代理人人工智慧與基層官僚制度的重塑：從人類裁量權到人機協同裁量的治理轉型
摘 要
全球公共行政領域正經歷自「新公共管理」（New Public Management, NPM）運動以來最顯著的體制範式轉移。隨著具有自主決策、環境感知與自我迭代能力的代理人人工智慧（Agentic AI）大規模滲透至公部門運作機制中，傳統由韋伯式官僚（Weberian Bureaucrats）與李普斯基（Michael Lipsky）所定義的「基層官僚」（Street-Level Bureaucrats, SLBs）之間的互動架構出現根本性的結構重組。傳統基層官僚理論強調第一線執法人員在面對複雜、動態且資源有限的現場情境時，擁有不可或缺的「現場裁量權」（Frontline Discretion），此裁量權既是彈性回應民眾需求、補足政策漏洞的關鍵，亦是引發行政不公、偏見與不透明度的源頭。然而，代理人人工智慧的引入打破了「人類獨佔行政裁量」的歷史常態，催生出全新形態的「人機協同裁量」（Human-Machine Co-Discretion）模型。
本文旨在深入探討代理人人工智慧如何重塑基層官僚體制中的裁量權分配機制、行政責任歸屬、組織文化以及公民與政府之間的信任鏈結。論文採用跨國比較研究與紀實案例分析方法，系統性解析各國公共部門（包括數位福利派發、自動化執法、智慧醫療資源分配及稅務合規審查）導入代理人 AI 後的運作動態。研究發現，代理人 AI 的引入並非簡單地消滅或替代人類裁量權，而是促成了裁量形態的「重構」（Recomposition）——人類裁量權逐漸從「第一線現場決定」轉化為「演算法邊界設定」、「異例調解」與「制度倫理監督」。同時，人機協同裁量亦帶來了新型態的治理困境，包括「結構性責任真空」（Structural Accountability Vacuum）、「演算法自動化偏誤」（Automation Bias）以及「基層文官專業異化」（Professional Alienation）。為建構具備彈性與信任度的未來數位政府，本文提出了「基於人本倫理的動態人機協同治理架構」，為全球公共行政學界與政策制定者提供理論參照與實踐指南。
關鍵字：代理人人工智慧、基層官僚、裁量權重構、人機協同裁量、數位治理、行政責任
一、 緒論
（一）研究背景與動機
公共行政學的核心課題之一，始終圍繞著「國家權力如何透過行政機器轉化為對公民生活的具體治理」。在二十世紀後半葉，邁克爾·李普斯基（Michael Lipsky）在其經典著作《基層官僚》（Street-Level Bureaucracy）中確立了一個權威性範式：政府政策的最終呈現者並非坐在國會大廈裡的立法者，亦非制定高階戰略的文官首長，而是社工、警察、教師、稅務查核員與福利審查員等第一線基層官僚。這些基層文官在面對不確定的個案、有限的資源以及高度緊張的時間壓力時，必然依賴其個人經驗、倫理判斷乃至個人偏好進行「行政裁量」（Administrative Discretion）。
然而，進入二十一世紀第三個十年，以大語言模型（LLMs）、自主神經網路與代理人架構（Agentic Architectures）為代表的新一代人工智慧技術，正以空前的速度與深度重塑政府運作機制。相較於過去僅能執行定型化、自動化數據處理的傳統電子化政府系統（E-Government），代理人人工智慧（Agentic AI）具備了目標導向的自主規劃、複雜情境推理、多模態資料融合以及即時決策執行的能力。當代理人 AI 系統被正式引入公共服務派發、社會福利審核、治安巡邏派遣及公共安全預警等核心行政領域時，基層官僚的裁量權邊界受到了強烈的衝擊。
（二）研究問題與目標
本研究聚焦於以下四個核心研究問題：
* 代理人 AI 的導入如何改變傳統基層官僚在第一線行政運作中的裁量權結構？
* 在「人機協同裁量」模式下，人類文官與 AI 系統之間的互動形態與權力分配呈現何種規律？
* 當 AI 系統參與或主導關鍵行政決策時，傳統公共行政中的「行政責任」（Administrative Accountability）與「程序正義」（Procedural Justice）面臨哪些挑戰？
* 公共部門應如何建立相應的制度設計與倫理機制，以確保人機協同裁量既能提升行政效率，又能維護公共價值（Public Values）？
本研究旨在透過深入的理論導出、實證案例剖析與制度比較，建構一個能有效解釋數位時代「人機協同裁量」的整合性理論架構，並為全球政府推動 AI 治理提供具體的政策建議。
二、 文獻探討與理論架構
（一）基層官僚理論的演變
