黑箱問責：演算法能遏止貪腐，還是帶來新的國防安全風險？
2026.06.18
瀏覽數
396
壹、前言
人工智慧與演算法在公共治理中的應用速度，已明顯快於多數國家法規與監管架構的調適步調。從行政流程自動化、公共服務優化，到風險預警與稽核決策，AI已逐漸嵌入公部門日常運作。其中，在「遏止貪腐」領域，演算法輔助工具尤受國際社會關注，其應用涵蓋政府採購標案輔助審查、官員財產申報比對、異常金流與利益衝突偵測，甚至可運用衛星影像辨識非法濫墾、違規開發等公共資源濫用情形。[1]上述應用情境顯示，AI被認為具有強化行政監督、提高稽核效率，並降低人為裁量風險的潛力。
然而，當演算法被賦予識別貪腐、標記風險與輔助行政決策的功能時，其治理風險也同步浮現。若模型訓練資料存在偏誤、判斷邏輯缺乏透明性，或系統核心技術由外部廠商掌握，原本用以提升廉潔效能的工具，反而可能形成新的「黑箱問責」困境。
此一問題在國防領域尤具安全意涵。在國防採購、後勤、軍備研發及機敏資料管理涉及高度機密與龐大預算，若導入演算法反貪腐工具雖有助於異常偵測與風險預警，卻也可能帶來黑箱決策、資料外洩及責任歸屬不明等風險。當演算法出現誤判、偏誤或遭受操弄時，責任應如何界定與追究，遂成為國防廉政治理不可迴避的問題。本文以「黑箱問責」為核心，探討演算法反貪腐工具在國防領域的治理效益與潛在風險。
貳、安全意涵
一、善器藏禍：演算法應用的雙面刃
演算法反貪工具的核心價值，在於其處理大量行政資料、辨識隱性關聯與異常模式的能力，遠非傳統人工稽核所能比擬。透過機器學習掃描數百萬筆採購紀錄，自動標記高風險標案；自然語言處理（NLP）能解析非結構化文件，萃取異常訊號；若結合衛星影像與深度學習，更可偵測違規開發、濫墾濫伐、河川盜採砂石或山坡地不當利用等公共資源濫用情形。
其成效已有實證支持。烏克蘭ProZorro電子採購系統採全面開放資料的設計，讓特定癌症藥品價格大幅下降，受惠病患人數在預算不變下倍增。 愛沙尼亞農業登記與資訊局(Agricultural Registers and Information Board, ARIB)的「紅綠燈通道」風險評分機制，已成功攔阻2,240萬歐元的高風險補助申請。[3]巴西的研究則發現，依風險分數進行「精準稽核」，查獲貪瀆機關的機率較隨機抽查高出約2.7倍。上述案例顯示，AI確實有助於強化監督、提升效率，並減少人為裁量空間。[4]
然而，同樣的演算法特性也是風險來源，而且型態更為隱蔽。就治理層面來看，至少有3類結構性風險：一是「黑箱不透明」（Algorithmic Opacity），即模型的判斷邏輯難以追溯，讓有心人得以在無人究責的情況下介入系統；二是「選擇性標記問題」（Selective Labelling Problem），即訓練資料若只涵蓋已偵破的案件，模型便會複製既有盲點，漏判尚未浮上檯面的貪瀆型態；三是「演算法捕獲」（Algorithmic Capture），即當掌權者介入系統設計或資料篩選時，工具反而可能淪為保護既得利益的擋箭牌。國際透明組織（Transparency International）更進一步提出「AI的腐敗應用」（Corrupt Uses of AI）概念，指掌權者操弄AI以謀取私利，使個別貪瀆行為走向系統化、自動化與規模化。[5]
更須警惕的是，反貪系統本身也可能成為攻擊目標，衍生出傳統稽核難以察覺的技術性風險：一是「資料毒化」（Data Poisoning），即攻擊者摸清模型門檻後，逐步餵入異常資料，使系統誤以為是「新常態」而失去偵測靈敏度；[6]二是「參數操縱」（Parameter Tampering），即竄改源頭資料，讓AI根據假數據做出「無風險」的背書；[7]三是「科技漂白」（Tech-washing），即以客觀中立的假象，掩蓋體制內部的腐敗。[8]
綜言之，演算法反貪是一把銳利的雙面刃：既能以無可取代的效率，壓縮舞弊空間，也可能在治理失當、技術防護不足時，反過來成為高科技貪腐的保護傘。下表彙整演算法反貪的雙面效應。
表1、演算法反貪的雙面效應
資料來源：作者自行彙整。
二、授柄於敵：演算法在國防場域的治理困境
人工智慧在當代軍事領域的應用，已從理論探討走入真實戰場，涵蓋無人機操作、目標識別、指揮管制、情報處理、網路防護與戰場協調等任務。[9] AI與機器學習雖有助於提升決策速度、壓縮作業流程並強化戰力整合，[10]然而，這些系統也可能遭敵方從資料、模型或輸入訊號等環節加以干擾，使軍事AI在關鍵任務中做出錯誤判斷。[11]此一邏輯不僅存在於作戰系統，也會外溢至國防採購、後勤補給與廉政治理場域。
