87%的大學已經在用AI，只有26%有正式策略：真正的AI落差可能不是「會不會用」，而是誰負責治理？

# 87%的大學已經在用AI，只有26%有正式策略：真正的AI落差可能不是「會不會用」，而是誰負責治理？

87%與26%各自說什麼

UNESCO IESALC 與 UNU-IAS 的研究針對拉丁美洲與加勒比海19國、200所高等教育機構。官方摘要指出，87%的機構回報至少一個活動領域使用人工智慧，但只有26%有正式人工智慧策略。兩個比例不是同一條進度尺：前者描述採用，後者描述制度化，不能把它們直接解讀成台灣大學的現況。

研究範圍要先寫在標題旁

當87%成為新聞標題，讀者很容易忘記分母與地理範圍。19國、200所機構提供的是區域制度觀察，不是全球大學普查，也不是台灣校園抽樣。嚴謹的轉譯應同時寫出研究對象、調查時間、活動領域與限制，讓比例不被剪成脫離脈絡的科技焦慮或樂觀口號。

採用集中在多個活動領域

研究新聞稿說明，人工智慧被用在教學與學習、研究、行政、社群參與與治理；教學與學習是最常見場域，另有57%機構回報用於研究資料分析與提升研究品質。這些數字不代表每個工具都有效，而是提醒治理不能只管學生作業，也要管研究資料、行政決策與對外服務。

真正的落差是制度跟不上

教師、研究者與學生往往先各自試用工具，正式策略卻還沒有形成。這會讓規則變成不同課程各說各話：同一份資料在一門課被要求揭露，在另一門課被完全禁止；同一種錯誤在研究與行政流程也可能沒有負責窗口。治理的工作是把分散的試用經驗轉成可問責的制度。

學生混淆本身就是治理訊號

UNESCO IESALC 的新聞稿指出，學生訓練落後於教職員訓練，約每兩名學生就有一人對適當使用感到困惑。這不應被簡化成學生不自律，而要問規則是否清楚、不同課程是否互相矛盾、無法負擔付費工具的學生是否被排除，以及學生能否申訴被誤判。

教師需要的是共同設計時間

人工智慧素養不是把一個工具清單寄給教師。教師需要共同拆解學習目標、資料風險、作業證據與評量方式，判斷何時使用工具能增加理解、何時會取代練習。若制度只要求教師自行追蹤快速變動的產品，責任就會落在個人，且不同學院的資源差距會擴大。

評量要測到學習而不是漂亮輸出

治理不等於全面禁止生成式人工智慧，也不等於把所有作業交給模型。比較穩妥的做法是說清楚任務要測什麼，要求過程紀錄、口頭說明、來源核對、版本比較或現場實作，並讓學生知道哪些部分可使用工具。學術誠信要與學習設計一起修正，不能只靠偵測器裁判。

公共大學的資源差距不能被遮住

研究新聞稿提到私立機構在策略、教職員訓練與治理面向較領先，公立機構常面對資源與能力限制。這提醒政策不能只發布相同要求；還要提供基礎設施、專業支援、資料保護與培訓經費。否則「每校都應治理」會變成資源較少的學校承擔更多合規風險。

原住民族教育多一層資料責任

在原住民族教育場域，人工智慧可能處理語言、影像、家族與文化材料。工具操作之外，治理還要問誰授權、哪些內容不可公開、模型是否錯誤代表社群、學生是否被迫提供可訓練資料，以及利益如何回到社群。這是教育品質與資料主權的交會，不是把文化當成額外的裝飾課題。

政策要把責任寫到角色

正式策略至少要說明誰可以批准工具、誰負責資料保護、誰回應學生與教職員申訴、誰監測模型錯誤、誰能暫停使用。若文件只寫「鼓勵負責任使用」，沒有人知道事故發生時要找誰。治理結構也應有學生代表與受影響社群，而不是只有資訊部門和管理階層。

採購不是技術部門的私事

使用第三方人工智慧服務時，採購條款會決定資料是否被保留、拿去訓練、跨境傳輸或交給分包商。大學要把資料分類、刪除期限、稽核權、無障礙、語言品質與退出條件寫進合約，並讓教師與學生理解實際影響。買到帳號不等於買到治理。

監測要看結果與不平等

研究建議建立監測與評估機制，這不應只計算登入次數或課程數。學校還要看學習結果、錯誤率、申訴、資料事件、不同語言與身心需求的表現、教師工作負擔與沒有工具者的替代方案。若某群學生被誤判較多，平均使用率再高也不能算治理成功。

從一個可逆試點開始

大學可以選一門課或一個行政流程做小型試點，先寫清楚目的、資料、風險、可接受的失敗與停止條件。試點不應偷偷擴大成全校標準，而要公開哪些人參與、誰沒有受益、資料去了哪裡，並在回看後決定是否修改或停止。可逆性是治理能力的一部分。

拉美經驗是鏡子不是答案

這份研究的價值，在於讓我們看見採用速度與治理速度可能分離，並提出訓練、策略、學生參與、監測與公共投資等問題。它不能替台灣回答法規、語言、校務資料與原住民族教育的具體安排。真正的借鏡，是用相同問題重新調查本地，而不是把87%與26%直接貼到台灣。

治理的最後對象是信任

當學校能說明人工智慧在哪裡使用、誰負責、資料如何處理、學生如何申訴、錯誤如何修正，使用者才有可能形成有根據的信任。信任不是要求大家相信技術，而是讓大家知道可以質疑、退出與追究。87%與26%的反差，真正提醒的是制度不能等工具普及後才開始。

人工智慧素養包含拒絕使用

如果課程把使用人工智慧當成現代能力的唯一證明，沒有工具、不同意上傳資料或希望先練習基本技能的學生就會被懲罰。素養也應包括判斷何時不使用、如何保留人工思考、如何保護他人資料，以及如何說明工具的限制。選擇不用不是落後，而可能是負責任的判斷。

治理要容納不同學科的風險

醫療、語言、工程、藝術與原住民族研究的資料與錯誤後果不同，同一份校級規則不可能直接替代學科判斷。校級政策可設定最低權利與申訴標準，再讓系所與社群共同補上資料、評量與專業風險。這不是放任各自為政，而是把一致的責任原則轉成有脈絡的做法。

從透明度恢復學習關係

學生真正需要知道的，不只是某個工具能不能用，而是為什麼、用在哪裡、誰會看見資料、錯誤如何處理、不同意時有沒有替代路徑。教師也需要知道制度如何支持他們，而不是在出事後單獨承擔。透明度若能變成課程對話，人工智慧治理就不只是行政文件，也會成為學習民主的一部分。

把治理變成可學習的制度

每次人工智慧試點都應留下可供下一班、下一位教師與下一個社群檢查的紀錄：目的是否達成、哪個錯誤被發現、誰沒有被納入、哪些資料已刪除，以及規則如何修訂。這些紀錄不是增加文書負擔，而是讓大學不必在每次工具更新後重新從猜測開始，也讓學生知道制度會聽見回饋。

原傳媒AI｜依你的角色繼續追問

• 大學教師：從證據、限制與具體行動繼續追問。
• 學生：從證據、限制與具體行動繼續追問。
• 教務與資訊治理者：從證據、限制與具體行動繼續追問。
• 原住民族教育工作者：從證據、限制與具體行動繼續追問。

資料來源與延伸閱讀

• UNESCO IESALC：AI Implementation in Higher Education in Latin America and the Caribbean
• UNESCO IESALC：AI 採用廣泛但治理落後的研究新聞稿