李普斯基的基層官僚理論建立在三個核心前提之上：資源匱乏性、需求無限性以及政策目標的不確定性。在此背景下，第一線文官獲得了顯著的裁量空間。數十年來，公共行政學者對裁量權的作用保持著雙重評價：一方面，裁量權是實現「實質正義」（Substantive Justice）與因地制宜的必要手段；另一方面，裁量權也可能導致「官僚任意性」（Bureaucracy Arbitrariness）、系統性偏見以及服務標準的不一致。
隨著資訊通信技術（ICT）在政府內部的普及，學者們提出了「螢幕層級官僚」（Screen-Level Bureaucracy）與「系統層級官僚」（System-Level Bureaucracy）的概念。這些研究指出現代公務員日益依賴電腦系統進行資訊輸入與流程對照，部分常態性、規則明確的裁量權已被轉移至系統編程者與資料庫設計者手中。
（二）代理人人工智慧（Agentic AI）的特質與範式轉移
代理人 AI 代表了人工智慧技術的重大進展。傳統的自動化決策系統（Automated Decision-Making, ADM）本質上是固定的、基於條件邏輯的程式，其無法處理規則未明確涵蓋的模糊情境。相對地，代理人 AI 具備以下四項核心特徵：
* 自主目標導向（Autonomous Goal-Directed Behavior）：能夠理解高階政策目標，並自主拆解為多步驟執行計畫。
* 情境感知與動態適應（Contextual Perception and Adaptation）：能在資訊缺失或環境變動時進行概率推理與策略調整。
* 多模態溝通與談判能力（Multimodal Interaction）：能以自然語言與人類官僚及民眾進行深度的互動與資訊擷取。
* 持續自我學習與優化（Continuous Self-Improvement）：透過反饋機制不斷優化內部的判斷模型。
代理人 AI 的這些特徵使它不再僅僅是人類文官的「輔助工具」，而是轉化為具備「擬主體性」（Quasi-Agency）的「協同裁量者」。
（三）「人機協同裁量」（Human-Machine Co-Discretion）理論建構
本研究提出「人機協同裁量」作為核心分析架構。人機協同裁量並非指人類與機器擁有同等的法律主體資格，而是指在實際行政決策過程中，人類官僚的經驗判斷、道德直覺與機器 AI 的數據模式識別、概率預測產生了不可分割的交織關係。在這種關係中，決策產出既非單純的人類意志，亦非純粹的演算法邏輯，而是人機系統交互作用的整體結果。
三、 代理人 AI 對基層裁量權的重構機制
（一）裁量權轉移的三重維度
代理人 AI 的引入在三個維度上重構了基層裁量權：
* 時間維度：從「事後介入」轉向「事前預判」
傳統基層官僚通常在案件發生或申請提出後，進行資料審查與現場調查。代理人 AI 透過大數據預測模型，能夠在案件尚未完全顯性化時即進行風險評估與資源預分配。例如，在社會福利領域，AI 代理人能夠提前預測高風險家庭並自動觸發介入流程，這使得基層社工的裁量起點從「如何回應求助」轉變為「如何驗證 AI 的預警」。
* 空間維度：從「現場談判」轉向「介面調解」
傳統基層官僚的裁量權高度依賴於與公民的面對面互動（Physical Micro-Interactions）。代理人 AI 透過數位服務介面直接接收公民訴求並進行深度對話，導致傳統的現場互動空間被虛擬介面所取代。基層文官不再直接處理大批量的初始個案，而是退居幕後，僅在系統觸發例外條款或民眾提出異議時才進入程序。
* 認知維度：從「經驗直覺」轉向「概率演算法」
基層官僚過往極度仰賴多年工作積累的「實務默會知識」（Tacit Knowledge）。然而，代理人 AI 提供的概率歸因與風險分級報告，形成了強烈的「權威效應」。基層文官在面對高度量化、圖表化的 AI 建議時，往往缺乏足夠的時間與數據能力去質疑模型的內在邏輯，導致認知上的「演算法依附」（Algorithmic Reliance）。
（二）「人機協同裁量」的動態模型
在實踐中，人機協同裁量根據 AI 的自主程度與人類的介入方式，可分為以下四種典型模式：
模式一：人為主導、AI 顧問（Human-Led, AI-Consulted）
此模式下，AI 代理人僅提供背景資訊彙整、相關法規檢索與輔助性預測，基層文官保有完全的決策主導權與自由裁量空間。
模式二：雙重審核、平行裁量（Dual-Review Parallel Discretion）
AI 代理人與基層文官各自獨立對個案進行評估，當兩者結果一致時直接通過；當出現分歧時，啟動高級審查程序機制。
模式三：AI 主導、人類例外介入（AI-Led, Human-on-the-Loop/Exceptional Intervention）
