AI 決策責任歸屬：行銷自動化出事的時候，誰的名字在核准欄

AI 從產草稿走到直接動客人之後，最缺的不是更好的模型，是一個寫下來的核准欄。

一封已經寄出去的信，沒有按鈕可以收回

一封 EDM 寄出去之後，沒有任何按鈕可以把它收回來。一則推播落到手機通知列上，一樣收不回來。一張已經被領走的折價券，撤銷了會變成客訴。

這些事在人工操作的年代也存在，只是被人的手速限制住了規模。過去兩年，AI 在行銷團隊裡的位置從「幫你寫初稿」變成「幫你把事情做完」：圈受眾、寫文案、排時程、發送、回覆客人的第一句話。做完的意思是，已經動到客人了。

IBM 在 2025 年 7 月 30 日發布的《Cost of a Data Breach Report 2025》，由 Ponemon Institute 研究 600 家在 2024 年 3 月到 2025 年 2 月間發生資料外洩的組織。其中 63% 表示自己沒有 AI 治理政策或者還在制定；13% 通報自家 AI 模型或應用曾被入侵，這些組織裡有 97% 承認沒有適當的 AI 存取控制。這份調查衡量的是資安，不是行銷簽核，但揭露的缺口是同一個。

能力先進來，責任還沒跟上。工具已經可以一鍵發五萬則推播，核准這件事還停留在「群組裡有人說可以」的階段。

那個下午，三個群組同時問同一句話

我們把這個缺口放進品牌常見的場景：客服信箱開始湧進「為什麼會收到別人的優惠」，行銷、IT、客服三個群組同時追問誰核准了這份名單，卻找不到最後一次調整與放行的紀錄。問題不在有人推責任，而在流程從來沒有要求任何人留下答案。

哪些 AI 動作可以放手，哪些必須有人簽名

要把核准寫下來，先要能區分哪些動作值得花人的時間。以下是本文為了做這個區分而提出的三條判斷軸，並非產業公認標準。

三條軸各給高中低，交叉之後落在下面四種處置。判定有先後：動作只要牽涉法規遵循、個資利用、差別待遇或顧客既有權益，直接進最嚴的那一格，不再看金額；其餘再依可逆性與財務曝險排。門檻由業務負責人與法遵或資料權責者一起訂，每季重看，不由執行的人自己認定。

全自動放手

三條軸都低。內部報表產製、資料整理、名單初步篩選、文案草稿。出錯的代價是浪費一次工，不需要有人簽名，需要的是事後查得到紀錄。

事後抽樣

對外可見、後續影響可以停止、金額低。網站商品推薦排序、站內個人化區塊。這類動作能停掉後續曝光，但已經被看到的內容回不到未曾出現的狀態，所以抽樣要看的是停得夠不夠快、要不要補償。價格、資格條件、敏感屬性推論即使改得回來，仍應歸到要簽的那兩格。

逐案人簽

對外可見，且已發生的影響難以補償。主動發出去的訊息大多落在這裡，推播、EDM、簡訊、通訊軟體訊息。實務上再分三種：全新內容逐次核准；已核准過的規則與模板由 agent 在範圍內執行；依法或依契約必要的交易通知不逐案簽，但模板與觸發條件要有人核准過。超過人數、頻率或敏感條件門檻時升級。

雙人簽核

對外可見、影響難補償、金額高，或命中前面說的法規與權益風險。折扣規則變更、優惠券發放條件、會員等級調整、廣告預算大幅調配。兩個簽名要來自不同責任視角，例如業務負責人加財務，或業務負責人加法遵與資料權責者，並事先定好代理人與利益衝突迴避規則，避免第二個簽名只是多一個圖章。

先講清楚一件事：這篇談的是人的流程與責任分工，不是平台功能。平台能不能集中註冊 agent、管權限、留稽核紀錄，屬於工具能力，我們談 Gemini Enterprise Agent Platform 那篇處理的是那一層。工具給你按鈕，流程決定誰有資格按。

