引言

中華企業策略永續發展學會 創會理事長 莊鈞翔從混亂且動態的AI歷程中表示，人類真正開始對生成式人工智慧產生法律上的不安，不是在它寫出一篇漂亮文章的時候，也不是在它生成一張令人驚豔的圖片之後，而是在一個更樸素的問題出現時：它究竟是怎麼知道這些事情的？

當一個模型可以在幾秒鐘內模仿各種文體、整理新聞、生成程式、回答專業問題，人們很容易把這些能力理解成「機器自己學會了」，可是如果把技術神話拿掉，模型能力仍然必須建立在資料之上，而資料不會從真空中出現；它來自書籍、新聞、網站、論壇、程式碼、論文、圖片、影音字幕與無數人類曾經留下的表達。

這時第一個法律問題便不是模型有沒有「智慧」，而是資料在進入模型以前，曾經屬於誰、以什麼方式被取得、原作者允許到什麼程度、平台使用條款又允許到哪裡；公開可見與自由使用，從來不是同一件事；一本書可以放在圖書館供人閱讀，不代表任何人都可以拿去重製販售；網站可以被搜尋引擎索引，也不代表網站主當然同意其內容被永久納入另一套商業模型。

生成式 AI 把這個過去相對直觀的法律距離拉得非常模糊，因為資料不一定以原本的樣貌被保存，而可能被轉換、切分、標記、參數化，最後只留下對模型行為的統計影響；所以本篇的起點，不是替任何科技公司定罪，也不是替任何創作者預先勝訴；我真正想做的，是把「看得到」「抓得到」「能訓練」「能生成」「能商用」這五件常被混在一起的事情拆開；只有拆開，人類才可能重新知道自己的權利在哪裡。

搜尋引擎時代留下的舊習慣，為什麼不足以回答今天的問題；早期網際網路形成了一種相對穩定的交換邏輯：網站希望被搜尋到，搜尋引擎需要抓取網站內容建立索引，使用者透過搜尋結果再回到原網站；這並不代表所有法律爭議都不存在，但至少經濟上的交換關係相對清楚，被索引的網站有機會取得流量，搜尋平台則取得資訊整理與廣告價值；生成式 AI 改變的是使用者行為；當使用者在模型介面直接取得摘要、答案、比較、翻譯，甚至近似原始內容的重述時，他可能不再需要點回資料來源。

網路爬蟲的經濟本質已發生結構性質變。

過去，網站主將爬蟲視為「導流工具」；如今，則深感爬蟲正將其心血轉化為「他人的產品能力」，導致流量與收益一去不返。

         因此，法律評估不能再將 robots.txt 或「網站公開」等技術事實與法律授權混為一談；robots.txt 僅是技術層面的機器存取協議，絕不等於著作權的授權契約。
我們必須建立核心認知：

• 技術上能抓，法律上不必然能用（不因缺乏技術防護而自動取得授權）。
• 技術上被擋，法律上不必然違法（仍可能構成合理使用或其他法定例外）。

當企業採購 AI 服務時，核心決策已從「模型是否最強」轉向資料治理能力，企業必須追問：供應商能否明確說明訓練資料的來源與授權依據？是否提供侵權風險分配條款？商用輸出的責任如何劃分？這些過去被視為法務的附加事項，如今已是採購的關鍵決策指標。

模型訓練並非魔法，更不是能抹除前端侵權行為的黑盒子。

從資料下載、暫存、去重到建立訓練集，每個技術環節都涉及法律定位，真正的合規審查，不能只問「模型內有無原文」，而必須深入核心：訓練過程是否完整複製？是否形成市場替代？模型是否可能在特定提示下重現相似片段？這些層層拆解的技術行為，遠比「AI 只是學習」或「AI 就是抄襲」這種二分法的論述，更接近法律審查的本質。

我特別在意「轉換性」這個概念被過度簡化；把資料轉成權重，確實與直接把小說全文重新出版不同；但技術形式改變不會自動回答法律問題；法律要看的通常仍是使用目的、方式、數量、作品性質、對市場的影響以及法域所設計的例外。

企業若只聽到供應商說「我們沒有保存原文」就認為風險歸零，可能太樂觀；反過來，只因模型曾接觸有著作權內容，就斷言整個訓練一定侵權，也同樣省略了重要判斷；更重要的是一個能力：面對新技術時，不讓技術名詞替代法律分析；參數化、向量化、嵌入、模型權重都是工程語言；重製、改作、公開傳輸、合理使用或法定例外則是法律語言；企業需要有人能把兩種語言互相翻譯，否則最容易在「工程師說沒問題」與「法務說看不懂」之間形成真正的治理真空。

