願意接受開源 AI 嗎？公部門機關如何選擇 AI 模型

關鍵詞

• 人工智慧（AI）
• 公部門 AI 採用
• 開源
• 數位主權
• 科技－組織－環境框架

摘要

公部門機關正日益採用人工智慧（AI）工具。高品質的開源 AI（OSAI）選項已經可用，但目前多數注意力仍放在 Copilot 與 ChatGPT 等專有方案上。這與開源軟體（OSS）的採用情況有相似之處。雖然 OSS 已在機關技術組合中的部分利基功能站穩腳步，但儘管獲得技術界與政治圈支持，且具備降低成本、促進更多競爭與創新的潛力，仍未被廣泛採用。

本研究奠基於用來探討 OSS 採用的理論框架與實證證據，透過訪談澳洲、加拿大與德國公部門機關中 31 位負責 AI 採用決策的人士，比較分析開源技術整體、尤其是 OSAI，相較於專有對應方案在可行性上的關鍵因素。

相較於 OSS 採用的決定因素，技術特性如適配性、控制權，以及硬體基礎設施是否可得，對 OSAI 是否被採用有更大影響。此外，在 AI 決策中，數位主權與資料保護等組織層面考量也更為突出。相對地，AI 模型比傳統軟體產品更同質，也更容易彼此切換，因此相較於 OSS，對易用性的觀感、對供應商綁定的擔憂，以及支援可得性，影響力都沒有那麼強。

雖然 AI 是快速演進中的技術，但採用 OSAI 或專有 AI 的選擇，意味著今天就必須做出承諾，例如投資硬體、建立內部自主能力，而這些決定都會延續到未來。

目錄

• 1. 引言
• 2. 理論背景
• 3. 研究設計
• 4. 研究發現
• 5. 討論
• 附錄 A：開源定義與 OSAI／OSS 比較
• 附錄 B：訪談指引
• 附錄 C：主題編碼定義
• 參考文獻

1. 引言

公部門機關的決策者（以下稱「Agencies」[^1]）長期以來一直將開源軟體視為專有軟體的替代方案，不過各地區的採用情況並不一致。隨著公部門開始採用人工智慧（AI），Agencies 也正對開源 AI（OSAI）模型與專有 AI 模型的適用性，做出類似的評估。

自 2022 年起，隨著 ChatGPT 等易於使用的工具推出，AI 受到顯著的公眾關注，這些工具運用了運算規模、模型架構、大量資料取得，以及訓練技術精進等方面的技術進展（Brynjolfsson et al., 2023; Hjaltalin & Sigurdarson, 2024）。愈來愈多地，AI 工具的進步與廣泛採用，主要體現在美國開發者推出的專有 AI 模型與產品上，例如 OpenAI（GPT models）、Alphabet（Gemini）與 Anthropic（Claude）（Burkhardt & Rieder, 2024; Tarkowski & Open Futures, 2025）。較具代表性的 OSAI 模型，則來自分布更全球化的開發者，例如 Meta（美國）、Mistral（法國）、Alibaba、Baidu 與 High-Flyer（皆位於中國）。