然而，當國防採購的判斷、媒合與風險標記逐步交由數位平台處理，平台本身也可能成為新的治理破口。若缺乏透明性與外部監督，原本用於提升效率與問責的演算法，可能因資料操控、模型偏誤或系統被捕獲，反而成為掩護不透明決策的新工具。尤其國防採購涉及機密規格、特殊廠商關係與戰備急迫性，資料來源與風險指標設定本身即可能受到政治或利益介入。
更進一步看，國防場域的演算法廉政治理，至少面臨三項結構性風險。第一，美國政府問責署（GAO）指出，美國國防部仍欠缺一致性的全國防部AI採購指引，使採購、驗證與監督標準可能出現落差。[13]第二，若核心演算法由特定軍工或科技廠商掌握，採購機關可能形成技術依賴，進而產生「演算法捕獲」與廠商壟斷風險。[14]第三，AI供應鏈仰賴模型、資料、軟體、雲端與第三方服務，一旦遭資料毒化、後門或惡意程式碼入侵，將削弱系統判斷可靠性。[15]近期北約採購支援局（NSPA）涉軍備合約不法調查，正凸顯國防廉政治理的核心難題：當機密標案資訊、跨國承包商與多層外包鏈交錯時，即便已有審計與監督機制，責任追溯仍可能因保密需求與跨國治理落差而斷裂。由此可見，國防場域導入演算法反貪工具，關鍵不只在於提升風險偵測效率，更在於能否建立可稽核、可追蹤、可問責的治理鏈；否則，演算法可能只是將既有採購黑箱轉化為更難辨識的數位黑箱。[16]
三、知己謀遠：公部門經驗與軍事場域的同與不同
就我國現行趨勢觀察，公部門運用AI於廉政治理，主要仍集中於採購風險篩選、稽核輔助與廉政宣導等前端應用。中央層級以廉政署較具代表性，其運用生成式AI進行跨機關資料庫大數據分析，篩查出2,256家高風險廠商及5,916件高風險採購案，作為全國性專案稽核依據；地方政風機構則多聚焦於採購風險預警、資料勾稽分析、公文與教材輔助製作，以及教育訓練等面向。[17]
整體而言，我國已開始將AI視為廉政治理的輔助工具，但目前仍屬「AI輔助決策」階段，應用重心偏向行政效率提升與風險案件篩選，尚未充分處理模型透明性、資料偏誤、權限控管及責任追溯等演算法後端治理風險。
相較之下公部門經驗與軍事場域在AI反貪治理上具有共通基礎，亦存在本質差異。共通點在於，兩者皆可透過資料勾稽、風險評分與異常偵測，提升採購、財務、後勤與承包商管理的稽核效率；同時，也都必須維持人類覆核、稽核紀錄與責任追溯，[18]避免演算法結果取代專業判斷。惟軍事場域的反貪腐情境更為敏感，國防採購、後勤補給、軍備研發與承包商管理，不僅涉及龐大預算與利益分配，也連動戰備維持、供應鏈安全與機密資訊保護。[19]相較於一般公部門可透過提高透明度、開放資料與外部監督來降低貪腐空間，國防領域因任務保密與敵我對抗需求，難以完全移植相同治理模式。
若反貪演算法的資料來源、風險指標或模型邏輯遭內部人員、外部廠商或敵對勢力掌握，便可能出現規避偵測、操弄評分、保護特定廠商，甚至藉由干擾採購與後勤判斷削弱戰備的風險。因此，公部門 AI 廉政治理經驗雖可作為國防場域的制度參照，但國防反貪不宜僅複製一般行政機關的風險篩選模式，而應進一步納入模型稽核、權限控管、供應鏈安全與反情報審查，將廉政治理從單純的採購風險篩選，提升為兼具安全防護與責任追溯的國防治理機制。
參、趨勢研判
國防廉政的數位黑箱風險
綜觀國際與我國發展，演算法反貪工具正從「輔助稽核」逐步轉向嵌入採購、審計與廉政流程的「治理基礎設施」。其效率紅利已有實證支持，未來導入速度恐將持續加快；然而，真正的關鍵不在於AI能否偵測貪腐，而在於機關能否同步建立「可稽核、可追蹤、可問責」的治理鏈。對國防領域而言，此一判斷尤具迫切性。由於任務保密、敵我對抗與戰備需求，使一般公部門賴以降低貪腐風險的透明化、開放資料與外部監督，難以完整移植至國防場域。
一旦反貪演算法的資料來源、風險指標或模型邏輯遭內部人員、外部廠商或敵對勢力掌握，原本用以強化廉政治理的工具，便可能反轉為掩護高科技貪腐，甚至干擾採購判斷與戰備維持的治理破口。
據此研判，我國國防廉政治理的下一階段，重點不再只是「是否導入AI」，而是能否在引進效率工具的同時，前置部署模型稽核、權限分級控管、供應鏈安全與反情報審查等後端治理機制。唯有將演算法治理與國防安全風險一併納管，方能避免既有「採購黑箱」被轉化為更難辨識、更難究責的「數位黑箱」。
[1] Miloš Resimić, Harnessing Artificial Intelligence (AI) for Anti-Corruption: Benefits and Challenges in Prevention, Detection and Investigation, U4 Helpdesk Answer 2025 (Bergen: Transparency International and U4 Anti-Corruption Resource Centre, Chr. Michelsen Institute, 2025), https://reurl.cc/18RM8p.