創作者與科技公司之間，不應只剩下「全面禁止」與「全面免費」兩個選項

如果所有資料都不能用來訓練，AI 產業的發展會面臨極高阻力；如果所有公開內容都可以被無償、大規模納入商業模型，創作者與內容產業又可能失去長期投入的誘因；真正困難的地方，就在於兩種利益都存在；因此，我不希望本篇以道德語言取代制度設計；稱科技公司為「掠奪者」，可以表達情緒，卻無法回答怎麼建立可持續的授權市場；把創作者的反對全部說成「阻礙創新」，也無法處理市場力量極度不對稱時的談判問題。

更成熟的方向應該包括集體授權、資料來源透明、可退出機制、特定內容類型的不同待遇、內容識別與補償方式，以及模型供應商對商業客戶提供的風險承擔。

莊鈞翔 博士認為，企業使用者尤其不應以為這是科技巨頭與出版社之間的戰爭，與自己無關；企業把 AI 產出的文字放進廣告、把程式碼放進產品、把圖片變成品牌視覺，都可能進入新的責任鏈。如果模型輸出與第三方作品高度近似，或供應商條款把責任大部分轉嫁給使用者，最後真正被告的未必只有模型公司；所以對企業而言，最好的防禦不是期待「法院總有一天會判清楚」，而是在現在就建立採購與使用規則：高風險用途用什麼模型、是否開啟來源引用、是否需要人工比對、哪些產出不能直接商用、哪些供應商有較完整的智財補償條款；把法律不確定性轉成內部可以管理的流程，才是法遵的價值。

我真正擔心的，是人類把「資料」誤認為沒有主人的原料；AI 時代最深的觀念衝突，可能不是某一場訴訟輸贏，而是社會如何重新理解知識與資料；網路讓資訊極度容易取得，久而久之，人們容易產生一個危險直覺：只要可以搜尋，就像公共空氣一樣誰都能拿來用；但內容之所以存在，是因為有人採訪、研究、拍攝、撰寫、編輯、實驗、創作；資料的可存取性與創作成本並沒有同步消失。

如果整個市場最後形成「創作者負擔生產成本，平台負責大規模吸收並商品化」，長期而言真正受損的不只是創作者，而是所有依賴高品質人類資料的 AI 系統；沒有新的可信內容，模型也只會反覆消化既有資訊。

這也是我為什麼不想把這篇寫成單純的侵權警告；它更深的問題是：AI 產業能否建立一套不耗盡人類知識生態的制度。

法律在這裡不是創新的敵人，而是重新設定交換條件的工具；企業真正需要的不是「AI 很危險」四個字，而是一張權利來源地圖；如果我是企業決策者，我希望法務給我的不是一句「這可能有著作權風險」，而是一張可以操作的權利地圖：我們使用哪個模型？模型供應商的資料治理聲明是什麼？輸入資料由誰提供？哪些資料有完整授權？哪些資料只能閱讀不能重製？輸出成果是否經人工修改？供應商的賠償條款涵蓋什麼？哪些例外會使賠償失效？；這張地圖不是為了增加流程，而是為了讓企業知道風險到底在哪一段；當資料、模型、提示詞、人工修改與商業發布都被記錄，爭議發生時企業才有能力說明自己做了什麼，而不是只剩「我們不知道 AI 怎麼生成的」。

最後，我想把本篇收在一個很簡單的判斷：AI 的知識不是無中生有，企業的便利也不是沒有代價；真正成熟的科技治理，不是拒絕資料流動，而是讓資料流動具有可說明的權利基礎；當技術愈強，人類更需要知道它從哪裡來；這不是保守，而是讓創新不必建立在權利不清與責任失蹤之上；如果企業把「來源不明」當成供應商的問題，風險最後仍可能回到自己身上；企業導入生成式 AI 時，很容易有一種心理：模型是供應商訓練的，資料是供應商抓的，所以著作權爭議應該由供應商處理。

這個想法在商業上不夠完整；供應商與使用企業之間通常存在服務條款與責任限制，企業又會把輸出進一步加工、發布、出售，法律風險便可能在不同環節重新分配。

因此採購部門不應只問「這家模型會不會被告」，而要問「如果被告，我們的責任在哪裡」；供應商是否承諾提供法律防禦？承諾涵蓋哪些模型、哪些方案、哪些使用情境？是否排除使用者刻意模仿特定作品、移除安全措施、超出授權範圍或使用第三方外掛的情形？企業內部是否有能力遵守這些條件？如果沒有，即使契約上寫著 indemnity，也可能只是形式上的安全感；更重要的是，企業可能同時使用多個模型與多個資料來源；行銷部門用一套工具產圖，工程部門用另一套工具寫程式，法務或客服又接第三套知識庫；每一個系統的權利條款不同，最後卻都被整合到同一個產品或品牌裡。