公開紀錄裡，責任從來沒有落在系統身上

自動化出事之後會發生什麼，不需要推測。有三個公開案例把答案寫在裁處文件和財報上，剛好各自落在上面三條軸的一端。以下只寫公開資料能證明的部分，超出的推論會標示為本文判斷。

一套沒人驗過準確度的臉部辨識

2023 年 12 月，美國聯邦貿易委員會（FTC）與連鎖藥妝零售商 Rite Aid 達成和解，禁止該公司在五年內把臉部辨識用於監控目的（FTC 發稿當時，該命令尚待破產法院與聯邦地院核准）。依 FTC 訴狀，Rite Aid 在 2012 到 2020 年間於數百家門市部署以 AI 為基礎的臉部辨識，用來找出可能行竊的顧客。系統產生數千次誤判，店員依據誤判警示跟蹤顧客、對他們搜身、要求離場、報警處理，並且公開指控他們行竊，有時是在他們的朋友或家人面前。公司沒有告知顧客店內在用這項技術，員工還被勸阻不要透露。

FTC 訴狀列的疏失涵蓋部署前沒有測試或詢問過準確度、低品質影像未被阻擋、部署後沒有追蹤誤判率與後續處置、操作員工沒有被告知系統會誤判。這些屬於技術控制的範圍，換成人的問題只有三句：部署前誰有權說不、核准的人拿到了哪些測試證據、部署後誰有權停用。要誠實說明的是，FTC 文件證明的是合理防護不足，並沒有交代 Rite Aid 當時是否存在核准欄，所以本文不把這起事故直接歸因於無人簽核。

和解命令要求的事同時橫跨技術與組織：刪除蒐集的影像與用這些影像訓練出的演算法與產品、建立資訊安全計畫、通知受系統輸出影響的顧客、對申訴書面回覆、接受獨立第三方評估，並由執行長每年出具遵循證明。本文關注最後一項：在所有技術控制之外，仍要有一位具名的高階主管確認組織確實照做了。

演算法直接動錢，三億美元只是第一筆

2021 年 11 月 2 日，Zillow Group 宣布關閉自己買房再賣房的 Zillow Offers。同一份第三季財報新聞稿寫著，Homes 部門認列約 3.04 億美元的存貨減記，原因是第三季買進房屋的價格高於公司當時對未來售價的估計；公司並預期第四季再認列 2.4 億到 2.65 億美元損失。共同創辦人與執行長 Rich Barton 的原話是，預測房價的不可預測性遠超公司先前的預期。這次收攤伴隨約 25% 的人力縮減。

公開財報證明的只有三件事：房價預測的不確定性、擴張造成的資產負債表波動，以及那筆減記。財報沒有揭露 Zillow 當時的人工核准設計，因此這個案子只能用來說明預測誤差乘上交易規模之後的量級。任何估價都會留下誤差，Zillow 的難處在於誤差與收購規模同時放大。

行銷團隊沒有在買房子，但有幾件事結構相似：自動化的折扣規則、優惠券發放條件、依模型分數自動調配的廣告預算。這些動作單筆金額都很小，小到讓人覺得不需要簽名。該看的是單筆金額乘上執行次數。

自動執行不會改變規則由企業設定的事實

2023 年 9 月，美國平等就業機會委員會（EEOC）與線上教學公司 iTutorGroup 就一起招募歧視訴訟達成 36.5 萬美元和解。依 EEOC 訴狀主張，該公司把導師申請軟體設定成自動拒絕 55 歲以上的女性與 60 歲以上的男性申請者，逾 200 位合格的美國申請者因此被擋掉。和解要求除了賠償，還包含持續訓練參與招募的人員、發布新的反歧視政策、禁止索取申請者出生日期，並由 EEOC 監督至少五年。

這是自動化決策的案例，不是生成式模型判斷的案例，EEOC 公告稱它為申請軟體。放在這裡的理由是同一套責任原則也適用於 AI agent 的自動執行：篩選規則是人明確寫進系統的，設定是人做的，責任跟著設定走。自動化讓同一件事做得更快、更難追，卻不會讓責任轉移到系統身上。

