AI 幕僚是什麼？政府機關的六大應用情境與導入架構

「AI 幕僚」正快速成為政府數位治理的新關鍵詞：行政院已公開強調將 AI 更廣泛導入國家治理與公共服務，多家業者也陸續推出以政府為對象的 AI 幕僚產品。但 AI 幕僚到底是什麼？它與一般的聊天機器人、知識庫問答有什麼差別？政府機關導入時應該注意哪些架構與資安要求？本文提供完整的定義、六大應用情境與導入架構解析，供公部門評估參考。

AI 幕僚概念從哪裡來？

AI 幕僚是 copilot（副駕駛）概念從技術工具走進治理場域後的產物。copilot 一詞最早出現在程式開發輔助工具上，指的是一個坐在旁邊、隨時補上下一段程式碼的助手；第二階段延伸到企業辦公場景，變成會議紀錄整理、簡報草稿與郵件回覆的生產力工具；第三階段則進入組織決策層，開始處理「現在情勢如何、應該怎麼決定」這類問題。政府 AI 幕僚屬於第三階段，服務對象不是個別承辦人的文書作業，而是首長與幕僚群的情勢掌握與決策流程。

在台灣的脈絡下，這個概念的成形有兩條線。一條是政策面：行政院已公開推動將 AI 更廣泛導入國家治理與公共服務，並發布公務機關使用生成式 AI 的參考指引，讓機關在資料保護、人工審核與責任歸屬上有一致的行為準則，導入不再只是各機關自行摸索。另一條是實務面：機關長期使用的輿情監測系統累積了大量外部資料處理經驗，生成式 AI 出現後，這些資料從「報表」升級為「可以被問、可以被研判」的素材，兩者結合便長出新的產品型態。

因此「AI 幕僚」逐漸成為政府數位治理討論中的品類詞，用來區隔它與通用聊天工具、文件問答系統的定位差異。當機關在採購文件上寫下 AI 幕僚，指的應該是一套能主動監測外部情勢、結合內部知識、並產出可追溯決策建議的系統。

AI 幕僚與聊天機器人、知識庫問答的差別

許多機關已經導入生成式 AI 聊天機器人或知識庫問答系統，這些工具擅長找公文、摘要資料、回答法規問題。但首長幕僚的日常工作不是「回答問題」，而是「發現問題」：今天最需要注意的三件事是什麼？哪個議題正在升溫？哪個局處可能被質詢？媒體接下來會從什麼角度追問？

因此判斷一套系統是否稱得上 AI 幕僚，可以檢視三個能力：第一，是否主動監測並推送，而非被動等人提問；第二，是否同時結合外部輿情與內部知識，而非只依賴上傳文件；第三，是否能從分析走到建議與追蹤，而非給出一段答案就結束。

把三種工具並排比較，可以看出它們回答的其實是三個不同的問題。這三者並非互斥，多數機關最終會同時擁有，但採購時若把定位混為一談，就容易買到不符期待的系統：

AI 幕僚如何運作？五階段模型解析

AI 幕僚的運作可以拆解為 AI 幕僚五階段模型：感知、理解、研判、建議、追蹤。這五個階段是一條資料轉換鏈，前一階段的產出是後一階段的輸入，任何一段缺席，整套系統就會退化成別的東西——只有感知是輿情儀表板，只到理解是分析報告工具，缺了追蹤則是產完報告就結束的一次性服務。機關評估系統時，可以直接用這五階段檢視供應商實際交付到哪一段。

一、感知：把外部世界變成可處理的資料流

感知階段持續把新聞、社群、論壇與機關自有資料收進系統，形成一條即時資料流。這一段的品質決定整套系統的天花板：來源涵蓋率不足，後面再強的模型也研判不出機關真正需要知道的事。實務上要處理來源清單維護、重複內容合併，以及聲量突然拉高時的異常訊號偵測。InfoMiner 監測超過十萬個頻道，即是為了讓感知階段具備足夠的覆蓋廣度。

二、理解：從一堆訊息整理出事件脈絡

感知拿到的是散落的單篇內容，理解階段要回答的是這些內容彼此有什麼關係。系統把同一起事件的報導、貼文與留言歸為一組，標記議題分類與情緒傾向，並沿時間軸整理出事件如何開始、經過哪些轉折。這一段的價值在於把大量相關報導壓縮成幾個議題，讓幕僚不必逐則閱讀就能掌握輪廓。

三、研判：判斷嚴重程度與可能走向

研判階段在事件脈絡之上加上風險評估：嚴重程度是高是低、可能擴散到哪些平台、是否牽動其他局處業務。輸出是風險等級與影響範圍評估，而非單純的聲量數字。這一段必須嚴格區分事實與推論——已確認的事實標明來源，模型的推測標示為推測，避免長官在決策時把兩者混為一談。

四、建議：把研判轉成可以選的行動

建議階段是 AI 幕僚與純分析工具的分水嶺。系統結合研判結果與機關內部知識（過去的處置慣例、既有政策立場、相關法規），產出幾個可行的回應選項與處置優先順序，說明各選項的適用時機與可能後果，讓長官在選項之間做決定，而不是從空白頁開始構思。所有建議都應附上依據來源，供幕僚在採用前覆核。

