當政府用AI做決定，我們還有沒有發言權？寫給公民的AI治理行動指南

想像一下，有一天你申請社會福利、排隊等醫療資源，甚至被警方系統「判定為高風險對象」，這些結果不是由承辦人員做出，而是來自一套你看不到、也無法理解的AI系統。你可能不知道它用了哪些資料、怎麼計算，更不知道如果出錯了，該向誰申訴。

這不是科幻小說，而是許多國家公共部門正在發生的日常。

2025年由數據正義實驗室（Data Justice Lab）出版的《大眾參與的AI治理》（Involving the Public in AI Governance），正是從這樣的現實出發，提出一個直指核心的問題：當AI深入公共治理，我們是否也該重新設計民主？

在公共部門，AI經常被描述成一種「效率工具」，它可以加快審核流程、協助第一線人員判斷、節省行政成本。但這本書提醒我們，這種說法只說對了一半。

因為當決策被資料化、演算法化，權力也跟著轉移了。原本可以被詢問、被質疑的行政判斷，變成「系統算出來的結果」；原本能被理解的規則，變成黑盒子。對民眾來說，與政府互動的經驗，正在悄悄改變。

問題在於，這些改變，往往不是在公眾討論中發生的。

本書引用大量研究與實務經驗指出，當政府在沒有公眾參與的情況下快速導入AI，結果經常適得其反。有些系統因為歧視性設計被迫下架，有些在媒體揭露後引發政治危機，還有些只是單純「不好用」，卻已投入大量公帑。

與其把公眾視為阻礙，不如把他們視為一種風險預警機制。

更重要的是，民主參與本身就是公共部門合法性的來源。當AI開始影響誰能獲得資源、誰被監控、誰被標記為「問題個案」，這些決定如果缺乏公眾監督，就不只是技術問題，而是民主赤字。

「AI太複雜，公眾無法理解」是最常見的反對理由之一。但這本書用大量案例證明，這其實是個迷思。

在英國的公民陪審團中，一般民眾能夠就「AI準確性」與「可解釋性」之間的取捨，提出非常細膩的情境判斷；在生物辨識、公衛科技等議題上，公民甚至能提出比政策制定者更具倫理敏感度的觀點。

關鍵不在於公眾是否具備工程背景，而在於制度是否願意給他們足夠資訊、時間與真正的影響力。

這本書最實用的地方，在於它不只談理念，而是系統性地整理了多種「已經被實際操作過」的公眾參與模式：

迷你公眾（Mini-publics）：透過隨機抽樣，聚集一群具代表性的市民進行深度辯論，例如英國國民保健署（NHS）曾舉辦陪審團，探討在醫療決策中，AI的「準確性」與「可解釋性」孰輕孰重。透過專家提供資訊、主持人引導討論，實例顯示，民眾甚至能就「AI要多準確 vs 多可解釋」這種高難度問題，做出情境化判斷。
社區型對話：不是每個參與都要辦大型會議，有些做法是由在地社群、社區組織主導，訓練社區成員成為「研究者」與「主持人」，讓討論走進地方。利物浦公民數據合作社（CDC）培訓當地社群領袖，讓他們在熟悉的社區環境中發起數據討論，挖掘在地知識。好處是科技治理不再只是菁英對話，而是生活對話。
常設公民機制：書中介紹比利時、巴黎等地案例，透過設立常設公民議會，讓公眾參與成為政府運作的常態。公民建議必須由政府正式回應，把參與變成制度，而不是活動。這代表公眾參與不再是一次性的諮詢，而是治理的一部分。
參與式採購：採購是AI治理的關鍵時刻，在花錢之前先問人民。透過參與式預算（Participatory Budgeting），讓市民投票決定經費該投入哪些AI系統，或使用未來工作研究所（IFOW）的演算法影響評估（Algorithmic Impact Assessments），直接與受影響群體溝通。

特別值得注意的是，本書強調「採購階段」的重要性。因為一旦AI系統被買進來、上線了，許多價值選擇其實早已定型。如果能在採購前就納入受影響族群的意見，許多爭議就可以先避免。

除了決策機制，本書也把視野拉到更根本的層次：資料本身屬於誰？

在當前的數位環境中，資料往往集中在政府或大型科技企業手中，而民眾只是被動的「資料來源」。但書中提出「資料公地」（data commons）與「資料信託」的概念，嘗試讓資料成為一種由社群共同治理、以公共利益為導向的資源。

這不只是技術創新，而是一種治理想像的轉變。

讀完這本書，很難不意識到一件事：AI治理的成敗，並不取決於演算法有多聰明，而取決於民主制度能否跟上技術的速度。對正積極推動政府AI服務的我國來說，這本書其實在警示我們：問題不是「要不要用AI」，而是「誰能參與決定怎麼用」。

如果公眾只能在問題爆發後才被動回應，那麼AI再先進，也只會加深不信任；但如果民主能被重新設計，讓公眾真正參與「是否使用、如何使用、用到什麼程度」的討論，AI反而可能成為公共治理的助力。

這不只是寫給英國或歐洲的故事。對任何正積極推動政府AI、智慧治理的社會而言，這本書都拋出了一個無法迴避的問題：當政府用AI做決定，我們，是否也該重新決定民主該怎麼運作？