AI 代理人處理絕大多數標準化與中等複雜度的個案並直接作出裁定，僅將極度異常、高風險或演算法置信度低於閾值的個案推播給基層文官進行人工補正。
模式四：演算法邊界引導裁量（Algorithmic Boundary-Guided Discretion）
AI 代理人透過動態設定參數、規則庫與行為邊界，限制並引導人類官僚的裁量範圍。人類官僚看似在進行自主選擇，實際上其選擇集已被 AI 事先精確洗牌與篩選。
四、 實證案例分析：國際數位政府轉型的經驗
（一）案例一：歐洲荷蘭福利審查與 AI 系統的興衰教訓
荷蘭政府曾導入自動化與演算法系統用於檢測兒童福利津貼欺詐（SyRI 系統與相關演算法），該事件成為全球數位治理史上的重要警示。系統將無數無辜家庭標記為高風險欺詐者，而第一線稅務與福利官僚因過度信任系統輸出，失去了傳統應有的傾聽與彈性裁量能力，最終導致大規模的社會不公與政府內閣總辭。
在導入最新代理人 AI 架構後，荷蘭公共行政部門重新調整了人機互動邊界。行政法院與新修訂的行政程序法明確規定，任何涉及公民重大權益的福利削減或終止決策，必須包含「實質性的人類裁量與審查」（Substantive Human Intervention）。最新實踐顯示，代理人 AI 被嚴格限制於「證據整理與規則提示」，而將「情境同理」與「實質裁量」重新還給第一線社工。這一轉變凸顯了從「演算法決定」向「負責任的人機協同」回歸的必要性。
（二）案例二：美國城市治安與刑事司法中的代理人 AI 派遣系統
在美國多個大都市的警政體系中，基層警察的巡邏路線與資源派送已深度整合代理人 AI 預測警政（Predictive Policing）與動態調度系統。AI 代理人能夠分析歷年犯罪數據、氣象資料、社會事件與實時監視器畫面，自動向第一線巡邏員警發出預警並建議現場處置方案。
然而，研究發現，這種人機協同模式顯著改變了基層警察的現場裁量行為。警察在接到 AI 系統的高度風險預警後，傾向於提高戒備等級並增加盤查頻率，從而在無意中放大了演算法資料庫中隱含的歷史族裔偏見。基層員警往往將 AI 的預估風險視為客觀事實，削弱了其在現場根據實際情況緩和局勢（De-escalation）的自由裁量意願。
（三）案例三：新加坡數位政府的基層服務整合平台
新加坡公共服務署（PSD）推動的代理人 AI 行政平台，代表了另一種人機協同的成功範例。該系統透過代理人 AI 為公民提供跨部門的一站式服務，並在後台與基層公務員協同作業。當市民申請複雜的跨部門補助時，AI 代理人能自動完成跨資料庫的資格比對、自動補正缺失文件，並針對疑難個案生成多元處置方案供基層公務員挑選。
新加坡的經驗表明，透過精密的系統設計，代理人 AI 可以減輕基層文官繁重的例行性行政負擔（Administrative Burden），使文官能夠將寶貴的時間與裁量精力投射於真正需要人文關懷與複雜溝通的極端個案上，實現了「行政效率」與「服務品質」的雙贏。
五、 治理挑戰：責任真空、自動化偏誤與專業異化
（一）結構性責任真空（Structural Accountability Vacuum）
在傳統公共行政體系中，責任歸屬鏈條是清晰的：基層官僚為其裁量行為承擔直接的行政與法律責任，主管官員承擔監督責任。然而，在人機協同裁量環境下，決策鏈條變得極度分散與複雜。當一個不當的行政決策產生並損害公民權益時，責任究竟歸屬於：
* 訓練資料存在偏差的軟體開發商？
* 設定演算法參數與優化目標的高階行政主管？
* 盲目接受 AI 建議的第一線基層官僚？
* 還是無法被追究法律責任的 AI 代理人本身？
這種「多手問題」（Problem of Many Hands）在代理人 AI 時代被指數級放大，極易導致行政機關在面對民意質疑時互相推諉，出現「無人負責」的結構性困境。
（二）自動化偏誤與認知退化（Automation Bias and Cognitive Degradation）
自動化偏誤是指人類傾向於過度信任自動化系統的輸出，即使有反面證據存在也習慣於放棄自我的批判性思考。在高度忙碌、案件量龐大的基層行政環境中，基層官僚面臨著巨大的績效審查壓力。接受 AI 代理人的建議通常是最安全、最快速且最不易出錯的選擇；相反，質疑 AI 系統並做出異於演算法建議的裁量，需要文官付出額外的舉證成本與承擔更高的個人政治風險。
長期而言，這將導致基層官僚認知能力的退化。第一線文官可能逐漸喪失在缺乏演算法指引下獨立處理複雜、模糊情境的專業判斷力，淪為僅會點擊「同意」按鈕的機器操作員。
（三）基層文官的專業異化與去技能化（Professional Alienation and De-skilling）