OSAI 的定義一直存在爭議（Bateman et al., 2024; Floridi et al., 2025; Liesenfeld & Dingemanse, 2024）。在 OSS 的脈絡中，學者曾使用免費取得、寬鬆授權、相關社群與完整文件等特徵來界定（Rossi et al., 2012; Sánchez et al., 2020; Shaikh, 2016）。OSAI 的定義則包含額外標準，例如可取得的模型權重，以及透明的模型架構、訓練方法與訓練資料（Bateman et al., 2024; Bommasani et al., 2021; Tarkowski & Open Futures, 2025），然而，至今仍缺乏共識。受訪者對 OSAI 的分類標準並沒有那麼嚴格。像 Meta 與 DeepSeek 這類開發者施加的某些較具限制性的授權條件，被認為只與國防與安全機關有關。此外，目前沒有任何主要 AI 模型開發者完整揭露其訓練資料來源（Tarkowski & Open Futures, 2025）。如第 4 與第 5 節將進一步討論，這類定義上的模糊性會影響 Agencies 在現實世界中的技術投資與採購決策、風險評估，以及強化主權的努力，因為它模糊了哪些 AI 工具實際上才算開源。不同的開放性標準會在附錄 1 進一步詳細說明。就本分析而言，OSAI 指的是可自由取得、授權條件大致不受限制，且附有足夠透明資訊，讓 Agencies 能夠對其進行實質客製化並使其成為「自主」模型的 AI 模型；這裡也承認，這一定義納入了一些嚴格來說更接近「open weight」的模型，例如 Llama 與 Gemma，而非像 EleutherAI 的 Pythia 系列那樣最大程度開源的模型（Tarkowski & Open Futures, 2025; Widder et al., 2024）。

在公共管理與治理領域，政府採用 AI 的既有研究，尚未跟上新穎的技術進展（Haug et al., 2024）。專有與開源 AI 模型雙方都在爭取被視為更具創新性的選擇（Azoulay et al., 2024）。究竟是 OSAI 還是專有模型主導政府的 AI 採用，會進一步影響數位主權、AI 投資的成本結構，以及內部技能需求。雖然 OSAI 不必然比專有方案更創新或更不創新，但它被視為對專有 AI 現狀的挑戰者，可能透過多階段採用過程，促成產品的差異化改進（Baregheh et al., 2009）。儘管公共行政部門曾公開支持、甚至炒熱對 OSS 的期待（Freeman, 2012），長期以來仍偏好專有方案（Rossi et al., 2012）。一方面，OSS 被視為更可客製化、更具成本效益，也更有主權；但另一方面，它也被認為存在一些缺點，例如易用性較差、在技術與組織上更難導入，以及缺乏明確負責維護的行動者（ibid.; Shaikh, 2016; Hauge et al., 2010; Sánchez et al., 2020）。本研究提出的證據將顯示，對大多數 Agencies 而言，專有 AI 仍是目前的預設選項。儘管如此，雖然創新擴散理論提出了一系列成功採用的可能因素，但單靠它仍不足以理解為何會選擇 OSAI 而非專有 AI，或反過來。因此，本研究改採廣泛使用的科技－組織－環境（TOE）框架作為分析結構。本研究以 TOE 視角提出兩個研究問題：

本研究以 TOE 視角提出兩個研究問題：

1. 研究問題 1（RQ1）：Agencies 在採用開源軟體或專有方案時，會受到哪些因素影響？
2. 研究問題 2（RQ2）：Agencies 對 OSAI 的採用模式，是否可能不同於 OSS？

為了回答這些問題，我透過半結構式訪談，蒐集澳洲、加拿大與德國 Agencies 中 31 位 AI 決策者的觀點與經驗。我主張，在開源與專有 AI 之間做選擇的決策過程，與 OSS 和專有軟體之間的選擇有許多相同考量，特別是在組織層面；但技術與環境面向則有相當大的差異。AI 模型的運作方式比傳統軟體產品更同質，但其成功也更依賴周邊技術生態系，包括 Agencies 的技術堆疊與資料。AI 採用仍處於早期階段，意味著許多環境因素仍在變動中；相較之下，OSS 的社群、支援與相關法規已相當成熟，儘管未必總是正面因素。

在第 2 節中，我將說明與 OSS 及 OSAI 採用相關的理論背景。在第 3 節中，我描述這項實證研究的研究設計。第 4 節呈現訪談發現，第 5 節則討論其意涵與影響。

2. 理論背景

2.1. 公部門的創新採用

在創新擴散研究中，新技術的採用通常被框定為「現狀」與「新創新」之間的二元選擇，例如關於是否採用雜交玉米，或是否把水煮沸的經典案例（Edquist & Hommen, 2000; Rogers, 2003; Ryan & Gross, 1943）。AI 是政府目前面對的最新一波重大技術創新。

