AIFF：人工智慧可信賴治理框架
生成式 AI 快速滲透企業營運，也讓治理挑戰同步浮現。BSI 推出 AIFF、AI MoT，希望透過成熟度模型、國際標準及模組化治理架構，協助企業循序建立 AI 治理能力，在創新、風險與合規之間取得平衡。
採訪／施鑫澤 · 文／林裕洋
隨著生成式 AI 對企業內部流程產生深遠影響，AI 治理正成為關鍵戰略議題。為此，各國政府紛紛制定嚴格管理機制，如歐盟的「人工智慧法案」（EU AI Act）、台灣「AI 基本法」、道瓊最佳類別指數（Dow Jones Best-in-Class Indices，簡稱 DJBIC）等，都開始關注企業是否建立 Responsible AI 治理機制。尤其在金融、科技、電信與關鍵基礎設施等產業，AI 治理能力已逐漸成為企業信任與國際競爭力的重要指標。
為此，英國標準協會（BSI）推出「人工智慧可信賴治理框架」（Artificial Intelligence Foundation Framework；AIFF）與「人工智慧信賴標誌」（Artificial Intelligence Mark of Trust；AI MoT），助產業因應 AI 發展所帶來的治理挑戰。此兩項創新方案最大特色，在於協助企業透過國際標準、成熟度模型及模組化架構，逐步建立可信任的 AI 治理能力，強化組織在 AI 領域的信任度與合規性。
BSI 全球數位信任驗證總監 David Mudd 說，全球法規與市場要求正快速推動 AI 治理發展，企業也逐漸意識到，不當使用 AI 將帶來營運、法遵與信任風險。BSI 因此推出 AIFF 與 AI MoT，希望透過成熟度模型、模組化架構及第三方驗證，協助企業循序建立可信任 AI 治理能力。
BSI 東北亞區董事總經理謝君豪表示，台灣《人工智慧基本法》為框架性基本法，採風險導向並與國際接軌。不同於歐盟 AI Act 直接訂定分級義務與罰則，台灣由數位發展部建立共通風險框架，再由各目的事業主管機關依產業特性訂定規範，強調支持創新、比例原則與自律，但對高風險應用仍可採取審查、限制或禁止措施。2026 年可以視為台灣 AI 治理的「實踐元年」，這符合任何新技術發展的規律，即企業先重視應用，等應用到一定程度、風險逐漸浮現後，才會回頭建立相對應的管控機制。
AI 治理非資安延伸 全新管理課題
AI 治理並非只是把既有資安制度套用到生成式 AI。AI 生命週期從資料蒐集、模型訓練、部署至應用，涉及資料品質、模型透明度、偏誤、公平性、可解釋性、智慧財產權及人為監督等全新議題，已超出傳統資安管理範疇。企業若仍以過去的資安思維管理 AI，不僅難以全面掌握風險，也可能因缺乏治理機制而影響客戶信任、法規遵循與商業合作。因此，如何建立兼顧資訊安全、風險管理與 AI 責任治理的新框架，已成為企業導入 AI 時不可迴避的重要課題。
David Mudd 指出，歐盟 AI Act 是全球最成熟、也最完整的 AI 相關法規，聚焦在 AI 產品本身，對於將大型生成式 AI 或 LLM 推向市場的業者，提出透明性、著作權管理與風險評估等高度要求。
[ 加入 CIO Taiwan 官方 LINE 、 Facebook 與 LinkedIn，與全球CIO同步獲取精華見解 ]
此外，使用者同樣有義務評估這些模型的使用方式，是否會對歐盟公民構成高風險——這裡的「高風險」不只限於人身安全，還涵蓋金融、就業、教育等重要領域。值得注意的是，金融業本身已具備高度成熟的監管架構，但對其他產業與新興 AI 應用場景而言，相關監管仍屬新興領域，企業仍面臨不小挑戰。