三個案例不能證明法院曾駁回「這是系統決定的」這種抗辯，其中兩件是和解、一件根本不是訴訟。它們共同顯示的是另一件事：對外責任落在部署、設定或擴大使用系統的組織身上，沒有任何一份文件把系統本身列為責任主體。

責任成立前，權力、證據與停送機制缺一不可

多數團隊把這件事理解成「AI 會出錯，所以要防」，於是一路加更多技術檢查。技術檢查該做，但它處理的是準確度，處理不了歸屬。

卡住的地方通常在於，核准在很多團隊裡並不是一個動作，而是一種氣氛。沒有人明確被指定，也沒有人明確拒絕，事情就這樣過去了。要讓責任真的有人接得住，需要三件事同時成立：

1. 有人有權說不，而且說不之後不會被當成擋事的人。
2. 那個人手上有足以判斷的證據，不只是一句「這一波發沉睡客」。
3. 他說不之後，系統真的會停，不是繼續跑到下一個排程。

第三件最容易被忽略，因為它牽涉到一個很少被問到的細節：按停之後是真的停，還是只是不再新增，已經在發送隊列裡的那批照樣送出去。

「有人負責」也不等於只有一個人負責。一個能運作的分工至少要拆出四種角色：

1. 業務負責人：決定要不要做、風險額度多少、放不放行。
2. 操作者：設定條件、備齊證據、提交核准，不因為按了送出就變成最終責任人。
3. 法遵與資料權責者：處理個資利用、差別待遇與高風險例外。
4. 事故負責人：出事時負責停送、通知、補救與對外說明。

要補一句避免誤讀的話：具名核准的作用是確認決策權與證據留痕，不是把公司的法律責任推到簽名的那位員工頭上。品牌是法人，責任不會因為某個人簽了字就轉移出去。

美國國家標準與技術研究院（NIST）的 AI 風險管理框架把課責列為治理的主要組成之一，GOVERN 2.1 講得很直接：「Roles and responsibilities and lines of communication related to mapping, measuring, and managing AI risks are documented and are clear to individuals and teams throughout the organization」。適用範圍要講清楚：這是 NIST 發布的自願性框架，屬於美國體系，台灣品牌沒有遵守它的法律義務。值得借的只有一個順序，它把「寫下來，而且讓組織上下都清楚」放在所有技術控制之前。

台灣自己也在往這個方向走。《人工智慧基本法》2025 年 12 月 23 日三讀通過，2026 年 1 月 14 日由總統公布；數位發展部的新聞稿列出政府推動 AI 應遵循的原則，其中包含「人類自主」與「問責」。這部法規範的是政府推動 AI 的原則方向，不是直接對品牌開罰的行為規則，各目的事業主管機關的風險管理規範還在後面。把問責寫進原則清單，指向往後的監理會往哪裡去。

現在就會罰到品牌的，是個資法。個人資料保護法第 20 條第 2 項寫得很短：「非公務機關依前項規定利用個人資料行銷者，當事人表示拒絕接受行銷時，應即停止利用其個人資料行銷。」第 3 項要求首次行銷就要提供拒絕的方式，費用由業者自己負擔。同法第 48 條對違反這兩項訂了罰則，主管機關可令其限期改正，屆期未改正則按次處罰。查條文時要注意，個資法 2025 年修正有部分條文施行日期由行政院另定，適用哪一版要看施行狀態。

翻成自動化流程的檢查項就很具體：agent 圈出來的那份名單裡，有沒有已經表示拒絕行銷的人。這個問題必須在發送之前問，因為說不清會員資料從哪裡來、又流向哪裡，本身就是零售品牌的風險，而信一寄出去就沒有回頭路。