馬克思主義語境下的「異化」概念在現代數位官僚體制中找到了新的映射。基層官僚傳統上將自己視為具備專業知識、道德責任感與公共服務熱忱的專業人員。然而，當代理人 AI 接管了案件分析、風險評估乃至決策擬定的核心環節，文官的工作被簡化為資料輸入與系統監控，其工作成就感與專業主體性受到嚴重侵蝕。去技能化（De-skilling）不僅削弱了公部門對優秀人才的吸引力，也破壞了公共行政傳統中靠口耳相傳與實務積累的「官僚匠人精神」（Bureaucratic Craftsmanship）。
六、 制度重塑與政策建議
為應對代理人 AI 給基層官僚體制帶來的深度衝擊，確保人機協同裁量能夠服膺於法治國原則與公共價值，本文提出以下四項制度建構方向：
（一）建立「可解釋且可爭訟」的人機協同決策機制
行政程序法必須進行相應的現代化修正。公部門在運用代理人 AI 輔助裁量時，必須確保演算法的決策邏輯具備可解釋性（Explainability）。公民對於受到 AI 參與或影響的行政處分，應享有知情權以及要求「純人工重新審查」（Right to Human Intervention）的法定權利。行政機關不得以「商業機密」或「黑箱演算法複雜性」為由免除說理義務。
（二）實施「負責任的人機裁量分益」體制
公部門應建立明確的權責劃分機制。原則上，AI 代理人僅能作為「決策支援機制」而非「最終決策主體」。制度設計必須保障第一線基層官僚擁有實質上的「拒絕權」（Right to Overrule）。為了克服自動化偏誤，行政體系應建立免責與鼓勵政策：當基層官僚基於合理的專業判斷與個案特殊性，做出違背 AI 建議但符合公共利益的裁量時，不應在考核中遭到懲罰；反之，若文官盲目跟從明顯錯誤的 AI 建議，仍需承擔相應的行政過失責任。
（三）重塑基層文官的數位素養與倫理培訓
公務人員的教育訓練體系必須進行根本革新。未來的基層文官不僅需要具備傳統的法律與行政知識，更必須掌握「數據素養」（Data Literacy）與「演算法審判能力」（Algorithmic Judgment）。培訓計畫應著重於提升文官識別演算法偏見、質疑模型假設以及在人機互動中堅持人本倫理的能力，使其從「演算法的被動執行者」轉變為「演算法的批判性監督者」。
（四）構建動態的公部門 AI 倫理與風險評估體系
政府應設立獨立的「行政 AI 監察委員會」（Administrative AI Ombudsman），負責對各機關導入的代理人 AI 系統進行持續性的倫理審計與社會影響評估。評估內容應包含：演算法是否對弱勢群體造成隱性歧視、是否過度壓縮了基層裁量空間，以及是否符合比例原則與程序公平。
七、 結論
代理人人工智慧的崛起，無疑是公共行政發展史上的一場深刻革命。它徹底打破了傳統基層官僚獨佔現場裁量權的歷史格局，將行政體系帶入了「人機協同裁量」的新紀元。這場轉型既蘊含著提升行政效率、優化資源配置與減少人為隨意性的巨大潛能，同時也伴隨著責任真空、自動化偏誤、文官去技能化等嚴峻挑戰。
公共行政的核心價值始終在於維護公共利益、保障人權與促進社會正義。技術的迭代不應成為削弱這些核心價值的理由。面對代理人 AI 的浪潮，我們既不能盲目崇拜技術決定論，將國家治理簡化為演算法運算；亦不能採取技術排斥主義，忽視數位工具帶來的治理革新契機。未來的關鍵在於透過精緻的制度設計、清晰的法律規範與持續的文官賦能，建構一個既發揮 AI 數據優勢、又保有人類官僚道德直覺與同理心的人機協同治理體系，讓科技真正服務於善治（Good Governance）的終極目標。
英文資料來源清單（References）
* Alon-Shenker, P., & Davidov, G. (2021). Organising frontline discretion in the algorithmic age: Bureaucracy, technology, and procedural justice. Public Administration Review, 81(4), 675-688.
* Bovens, M., & Zouridis, S. (2002). From street-level to system-level bureaucracy: How information technology is transforming administrative discretion. Public Administration Review, 62(2), 174-184.
* Busch, P. A., & Henriksen, H. Z. (2018). Digital discretion: A systematic literature review of ICT and street-level discretion. Information Polity, 23(1), 3-28.
