1. 引言：當 AI 開始「以訛傳訛」

在推動企業 AI 轉型的過程中，許多決策者常陷入「資料量即智慧量」的迷思，認為只要將所有對帳結論、審核紀錄與心得通通餵進知識庫，AI 就會變得無所不知。然而，現實往往相反：若缺乏嚴密的過濾機制，AI 會引用過時的統計數據回答當前的問題，甚至將某次偶發的誤判經驗視為標準作業程序。

身為治理顧問，我必須嚴肅提醒：不加分類的資料導入，並不會讓組織變得聰明，反而會導致「以訛傳訛，只是速度變快了」。要讓 AI 真正成為戰力，我們必須在知識庫門口建立四道防火牆，透過「資料分類模型」確保每一筆進入系統的資訊都具備應有的資產價值。

2. 驚人的發現：傳統的二分法為何失效？

傳統資訊管理習慣將資料簡單分為「知識」與「紀錄」。但在 AI 治理的實務走查中，這種二分法會導致嚴重的治理真空。請看以下兩個典型的「高價值灰色地帶」案例：

• 案例 B004（統計類事實）： 「上月件數下降 83.3%」。若歸類為「知識」，AI 在下一季仍會引用這份過時事實；若視為「紀錄」，它又不屬於任何單一案件，導致寶貴的趨勢觀察被遺忘在角落。
• 案例 M005（經驗類假設）： 「系統症狀信要先檢查有無期限」。這是一次誤判後歸納出的教訓。若直接入庫，AI 會將尚未驗證的「猜測」當成「真理」自動化放大；若埋進案件紀錄，則下一個承辦人註定會重複同樣的錯誤。

> 「二分法的問題在於，它逼你在『當成真理』與『當成垃圾』之間二選一——而組織裡最有價值的『歷史經驗』，恰好兩者都不是。」

3. 第一個關鍵 takeaway：資料分類的「四分法」模型

為了達成精準治理，我們必須揚棄二分法，改採「四分法」模型，並為每一類資料制定專屬的治理屬性：

1. 固定知識 (Fixed Knowledge)

• 定義： 已驗證、已定版且具備通用指導意義的標準（如 FAQ、SOP）。
• 治理規則： 不可變動（僅限版本更新）；存放於正式知識庫。
• 引用權限： 完全開放 AI 引用。
• 錯置風險： 若誤入過時版本，將導致 AI 提供錯誤決策依據。

2. 個別案件 (Individual Cases)

• 定義： 發生在特定單一案件中的事實與審核軌跡。
• 治理規則： 強制攜帶唯一身分標識（ID）。這是為了防止數據脫離脈絡後，被 AI 誤當成通則。
• 引用權限： 嚴禁跨案引用。
• 錯置風險： 若遺失 ID，個案特例可能被 AI 誤判為組織通則。

3. 歷史經驗 (Historical Experience)

• 定義： 從個案中歸納出的假設或教訓（如 M005），尚在驗證中。
• 治理規則： 唯一具備「可變性」的類別。允許根據新證據修訂，存放於候選知識佇列。
• 引用權限： 升級前禁止 AI 引用。
• 錯置風險： 若直接視為知識，AI 將擴大未經驗證的偏差判斷。

4. 執行紀錄 (Execution Records)

• 定義： 系統自動產生的 Log、軌跡或單期統計數據（如 B004）。
• 治理規則： 不可變動；存放於日誌系統或 Trace 檔。
• 引用權限： 禁止 AI 作為知識引用。
• 錯置風險： 若混入知識庫，會產生「過時數據毒化」現象。

4. 第二個關鍵 takeaway：AI 引用白名單——防範「幻覺」的最後防線

為了從根源消除 AI 幻覺（Hallucination），資料分類模型設有一項強制性的技術約束：AI 引用白名單僅限「固定知識」。

這項規則背後的專業邏輯在於：

• 防止個案污染： A 案的特殊通融原因不能成為處理 B 案的標準。強制禁止跨案引用，能確保 AI 不會因偶發事件而產生邏輯偏移。
• 確保背書權威： 在「歷史經驗」通過驗證升級為「固定知識」前，即使其價值再高，也不允許 AI 調用。這確保了 AI 輸出的每一句話都具備組織認可的法效性與正確性。

5. 第三個關鍵 takeaway：嚴格的升級路徑——人工智慧需要「人工」把關

資料要轉化為資產，必須經過嚴謹的升級路徑，這不僅是流程，更是「法律責任」的界定：

• 唯一升級路徑：個別案件 → 歷史經驗 → 固定知識
• 核心禁令：不存在「案件直升知識」的通道

身為資深顧問，我必須強調：「歸納是人做的判斷，定版是人負的責任。」 機器可以協助運算，但從個案事實提煉成經驗，再到定案為組織知識，每一步都必須經過人工審核。這種「人機協作」的本質在於責任歸屬（Accountability）——只有人能為組織的真理負責。

6. 實踐工具：判準決策樹的四個核心問題

在面對紛雜的資料時，請引導團隊依照以下決策樹進行檢核。請注意，問題順序具有重大的治理意義：我們必須先排除客觀事實，最後才討論主觀通則。

1. 是系統自動產生的軌跡或統計嗎？ （若是 → 執行紀錄）
2. 是具備特定 ID 的單一案件事實嗎？ （若是 → 個別案件）
3. 對未來案件成立，且已驗證、已定版嗎？ （若是 → 固定知識）
4. 是目前「可能」成立但尚未驗證的假設嗎？ （若是 → 歷史經驗）

優先執行前兩個問題的篩選，能有效排除 80% 以上的「資料錯置事故」，防止過時統計或個案紀錄污染 AI 的推理邏輯。

7. 結語：讓組織經驗真正變為資產

建立資料分類模型，是企業從「資料堆填區」轉向「知識工程」的關鍵轉折。透過四分法治理與嚴格的引用白名單，我們不僅保護了 AI 免於以訛傳訛，更為那些最寶貴、卻常被遺忘的「歷史經驗」找到了合法歸宿。

請反思你的組織：那些藏在員工腦中、散落在會議紀錄裡的珍貴教訓，現在是有家可歸，還是正如同斷線的風箏，隨時可能消失在資料的洪流之中？