資料最小化與分級
只處理達成目的所需資料。企業應區分公開、內部、機密與個資資料，並為每一類建立可使用、不可使用與需額外核准的規則。
治理與責任
可信任的 AI，必須保留人與制度的位置。
本頁提供企業評估與設計 AI 應用時的公開原則。它不取代法律、資安、個資、財務或其他專業意見；具體要求仍需依產業、資料與法規情境處理。
八項公開原則
從資料進來，到結果被採用之前。
權限與機密保護
依角色提供最小必要權限。涉及客戶、商業機密、合約、帳務或人事資料時，需先確認供應商條款、傳輸位置與保存方式。
著作權與來源標示
使用外部資料、圖片、文字或模型輸出時，應處理授權、來源、引用與可公開範圍；不把無法確認權利的內容當作可自由使用。
模型驗證與偏誤
AI 輸出可能錯誤、不完整或受輸入限制影響。重要結果要用合適來源、樣本與人員判斷檢查，不以「模型說了」作為理由。
人工覆核與升級
對高影響情境保留人工核准、修正、暫停與升級路徑。覆核者需要理解任務、限制與何時不應採用輸出。
紀錄保存與可追溯性
依需要記錄輸入類型、工具版本、處理步驟、人工修改與最終決定，以便品質檢討、稽核與事件處理。
供應商與資安風險
評估工具的帳號、權限、API、整合方式、事件回應與服務條款。不要因為工具易用，就省略基本的資安與採購檢查。
成效衡量與停止條件
事先定義要觀察的指標、比較期間與不適用情況。若風險升高、資料不可靠或沒有產生預期價值，應能停止或調整。
公開問答
先問清楚的問題，能避免後面更大的成本。
不可以。資料是否能輸入，需先依機密性、個資、合約、著作權與供應商條款判斷。應建立資料分級、可用工具清單與權限規則。
不應直接取代人員責任。涉及重大決策、例外情境或高風險資料時，需要合適的人員覆核、修正、升級與紀錄保存。
不一定。先釐清問題、資料品質、流程條件與使用者需求，通常比單純追求資料量更重要。資料不足時，也可能先做流程標準化或小範圍驗證。
不是。本頁提供一般治理原則；企業仍應依自身產業、地區、客戶要求、合約與法規，諮詢相應的法律、資安、個資或其他專業人員。