這時「哪一段成果從哪個系統來」就成為實際問題；沒有基本的模型與來源台帳，企業根本無法在爭議發生時完成責任追溯。

合理使用不是企業的護身符，也不是創作者的禁區

合理使用之所以困難，是因為它通常不是一個只看單一因素就能得到答案的機制；不同法域有不同結構，個案又必須看目的、性質、使用比例、市場影響等因素。

這意味著企業不能把「合理使用」當成一句預先批准的口號，也不能因為市場上有訴訟，就推論所有 AI 訓練必然非法；對企業治理而言，最好的做法不是自己替法院做最終判決，而是依風險程度決定資料來源策略；高度關鍵、長期商用、具市場替代性的內容，應優先取得明確授權；一般公共資訊、法規、企業自有資料與開放授權資料，可依其法定地位與授權條件使用；爭議性高的來源則應經過法律評估；這種分層比「全部抓」或「全部不抓」更可行。

創作者的選擇權，將成為下一階段 AI 市場的重要治理問題；我認為未來真正重要的制度，不只是科技公司如何證明自己的合法性，也包括創作者是否有清楚的選擇權；創作者能否知道作品是否被納入訓練？能否選擇退出？如果退出，技術上與法律上如何落實？授權模式是一次買斷、按使用量付費、集體授權，還是其他形式？；這些問題之所以重要，是因為資料市場的談判力量並不對稱；單一作者很難逐一面對大型模型供應商，但大型出版社、圖庫、程式碼平台與資料庫業者可能具備談判能力。

制度若只承認大型內容方，反而可能使個人創作者更弱；因此，未來法律與產業自律如何降低交易成本，同時保留創作者基本控制權，會比單純追究過去資料抓取更重要。

從企業策略看，乾淨資料會成為真正稀缺的生產要素；當 AI 模型愈來愈普及，模型本身可能逐漸商品化；真正稀缺的，反而是來源清楚、品質穩定、持續更新、可以合法商用的資料；對企業而言，資料治理不是法務成本，而是未來模型競爭力的原料管理；一家能夠清楚區分自有資料、授權資料、公開資料與限制資料的企業，更容易建立可靠的 RAG、微調模型或自動化流程；一家資料來源混亂的企業，即使買到最強模型，也會在每次商用時重新面臨不確定性。

這是我真正想提醒企業領導人的地方：AI 時代的智慧財產權，不應只在爭議發生後處理，而要在資料進入系統前就成為治理。

當技術可以吃下整個網路，法律更需要回答「什麼可以吃、怎麼吃、吃完要負什麼責任」

公司治理策略師 莊博士所關心的，是生成式 AI 把過去分散的著作權問題集中到一個新的規模；它不是第一個利用既有資料的技術，也不會是最後一個；真正新的，是利用規模、速度、商業價值與輸出能力都遠超過過去；這使舊有法律概念需要更精細地被解釋，但並不代表權利與責任可以消失；我希望讀者離開這篇文章時，不會只記得「AI 可能侵權」，而會知道真正該問的是：資料來源是什麼、利用行為是什麼、法律依據是什麼、企業如何承擔風險。當這四個問題能被回答，AI 才真正從神話回到企業可治理的工具；建立「資料來源分級」，比爭論抽象合法性更能降低風險；企業可以把資料來源分成幾種層級：自有且權利清楚的資料、取得明確授權的資料、依法公開或開放授權資料、法律地位尚待判斷的公開網路資料，以及明確禁止或高風險資料；不同層級採不同用途與審查強度。

這種分級的好處，是讓商業團隊不必每次從零問律師「這能不能用」；法律團隊則可以把時間集中在高風險區；治理的目的不是讓所有人害怕，而是把不確定性轉成可操作規則；資料授權市場若成熟，反而可能讓 AI 產業更穩定；很多人擔心授權會增加 AI 成本，但長期而言，權利清楚也可能降低訴訟與不確定性。企業願意為穩定、可商用、可追溯的資料付費，內容方則有持續生產高品質資料的誘因；這種市場未必完美，卻比永遠靠訴訟決定邊界更可預測；對台灣內容產業而言，也值得思考是否能發展集體授權、標準化資料合約與可機器讀取的使用條款，讓小型創作者不必逐一與全球平台談判。

