高風險、要求人為監督與透明度，盧米斯案要求書面警示且不得作為決定性依據，指向的都是同一個方向，科技可以輔助，但人類的判斷必須保留，而且工具必須可被稽核。

這正是內在法遵的命題在數位治理上的展現，科技的價值，不來自它取代了多少人為判斷，而來自它能不能讓判斷變得更可被檢驗、更可被問責，真正成熟的司法，不是把裁量託付給不可檢驗的演算法，也不是以審判獨立為名拒絕一切科技，而是在資料、透明度與說理的源頭，就建立起讓科技可被稽核、讓判斷可被檢驗的內在秩序，一個把演算法當成不可質疑的客觀的制度，與一個只在被要求時才願意揭露依據的組織，犯的是同一個錯誤，就是把可被檢驗當成負擔，而不是本分。

對台灣而言，量刑資訊系統的累積已經提供了數據基礎，司法院的量刑改革也累積了實務共識，下一步，是在這個基礎上，審慎而堅定地導入 Legal AI 作為輔助定錨，把裁量噪音壓到最低，同時把演算法偏誤的風險管到最嚴，這不是一條容易的路，卻是一條值得走的路，因為它檢驗的不只是台灣的科技實力，更是台灣對法治、平等與正當程序的制度誠意，Legal AI 值得被審慎地引入，不是因為它能取代人，而是因為善用它的方式，能不能體現一個國家對相同對待的承諾，與對可被檢驗的堅持。

這條路真正的難處，不在技術，而在治理的耐心，演算法可以很快被導入，但讓它可被稽核、可被問責、可被在地驗證的制度，卻需要時間一層一層地建立，台灣若願意走這條較慢但較穩的路，最終得到的，不只是更一致的量刑，而是一套能夠駕馭科技、而不被科技駕馭的司法治理能力，這份能力，遠比任何單一工具的引入更為珍貴。