法律可歸責性

法律可歸責性（Legal Culpability）源於傳統侵權行為法與刑法，指一個實體（個人或組織）因其作為或不作為，依法應對所造成的損害或過錯承擔責任。在AI領域，此概念變得極為複雜，因為損害可能由自主運作的系統造成。其核心在於，當AI應用（如自動駕駛車輛或AI診斷工具）出錯時，如何將法律責任歸屬給供應鏈中的特定方，例如演算法開發者、數據提供者、系統部署者或最終使用者。這不僅是技術問題，更是法律挑戰。歐盟提出的《人工智慧責任指令》（AI Liability Directive, COM/2022/496 final）草案，便旨在建立一套歸責框架，透過減輕受害者的舉證責任，來確定高風險AI系統造成損害時的賠償責任方。這與「問責性」（Accountability）不同，問責性強調解釋與證明的義務，而可歸責性則直接關聯到法律制裁與賠償責任。

企業可透過以下三步驟將法律可歸責性的概念應用於風險管理實務：第一步是「責任地圖繪製與角色定義」，依據ISO/IEC 42001（AI管理體系）標準，明確劃分AI生命週期中各階段（數據採集、模型訓練、驗證、部署、監控）的權責歸屬，並以文件化方式記錄，確保每個環節都有明確的責任人。第二步是「建立技術可追溯性與解釋性機制」，導入符合NIST AI風險管理框架（AI RMF）的工具，對AI模型的決策過程、輸入數據與日誌進行完整記錄。這能在事故發生後提供有效的數位證據，以釐清因果關係，將事故調查時間縮短約40%。第三步是「實施衝擊評估與合約風險轉移」，在部署高風險AI系統前，進行類似歐盟AI法案要求的「基本權利影響評估」，並在與供應商及客戶的合約中，明確訂定責任分配、賠償上限與保險要求。已有大型金融機構透過此方法，將AI相關的合規風險事件減少了25%。

台灣企業在導入AI法律可歸責性框架時，主要面臨三大挑戰：首先是「法規框架不明確」，台灣目前尚無針對AI的專門責任法規，企業在遵循國際標準（如歐盟AI法案）與本地法律實踐之間存在差距，導致合規成本增加。其次是「技術證據保存能力不足」，特別是中小企業，缺乏投資於可解釋AI（XAI）與MLOps的資源，難以保存證明自身無過失所需的完整數據與模型決策日誌。第三是「供應鏈責任劃分困難」，AI系統通常整合多家供應商的技術與數據，一旦發生問題，要從複雜的供應鏈中精準找出應負責的對象，極具挑戰性。對策建議：針對法規不明確，企業應主動採納ISO/IEC 42001等國際標準作為內部治理的標竿，並成立跨部門AI倫理委員會。針對技術挑戰，應優先為高風險應用導入具備可解釋性的模型，並將日誌記錄作為供應商採購的必要條件。針對供應鏈問題，則需透過嚴謹的盡職調查與詳細的合約條款，事先明確各方的責任範圍與賠償機制。建議優先完成責任地圖繪製，預期時程約三個月。