五、追蹤：確認做了之後有沒有效

追蹤階段把決策變回可管理的事項：誰負責、期限何時、目前進度、是否逾期，以及最關鍵的——處置之後輿情有沒有改變。系統以交辦清單追蹤執行狀態，並比對處置前後的聲量與情緒變化，形成成效比對。有了這一段，機關才能累積「哪一種回應方式在哪一類議題上有效」的經驗，下一次的建議階段也才有機關自身的歷史依據可用。

政府機關的六大應用情境

一、首長每日情報簡報

每天自動彙整今日重點施政議題、輿情升溫事件、主要支持與反對論點、媒體關注角度與建議處置優先順序。首長不必等幕僚人工剪報，上班前即可掌握全局。

典型產出內容為固定的每日首長簡報六欄位：今日三大議題／輿情升溫事件／主要論點整理／媒體關注角度／相關局處與建議優先順序／昨日議題追蹤。欄位固定的好處是首長每天用同一套結構閱讀，不必重新適應版面，也方便橫向比較不同日期的情勢變化；最後一欄的昨日議題追蹤則讓簡報不只是當日快照，而能看出議題是在收斂還是持續發酵。實際導入機關的經驗是，人工彙整需要 4 小時的輿情報告，可壓縮到 30 分鐘完成。

二、重大事件研判

突發事件發生時，AI 自動整理事件時間軸、已知與未知資訊、各平台輿情變化、主要質疑與錯誤訊息、利害關係人立場，協助機關在最短時間內形成正確的情勢判斷。

典型產出為一份事件研判報告，欄位包含：事件時間軸／目前已知與未知資訊／各平台輿情變化／主要質疑與錯誤訊息／利害關係人立場／媒體可能追問／建議回應口徑／後續需追蹤事項。其中「目前已知與未知資訊」這一欄在突發狀況下特別關鍵——把還沒查證的部分明確列出來，可以避免機關在資訊不足時對外做出後續難以收回的表述；「主要質疑與錯誤訊息」則協助承辦人分辨哪些是需要正面回應的合理質疑，哪些是應該澄清的不實傳言。

三、政策風險預警

政策推動前後持續追蹤相關議題的討論聲量與情緒變化，在負面輿論尚在萌芽階段就發出警示，讓機關能在爭議擴大前調整溝通策略或主動澄清。

典型產出是 24 小時即時預警通知，內容包含觸發預警的議題名稱、聲量與情緒的變化幅度、最早出現的來源與擴散路徑、目前參與討論的主要社群或平台，以及建議由哪個局處先行確認事實。預警的設計重點不在推播數量，而在門檻可依議題調整：重大政策推動期間可調高敏感度，平常時期則維持較寬的門檻，避免承辦人被大量低價值通知淹沒而漸漸忽略警示。

四、議會質詢準備

輸入議員、政策或議題，系統整理過去質詢與發言紀錄、近期媒體及社群討論、可能追問問題、政策弱點與事實數據依據，產出建議答覆架構，並附可回溯的原始資料。

典型產出為一份備詢資料，欄位包含：議題名稱與風險等級／可能的提問方式（含追問路徑）／已確認事實與數據依據／建議答覆架構／不宜使用的說法／相關歷史承諾與辦理情形／原始資料連結。「相關歷史承諾與辦理情形」是人工準備時最容易漏掉的一項——過去在議場上做過的承諾若沒有一併整理，答詢時容易出現前後不一致；而「可能的提問方式（含追問路徑）」則讓長官預先演練第二層、第三層追問，而不只準備第一個問題的答案。

五、媒體問答準備

針對記者會或媒體詢問，AI 依當前輿情整理媒體可能追問的角度、建議回應口徑與不宜使用的說法，並區分已確認事實與尚待查證事項，降低對外溝通的風險。

典型產出包含四個部分：依當前輿情排序的媒體可能追問清單、每個問題的建議回應口徑、應避免使用的措辭與理由，以及已確認事實與待查證事項的分欄對照。系統會標示各家媒體近期在該議題上的關注角度差異，讓機關在受訪前知道不同記者可能切入的方向。所有口徑建議仍屬草稿性質，須由新聞聯絡人與業務單位覆核後才對外使用。

六、交辦事項追蹤

真正的幕僚不只寫報告，還要追蹤後續：誰負責、何時完成、目前進度、是否逾期、輿情是否改善。AI 幕僚將決策建議轉為交辦清單並持續回報，形成完整的施政管理循環。

典型產出為一份交辦追蹤清單，每筆項目記錄：來源議題、承辦局處、負責人、期限、目前狀態、逾期天數，以及處置前後的輿情比對結果。與一般列管系統的差別在於最後一欄——系統會把交辦事項與原始議題綁定，處置完成後自動比對該議題的聲量與情緒是否回落，讓機關看得到「做了之後有沒有效」，而不只是「有沒有做完」。這些比對紀錄累積下來，就成為下次研判與建議階段可引用的機關內部經驗。