[2] Yevhen Hrytsenko, “Fight for Life: How Ukraine Is Fixing Medical Procurement and Serving Patients Better,” Open Contracting Partnership, February 22, 2021, https://reurl.cc/Dx5YWN.
[3] Estonian Paying Agency (ARIB), Smart Pro CAP Staff Exchange Visit Report: Experiences of Using Preventively the Data-Driven Risk Analyses Experience for Non-IACS EAFRD Measures and Piloting the Use of ARACHNE for Daily Processes and Look to the Future Opportunities of Using AI and Machine Learning-Based Data Analysis, January 2022, https://reurl.cc/aXyRlY.
[4] Elliott Ash, Sergio Galletta, and Tommaso Giommoni, “A Machine Learning Approach to Analyze and Support Anticorruption Policy,” American Economic Journal: Economic Policy, Vol. 17, No. 2, May 2025, pp. 162-193, https://reurl.cc/Ga0QdW.
[5] Transparency International, Addressing Corrupt Uses of Artificial Intelligence, working paper, 2025, https://reurl.cc/4l9qNY.
[6]同註1。
[7] Apostol Vassilev, Alina Oprea, Alie Fordyce, Hyrum Anderson, Xander Davies, and Maia Hamin, Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations, NIST AI 100-2e2025, National Institute of Standards and Technology, March 2025, https://reurl.cc/6Gz9k6.
[8]同註5。
[9] A. Rahman, “AI at War: The Next Revolution for Military and Defense,” World Journal of Advanced Research and Reviews, July 2025, doi:10.30574/wjarr.2025.27.1.2735.
[10] E. E. Oliveira, M. Rodrigues, J. P. Pereira, A. Lopes, I. I. Mestric, and S. Bjelogrlic, “Unlabeled Learning Algorithms and Operations: Overview and Future Trends in Defense Sector,” Artificial Intelligence Review, February 2024, doi:10.1007/s10462-023-10692-0.
[11] S. Muhammad, “Adversarial AI and Robust Machine Learning for Military Applications,” International Journal of Innovative Research in Computer and Communication Engineering, Apr. 2025, doi: 10.15680/ijircce.2025.1304312.
[12] “How the Military Can Obtain Equipment through DOT-Chain Defence under the ‘Army of Drones Bonus’ Program: Step-by-Step Guide,” Ministry of Defence of Ukraine, September 25, 2025, https://reurl.cc/8emLaX.
[13] U.S. Naval Institute Staff, “GAO Report on DoD Artificial Intelligence Guidance,” USNI News, June 30, 2023, https://reurl.cc/mp1Av7.
[14] Jessica Tillipman, “Buying Blind: Corruption Risk and the Erosion of Oversight in Federal AI Procurement,” Public Contract Law Journal, Vol. 55, No. 2, Winter 2026, https://reurl.cc/Z2xvXW.
[15] Justin Sherman, “Securing Data in the AI Supply Chain,” Atlantic Council, September 5, 2025, https://reurl.cc/ppEA58.
[16] “NATO Procurement Agency Drawn into Multi-Million-Euro Corruption Scandal,” WatchOut News, December 16, 2025, https://reurl.cc/V2Vlzn.
[17] 法務部廉政署，〈生成式 AI 精準鎖定採購風險：廉政署啟動全國性專案稽核〉，《法務部廉政署新聞稿》，2025 年 1 月 8 日，https://reurl.cc/qpeo1g。
[18] C. Todd Lopez, “DOD Adopts 5 Principles of Artificial Intelligence Ethics,” DOD News, February 25, 2020, https://reurl.cc/dpZv6D；NATO, “Summary of NATO’s Revised Artificial Intelligence (AI) Strategy,” NATO, July 10, 2024, https://reurl.cc/R2MQa6.
[19] “Belgium Probing NATO Staff over Defence Contract Irregularities,” Reuters, May 14, 2025, https://reurl.cc/ovGqal.