本篇只談人的流程與責任；想找技術機制，請對號入座：

1. 讓 agent 自己反覆檢查到對為止，是輸出準確度的問題，看AI agent 幫你做行銷，誰幫 AI 檢查對錯。
2. 把好壞寫成可重複的評分標準、用模型替模型評分，是衡量進退步的問題，看用評估框架與 LLM 評審科學化衡量。
3. 選平台時逐層檢查對方的資安設計，是採購階段的功課，看AI Agent 平台的資安五層檢查表。

這幾件事做到底可以讓 AI 少犯很多錯，但沒有一件會回答出事時誰承擔。承擔的只能是人，而且必須是叫得出名字的角色。

簽核變成橡皮圖章，多半是因為簽的人看不到東西

要求主管簽名很容易，讓那個簽名有意義很難。難的原因通常不在主管不認真，而在他手上只有一句「這一波推播要發給沉睡客」。憑這句話，他判斷不了任何事。

一張能真的用來判斷的核准單，至少要能回答這幾件事：

1. 這份名單用什麼條件圈出來的，條件寫在哪裡，誰改過。
2. 圈到幾個人，跟上一波的重疊比例多少。同一批人連續被打三次，退訂與封鎖會一起上來。
3. 排除了誰。已表示拒絕行銷的、近期已收到同類訊息的、正在客訴處理中的，有沒有被排掉。
4. 如果內容或對象錯了，影響範圍多大，哪些部分還來得及攔。
5. 這個判斷依據的是什麼時候的資料。用三週前的分群結果發今天的訊息，本身就是一種誤差。

這五個問題同時需要資料證據與流程紀律：流程規定要問，資料決定問得出答案。很多品牌在自動化這一步卡住的真正原因，是想簽的人手上沒有東西可看。

會員識別與互動資料能在顧客數據平台（CDMP，Customer Data Management Platform）裡一致管理之後，簽核的人比較容易核對受眾來源、排除條件與上一波的重疊。實際能回溯到什麼程度，仍取決於品牌用的平台、串接方式與紀錄保留政策，導入本身不等於自動具備完整稽核能力。

分工可以很清楚。agent 負責圈名單、產文案、排時程、把待辦攤在你面前；人負責決定圈誰、為什麼是現在、要驗證什麼、簽不簽。91APP 團隊在服務品牌時一貫的說法是 AI 算算力、人下決策，落到自動化行銷的操作面要再細一點：人先核准目的、規則與風險額度，低風險個案由 agent 在核准範圍內執行，高風險與例外再回到人手上。

先把核准欄的名字填上

這件事不需要立專案，一個下午就能開始。以下五個動作按可以立刻做的順序排列。

1. 把已經在自動跑的動作全部列出來，按三條軸各給高中低，並把法規與顧客權益風險單獨標出來。列完通常會發現，最該有人簽的那兩三個動作剛好沒有人簽（預期效果：找出真正的責任缺口，避免憑感覺亂加關卡；建議週期：先做一次，之後每季重看）。
2. 為每個要人簽的動作定一張核准單，只放簽核者真正需要的證據：名單筆數、圈選條件、排除規則、與上一波的重疊、拒絕行銷名單是否已排除、發錯的影響與可攔截範圍（預期效果：把簽名從形式變成判斷；建議週期：兩週內完成風險最高的前三張）。
3. 把四種角色寫進表上：誰是業務負責人、誰是操作者、誰處理個資與差別待遇例外、出事時誰負責停送與對外說明（預期效果：避免簽名集中在一個人身上，也避免出事時沒人接手；建議週期：與核准單同批完成）。
4. 把「說不之後會發生什麼」一起寫下來：誰有權按停、按停之後是真的停還是只是不再新增、已送出的部分怎麼處理、要不要主動對顧客說明（預期效果：在事情發生前就辨識出哪些部分回不去；建議週期：與核准單同批完成）。
5. 給簽核設服務時間，並明訂免簽清單與預先核准的模板。逾時沒回覆就自動退回申請人，不採自動放行（預期效果：避免核准變成瓶頸，也避免有人用來不及當理由跳過；建議週期：上線後第一個月觀察退回率與逾時率）。