為了理解創新如何被採納，學者提出了多種理論架構，例如創新擴散理論（diffusion of innovation theory）（Rogers, 2003）、技術接受模型（technology acceptance model, TAM）（Davis, 1989），以及其後續發展，包括整合性科技接受與使用理論（unified theory of acceptance and use of technology）（Venkatesh et al., 2003）。這些理論提供了廣泛的因素，用來解釋創新為何會擴散並被採用。然而，當決策是在兩種大致可相互替代的新技術之間做選擇時，這些理論所描述的機制就較不適用。因此，本文在開源與專有技術之間的選擇上，採用創新擴散理論中的相關因素，但將其納入 Technology–Organisation–Environment（TOE）架構之中。Tornatzky and Fleischer (1990) 提出 TOE 架構，主張採用決策是由技術本身的屬性，以及組織與環境脈絡共同驅動。其後許多學者也採取此一取徑，包括研究傳統軟體選擇時（如 Sánchez et al., 2020; Ven & Verelst, 2006），以及研究 AI 採用時（如 Chen et al., 2024; Madan & Ashok, 2023; Mikalef et al., 2022; Neumann et al., 2024）。

2.2. 開源軟體與專有軟體之間的選擇

在公共行政與私人組織的脈絡中，是否採用來自開源或專有來源的傳統軟體，已被廣泛研究，而且深受意識形態因素影響（如 Medappa & Srivastava, 2020; Stewart & Gosain, 2006; Ven & Verelst, 2006）。在這裡，TAM 的重要貢獻，在於凸顯決策者的認知扮演關鍵角色，而這與完全客觀的現實有所區別。當前似乎既沒有運作完善、完全採用開源的政府典範，雖然德國的 Schleswig-Holstein 邦目前正朝這個方向努力（Landesportal Schleswig-Holstein, 2025）；也沒有哪個政府會對完全依賴專有工具、並承擔數位主權意涵不明的情況感到完全滿意。這反映出擴散、接受與採用因素之間的複雜交織。像 Hauge et al. (2010) 的系統性文獻回顧這類廣泛研究發現，相較於專有工具，選擇 OSS 的關鍵原因主要是技術面因素。同樣地，其他研究主張，因為可自由取得且能客製化，開源選項被視為比專有方案更獨立、更在地化、更具成本效益、更有彈性，也更能滿足特殊需求（Bouras et al., 2014; Hauge et al., 2010; Ven & Verelst, 2006, Van Loon & Toshkov, 2015），並且更能滿足使用者需求、較少出現軟體錯誤、具備較強安全性與自由度（Bouras et al., 2014; Freeman, 2012; Gurusamy & Campbell, 2012; Raymond, 2000）。然而，儘管 Ven and Verelst (2006) 所研究的比利時組織認為更完整的文件與原始碼等特性很有價值，實際上卻沒有任何一個真正利用這些特性。此外，儘管它表面上的標價為零，也可能反而讓人產生一種觀感，認為這代表它有風險或品質較差（Freeman, 2012; Noronha, 2002; Shaikh, 2016）。

專有方案的易用性，或許可以解釋為何它們在各地公共行政體系中如此普遍。與專有方案相比，開源工具的彈性可能導致較高的技術複雜度，因而需要更陡峭的學習曲線（Shaikh, 2016）。有多項研究指出，即便曾嘗試採用 OSS 一段時間，最後仍轉回專有工具，這顯示產品效益不足以克服對易用性的負面觀感（如 Fitzgerald, 2009; Rossi et al., 2012; Shaikh, 2016）。許多研究也發現，組織內部的動態，對 OSS 是否會被採用至關重要（如 Holck et al., 2005; Shaikh, 2016; Zuliani & Succi, 2004）。