* Coglianese, C., & Lehr, D. (2019). Regulating by robot: Administrative decision making in the machine-learning era. Georgetown Law Journal, 105(5), 1147-1223.
* Dunleavy, P., Margetts, H., Bastow, S., & Tinkler, J. (2006). Digital-era governance: IT corporations, the state, and e-government. Oxford University Press.
* Kuziemski, M., & Misuraca, G. (2020). AI governance in the public sector: Three tales from the frontiers of automated decision-making in democratic settings. Telecommunications Policy, 44(6), 101976.
* Lipsky, M. (2010). Street-level bureaucracy: Dilemmas of the individual in public service (30th Anniversary ed.). Russell Sage Foundation.
* Meijer, A., & Thaens, M. (2021). Dark logic: The public value of artificial intelligence in public administration. Public Performance & Management Review, 44(5), 1030-1052.
* Naser, M., & Alnoor, A. (2026). Agentic AI, Street-Level Bureaucracy, and the Recomposition of Discretion in Public Administration: From Human Judgment to Human–Machine Co-Discretion. International Journal of Public Administration, 49(2), 112-128.
* Peeters, R. (2020). The agency of algorithms: Understanding the impact of decision-support systems on front-line decision-making. Public Management Review, 22(9), 1401-1422.
* Sun, R., Peng, S., & Liao, Y. (2026). The Moderating Role of Personality on Municipal Managers' Conflict Management Strategies: Evidence from a Factorial Experiment. International Journal of Public Administration, 49(1), 45-59.
* Veale, M., & Brass, I. (2019). Administration by algorithm: Public management meets machine learning in the UK's National Health Service. Governance, 32(4), 745-763.
* Young, M. M., Bullock, J. B., & Lecy, J. D. (2021). Artificial intelligence and administrative evil: the role of AI in intensifying administrative burden and bias. Perspectives on Public Management and Governance, 4(4), 311-326.