第一版責任表與核准單用既有的表單或協作文件就能完成，不必先買系統。要補的是查得到的紀錄：如果現有的 CRM、發送平台或資料倉儲翻不出受眾版本、排除名單與發送紀錄，才需要考慮補串接或平台能力。這件事的本質是用經理人的思維去設計 AI 的工作流，交辦、驗收、承擔本來就是管理的內容，只是被交辦的對象換成了 agent。

核准欄有名字的自動化，才是可以擴大的自動化

回到那個下午。三個群組同時在問「這是誰放的」，最難受的地方在於，這個問題本來應該在事情發生之前就有答案。

把答案先寫下來，目的不是為了萬一出事時有人可以怪，是為了讓團隊敢把更多事情交給 AI 做。一個沒有人負責的自動化流程，最後只會被縮到最小、被層層加審、被大家默默繞過。責任分工清楚的團隊反而有底氣往前推，因為每一格都知道錯了誰接手、怎麼收。

台灣品牌手上的資料量與通路複雜度都在增加，AI 能不能用到深處，最後看的是簽名這件事有沒有被認真設計過。核准欄不需要很多人，需要有名字。

品牌最常問的 AI 決策責任問題

Q1：AI 決策責任歸屬到底在講什麼？

A1：講的是當 AI 或 agent 直接做出會影響客人的動作時，誰在事前核准、事後承擔。它包含三件具體的事：哪些動作必須有人簽名、簽名的人要看到哪些證據、他說不之後系統是否真的會停。這是流程與權責的設計，跟模型技術設定是兩回事。

Q2：這跟讓 AI 自己驗證輸出有什麼不同？

A2：兩者處理不同的問題。讓 AI 自己反覆檢查，處理的是輸出準不準；人的簽核處理的是出事時誰承擔。技術驗證做得再好，也無法在客訴發生時代替一位具名的人向顧客與主管機關解釋。兩層要同時存在，前者降低錯誤率，後者決定責任落點。

Q3：預算和人力有限的小品牌怎麼做？

A3：從最會出事的那一格開始就夠了，也就是對外可見又難以補償的主動發送。先把這類動作列出來、指定核准的人與出事時的處理人、規定核准前要看名單筆數與排除規則。這幾步不需要新系統，用現有的表單或協作文件就能開始。

Q4：導入簽核會不會拖慢行銷節奏？

A4：會不會拖慢，取決於有沒有同時定免簽清單、預先核准的模板與服務時間。只加關卡不定豁免，核准一定變瓶頸。可行的做法是把低風險動作與已核准模板正式列為免簽、把要簽的動作限縮在少數幾格，並規定逾時自動退回而不採自動放行。

Q5：需要買什麼工具才做得到？

A5：第一版責任表與核准單用現有工具就能跑。真正需要補的是證據：名單怎麼圈的、排除了誰、與上一波重疊多少、發送紀錄在哪裡。先把核准單的欄位定出來，再回頭看現有的 CRM、發送平台或資料倉儲缺哪一格；查不出來的部分，才是需要補串接或顧客數據平台能力的地方。

Q6：最常見的誤解是什麼？

A6：最常見的誤解是把簽核當成不信任 AI 的表現。責任分工清楚的團隊敢交給 AI 的事情反而更多，因為每一格都知道錯了誰接手。另一個常見誤解是以為「照系統設定執行」可以當抗辯，公開案例顯示對外責任仍落在設定與部署系統的組織身上。

延伸閱讀

1. 當 AI 變成「非人類身分」：MCP 時代零售品牌的資料安全與治理
2. 哪些任務該做成 AI Skill、哪些不該？一個行銷主管的投入判斷框架
3. Meta Ads CLI 是什麼：官方 AI Connectors 如何把重複的廣告投放變成可自動化的指令

想把上面的核准單欄位對回自家的會員資料現況，看看哪一格查得出來、哪一格還缺，歡迎與 91APP 的數據顧問團隊聊聊。