「企業推動新制度，驅力通常來自法規、客戶合約與自身要求。台灣是淺碟市場，法規常是第一驅力，其次是客戶要求。」謝君豪解釋：「半導體科技業必須向國際大客戶證明服務不中斷、機密不外洩。正因如此，當 Apple、Tesla 在印度發生外洩事件後，對供應鏈的資安要求更趨嚴格。」
AI 時代來臨 傳統資安難以因應
儘管 ISO／IEC 27001 是國際資安管理的最佳實務，但 AI 從多個面向衝擊著傳統的資訊安全。首先是攻擊面大幅增加，加上 AI 生態系涉及更多供應鏈參與者，供應鏈越長、資料量越大，企業對整體環境的可視性反而下降。
其次，出現全新型態的風險與漏洞，例如攻擊者操縱訓練資料使模型產生錯誤結果的「資料投毒」、利用模型弱點在輸入端操控使 AI 誤判的「對抗性攻擊」，以及透過大量輸入分析輸出、進而逆向推導或重建模型本身的「模型萃取攻擊」。
第三，AI 也開始成為網路犯罪的重要工具，使攻擊規模、範圍與有效性大幅提升，企業同樣需要以 AI 來強化防禦能力。
對不少台灣企業而言，ISO／IEC 27001 幾乎成了資安管理的「保命符」。然而，許多企業的驗證範圍仍停留在機房、資訊系統或 IT 部門，當 AI 開始深入研發、生產、客服及營運流程後，企業面對的已不只是資訊系統安全，而是模型、資料、供應鏈與 AI 應用帶來的新型態風險。這也意味著，過去以 ISO／IEC 27001 為核心的治理模式，已不足以全面因應 AI 時代的資安挑戰。
因應這類新興威脅，國際間也正逐步建立專屬於 AI 的資安治理框架。ISO 國際標準組織即將發布的 ISO／IEC 27090，將提供 AI 特有資安風險的國際最佳實務，可與企業既有的 ISO／IEC 27001 管理系統相互整合，協助企業將 AI 模型、資料、供應鏈及開發流程納入一致的資安治理架構。換言之，企業不必推翻既有的資安管理制度，而是在既有基礎上補足 AI 時代的新風險管理能力，建立更完整的 AI 資安管理能力。
David Mudd 指出，資安只是 AI 治理的一環，企業還必須管理模型偏誤、透明度、倫理及決策品質等風險，因此 ISO／IEC 42001、ISO／IEC 22989 及 ISO／IEC 23894 等新標準相繼出現，協助企業建立完整治理架構。這對 CIO、CISO 及其團隊而言，不僅要快速掌握新型態的威脅，更必須熟悉 AI 治理的框架、術語與管理方法，才能在 AI 快速普及的環境下，同時兼顧創新、安全與可信任。
謝君豪指出，ISO／IEC 27001 無法有效解決 AI 治理問題，因多數組織導入 ISMS 時，驗證範圍仍以資訊安全相關業務、關鍵資訊與所支援的營運流程為主。相較之下，AI 治理涉及的資安挑戰更廣，除既有系統、資料與權限外，還須涵蓋模型安全、訓練資料與提示詞管理、AI Agent 權限與自主行動、第三方模型與 API 風險，以及 AI 全生命週期的安全、監測與事件應變。目前 AI 相關國際標準已逾百項，涵蓋生命週期、資料管理與韌性等不同系列，但尚無單一標準能全面應對，這正是企業面臨龐大壓力的主因。
AIFF 以成熟度導向 循序建立 AI 治理能力
儘管 ISO／IEC 42001 被視為 AI 管理的國際黃金標準，但 BSI 實務經驗顯示，企業要完整完成 ISO／IEC 42001 合規建置，往往需一到兩年。然而在 AI 治理議題重要性日增下，企業需要一套能快速向客戶、合作夥伴或主管機關證明，已經理解 AI 風險，並建立基本的治理與管理機制的方案。