模型輸出若大量替代原內容，市場效果就更值得被檢驗

生成式 AI 的特殊性之一，是它不只使用資料，還可能在使用者端直接替代原本的搜尋、閱讀與內容消費；如果使用者得到完整答案後不再造訪來源，原始內容的商業模式可能受到影響；這種市場替代是否足以改變法律判斷，必須依個案與法域分析，不能預先下結論；但企業至少應理解，AI 與傳統搜尋的差異不只是技術，而是價值鏈重新分配；教育、研究與商業模型不應被一概而論；同樣的資料處理行為，在研究、教育、非營利與大規模商業模型中，可能有不同利益衡量。

企業若引用學術界對資料探勘的討論替商業模式背書，必須注意使用目的與規模差異；反過來，也不能因商業使用就直接認定違法；法律真正困難之處就在於需要細分，而不是依產業好惡作結論。

企業應把「可驗證的資料治理」視為品牌信用；未來客戶可能不只問模型準不準，也會問資料來源是否合法、是否會把客戶資料拿去訓練、能否刪除、是否有來源引用；能清楚回答這些問題的企業，會比只強調模型規模的企業更容易取得長期信任；這也是本篇最後想從法律走向企業策略的地方：合規不是被動防禦，而可以成為產品品質的一部分；用一個企業情境檢驗：同樣是「抓資料」，風險可以完全不同；假設甲公司想建立客服模型，資料來源包括自己十年客服紀錄、主管機關公開法規、競爭者網站文章、付費產業報告與員工自己蒐集的網路圖片；工程師看見的是五種可讀檔案；法律上卻是五種不同權利狀態。

公司自己的客服紀錄可能仍涉及客戶個資；官方法規可能可以公開利用；競爭者文章通常仍受著作權保護；付費報告的訂閱契約可能禁止建立內部資料庫；網路圖片則可能連作者是誰都不知道。

如果企業不做分類，只因為技術上都能丟進訓練流程，就會把五種不同風險壓縮成一個「資料集」；等到模型輸出發生爭議，管理者很難再追溯哪一段能力來自哪一類資料；這就是為什麼資料來源治理應該在訓練前完成，而不是出事後才追查；同一個情境也說明，合法性不是模型層級的單一標籤；企業可能對部分資料有完整權利、對部分資料只有有限使用權、對部分資料需要另外評估；真正好的合規系統應容許這種細緻差異，而不是把整個模型簡化成「合法」或「非法」。

企業董事會為什麼應該關心 AI 訓練資料

如果 AI 只是員工偶爾用來摘要文件，董事會當然不需要介入每一個細節；但當企業準備把生成式 AI 變成核心產品、客服入口、研發工具或對外平台，資料來源就會成為重大營運風險。訴訟、授權中止、模型下架或客戶信任受損，都可能影響企業價值；董事會或高階管理層至少應要求管理團隊回答三件事：

核心 AI 能力依賴哪些資料類型？

權利風險由誰負責？

如果某類資料突然不能再使用，有沒有替代方案？

這不是要求董事會判斷合理使用，而是要求企業知道自己的技術供應鏈是否穩定；從「法律防禦」走向「資料採購策略」；如果高品質、可授權資料愈來愈重要，企業未來可能像採購晶片或原料一樣採購資料；這會產生新的策略問題：是否值得與媒體、出版社、資料平台簽長期授權？是否應建立自己的第一方資料？是否應透過客戶同意蒐集更多可合法利用的回饋？

這些問題使智慧財產權從「不要侵權」提升成「如何取得可靠生產要素」；企業如果只靠網路免費資料，短期便宜，長期可能面臨不穩定；如果建立授權與自有資料組合，成本較高，卻更能形成可持續能力；不必急著替整個 AI 產業判刑，先把每一段權利關係說清楚；我希望這篇保留批判力，但不靠指控取得力量；真正有穿透力的問題應該是：誰提供資料、誰取得利益、誰有選擇權、誰承擔責任。

只要這四個問題持續被問，科技企業、內容產業與使用企業都必須拿出更具體的答案；這樣的法律評論不需要替任何陣營站隊，也不需要把任何企業描述成掠奪者；它只要求市場在享受 AI 生產力時，把原本被藏在黑盒子裡的權利交換重新照亮；這正是我認為法律在科技變革中最重要的角色。

當企業無法確認來源時，最穩健的選擇不是硬猜，而是降低用途風險

GRC 專家莊鈞翔 博士要提醒的是，某些資料短期內確實無法完成權利查核；這時企業可以限制為內部研究、避免大規模對外重製、改用可追溯替代資料，或先取得授權再擴大用途。

承認不確定，不等於停止創新；它只是把不可控制的法律風險留在較小範圍。