導入架構：外部情報層、內部知識層與信任機制

完整的政府 AI 幕僚系統通常由三層組成。外部情報層負責持續蒐集新聞、社群與論壇資料，進行議題監測、情緒分析與異常預警；內部知識層將政策資料、歷史公文、首長裁示、議會答詢、法規與會議紀錄整合為可檢索的知識庫（RAG 架構）；信任機制層則確保每個結論可追溯來源、事實與 AI 推論清楚分離，並保留人工審核與稽核紀錄。

資安方面，政府導入時應確認：資料主機座落於台灣境內、支援私有部署（On-Premise）選項、具備角色式存取控制與模型使用紀錄，並符合機關資安規範。以 LargitData 的產品組合為例，InfoMiner 負責外部情報層，RAGi 負責內部知識層，兩者皆支援地端部署與政府共契採購。

一、外部情報層：讓系統知道外面正在發生什麼

外部情報層是政府 AI 幕僚與一般企業 AI 助理最大的結構差異，讓系統在無人提問時也知道今天發生了什麼。評估重點是來源涵蓋率與更新頻率：涵蓋不足會漏掉議題最早的擴散點，更新太慢則讓預警失去意義。InfoMiner 監測超過十萬個頻道並支援 24 小時即時預警，即是這一層的具體實作。別人的 AI 幕僚從文件開始，InfoMiner 的 AI 施政幕僚從正在發生的事情開始。

二、內部知識層：讓回答貼合機關脈絡

內部知識層把政策說明資料、歷史公文、首長裁示、議會答詢紀錄、相關法規與會議紀錄整理成可檢索的知識庫，技術上以 RAG（檢索增強生成）為核心：模型回答前先從機關文件中檢索相關段落，再依據這些段落生成內容，而不是憑訓練記憶作答。這一層決定產出是通用答案還是機關答案——同一個議題，不同機關的立場、既有承諾與業務分工都不同，沒有內部知識層，建議階段就只能給出放諸四海皆準的空話。RAG 的運作原理可參考什麼是 RAG？一文。

三、信任機制層：讓長官敢用、稽核查得到

信任機制層處理政府場域的特殊要求：每個結論都要能點回原始資料來源，畫面上清楚區分已確認事實、輿情觀察與 AI 推論，並保留人工審核與稽核紀錄。缺了這一層，前兩層做得再好，長官被追問資料出處時仍然不敢引用系統產出。具體檢核項目包括：引用連結是否可點回原文、事實與推論是否分別標示、模型使用紀錄是否留存、角色式存取控制是否到位，以及資料主機是否在台灣境內、是否具備 ISO 27001 驗證。

導入路徑：從輿情監測到完整 AI 幕僚

機關不必一次到位。實務上可行的路徑是三個階段：先啟用外部輿情監測與每日簡報，再整合內部知識庫，最後打開研判建議與交辦追蹤的閉環。這個順序的邏輯是「啟用門檻由低到高」——第一階段幾乎不需要機關投入資料整理，第三階段則需要前兩階段累積的資料與使用習慣做基礎。

第一階段：外部輿情監測與每日簡報

啟用條件最單純：機關只需提供關注的議題關鍵字、局處分工與收件名單，不需提供任何內部資料。透過政府共同供應契約採購，這一階段有兩週上線的實績。產出是每日簡報與異常警示，對應五階段模型的感知與理解。這一階段的意義在於先讓長官與幕僚建立每天看簡報的習慣，並在實際使用中校正關注議題與預警門檻。

第二階段：整合內部知識庫

啟用條件是機關願意提供並整理內部資料：政策說明資料、歷史新聞稿、議會答詢紀錄、常見問答與相關法規。這些資料經知識庫化後，系統的產出開始帶有機關自身的脈絡——備詢資料能引用過去的答詢紀錄，媒體問答能對齊既有政策立場。這一階段的時程主要取決於資料整理狀況，而非技術部署；建議從單一業務領域先做，驗證檢索品質後再擴大範圍。

第三階段：研判建議與交辦追蹤閉環

啟用條件是前兩階段已穩定運作，且機關內部確立人工審核流程與交辦權責。此時系統開始產出風險等級評估、回應選項與處置優先順序，並把採納的建議轉為交辦清單，後續比對處置前後的輿情變化。這一階段對應研判、建議與追蹤，也是 AI 幕僚與輿情分析系統拉開差距之處。閉環成形後，機關便開始累積自己的處置成效資料。

評估檢核清單：機關導入前的六個問題

• 系統是否有長期、即時且完整的外部資料來源，而非僅依賴上傳文件？
• 是否能每天主動產出簡報，並依首長、局處、幕僚等角色提供不同深度？
• 每個結論是否能點回原始資料來源，供長官與稽核查證？
• 畫面是否清楚區分已確認事實、輿情觀察、AI 推論與建議行動？
• 是否支援從分析走到交辦與追蹤，形成施政管理閉環？
• 是否符合資料主權、私有部署與機關資安稽核要求？