因此，BSI 推出 AIFF 正是希望協助企業以務實、循序漸進的方式建立 AI 治理能力。這套方案採用模組化設計，涵蓋 AI 治理、AI 管理、AI 資安、AI 隱私與 AI 資料管理等七大模組。其中，AI 治理與 AI 管理是所有組織必備的核心能力；AI 隱私、AI 資安及 AI 資料管理則可依產業特性彈性導入。例如，醫療、金融或消費服務業更重視隱私保護，而工業製造或農業則能優先關注模型安全與資料品質。
此外，每個模組都會依據國際標準要求，拆解為不同的領域，企業可依自身成熟度選擇優先推動的項目。例如，AI 導入初期的企業，可先從治理架構、風險管理、人類監督及供應商管理等基礎能力著手；已經建立 AI 開發團隊的組織，則可優先強化 AI 生命週期管理、MLOps、模型品質管理等技術面控制，再逐步擴展至更完整的治理制度。
[ 推薦閱讀：2027 CIO Insight 調查報告 (1) 科技採用 / AI治理成熟度，兩重點指數定位產業現況]
David Mudd 指出，相較於傳統驗證採用「通過或不通過」的二元評估方式，AIFF 更強調成熟度概念，協助企業掌握目前所處的治理階段，並規畫後續改善路徑。換言之，即使距離取得 ISO／IEC 42001 驗證仍有一段時間，企業也能透過 AIFF 清楚了解已建立哪些管控措施、仍有哪些缺口，以及未來將如何逐步提升 AI 治理能力。
謝君豪表示，ISO／IEC 42001 標準主要涵蓋 AI 管理的範疇，還需加以搭配具體、結構化的評估工具鑑別風險，以量化企業實際 AI 治理成熟度，而 AIFF 不僅教導如何操作，更提供執行層面的細節指導，涵蓋更廣泛的應用情境與實用技巧。因此，建議企業可以考慮兩種不同的導入模式，首先，企業可以先運用 AIFF 模組來評估現況，透過成熟度分析與 AI MoT 驗證，了解自身在 AI 治理方面的實際表現。
對台灣企業而言，現階段最務實的策略是教育訓練，即使不必修習 BSI 的課程，也必須讓組織的各個層級，特別是高階主管，真正理解 AI 治理的核心重點與關鍵議題。若組織內部未能建立共識，後續推動相關改革將會面臨較大的困難，成功機率也會降低。
從盤點到治理 AI 落地藍圖
針對企業「知其要做、卻不知從何著手」的普遍困境，BSI 提出一套清晰的行動路線。首先是成立跨技術、法務、風險管理等多領域的專責「AI 治理委員會」，負責制定整體 AI 發展策略與規範。委員會隨後應進行詳盡盤點（AI Usage Audit），全面掌握內部已部署的應用、使用情境及所依賴的資料來源。釐清現況後，下一步則是「量化風險」，包含評估如資料隱私洩漏、演算法偏見、決策失誤等 AI 系統可能產生的風險，以掌握哪些場景需要更嚴格的管控並制定相應緩解措施。最後，再依風險評估結果明定「可接受與不可接受的使用範圍政策」，確保其符合倫理、法規與內部管理制度。
David Mudd 認為，提升團隊「AI 素養」更為重要，確保全員具備理解技術原理與風險的能力，這可透過內部培訓、外部課程或專業合作達成。BSI 的 AIFF 與相關教育訓練即是落實此目標的重要工具，提供一套標準化評估與治理流程，有助組織建立完善的 AI 管理系統，並透過 BSI 教育訓練深入掌握應對潛在 AI 風險的實用技能。
總之，AI 治理已不再只是法規遵循或資訊安全議題，而是企業導入 AI 能否持續擴大應用、取得客戶信任及建立市場競爭優勢的關鍵。當全球 AI 監管持續完善、供應鏈要求日益提高，愈早建立治理能力的企業，愈能在創新與風險之間取得平衡。對企業而言，AIFF 不只是一套治理工具，更是一條從成熟度評估走向國際標準的實踐路徑，協助組織穩健邁向可信任 AI。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