誰的意見被視為重要，同樣有影響。許多研究指出，管理者有別於技術人員或高階領導者，是成功採用過程中的關鍵群體（Freeman, 2012; Rossi et al., 2012; Sánchez et al., 2020; Shaikh, 2016, Van Loon & Toshkov, 2015）。在深度訪談中，Shaikh (2016) 發現，管理者會預先因應 OSS 採用過程中可能出現的內部問題而改變方向，從學習曲線過陡到可能缺乏支援皆然。Shaw (2011) 發現，OSS 是由「insurgent experts」推動的，他們為了促成採用而投入政治資本。在針對芬蘭公部門採用 OSS 的研究中，Freeman (2012) 對比了技術人員支持 OSS 的觀點，以及文書行政人員偏好專有軟體的看法。會自行選擇進入公職體系的工作者，通常風險趨避傾向較高（Chang, 2024; Schofield, 2001），這或許會影響他們對 OSS 作為挑戰者產品、相較於熟悉的專有軟體，其成本效益取捨的認知。

善用顧問公司或技術供應商等外部支援，是組織改善對開源工具易用性感受的關鍵方法。許多組織內部並不具備足夠能力，能夠完全自行導入（Shaikh, 2016; Van Noordt & Tangi, 2023）。由於開源工具通常是在沒有保固、責任承擔或保證的情況下提供，把部分或全部導入工作外包，等於把「交付可用產品」的責任認知，從組織本身轉移到外部支援者身上（Holck et al., 2005）。若這類支援不再可得，便可能造成導入延誤（Shaikh, 2016）。這種動態在傳統軟體的選擇中尤其明顯，因為專有產品可能同時由原始供應商本身，以及具備相關專業的顧問公司提供支援。對機關而言，任何新技術背後若有品牌撐腰，可能會讓人更安心（Freeman, 2012; Shaikh, 2016）。外部支援甚至可以延伸到把開源社群的角色制度化。Shaikh (2016) 對開源的定義中有五個要素，其中兩個要素，也就是社群與協調機制，與技術本身不同，反映的其實是 OSS 社群持續提供的支援。

相比於關於 OSS 採用的大量研究，目前學界對 OSAI 的研究主要仍侷限於 OSAI 模型如何在技術上被開發（如 Osborne et al., 2024）、何者應被視為 OSAI 的定義爭論（如 Liesenfeld & Dingemanse, 2024; Widder et al., 2024），以及地緣政治與企業競爭（如 Floridi et al., 2025; Widder et al., 2024）。後者指出，數位主權可能是 OSAI 採用中的相關因素，這與 OSS 的採用不同；在 OSS 中，安全性是更強的因素。與社群投入及支援相關的採用機制，對 OSAI 來說也可能較不重要，因為基礎模型通常是直接以產品形式由原始開發者提供，幾乎不保證支援；不過，正如 Shaikh (2016) 所指出，支撐 OSS 專案的協作且能即時回應的程式碼儲存庫這種理想，在實務上也不一定總能實現。這種「產品化」限制了 OSAI 模型隨時間演變的方式，因為模型通常是被原始開發者以新模型取代，而不是持續升級。

在其針對公私部門組織採用 Free / Libre / Open-Source Software（FLOSS）的系統性文獻回顧（SLR）中，Sánchez et al. (2020) 整理了他們審閱的 54 篇論文中所提到、與 OSS 採用相關的各種因素，如表 1 所示。雖然他們將 TOE 中的「E」定義為 Economic，但本文另外加入了 Environmental 採用因素（即不在組織控制範圍內、也不是技術核心特徵的因素），以符合 TOE 的典型表述。

回顧現有文獻的一項挑戰在於，許多關於 OSS 採用的實證研究，是以尋找採用 OSS 的理由為框架，或聚焦於 OSS 採用成功的因素，而非對 OSS 與專有軟體進行同等權重的評估。因此，後續分析將假設專有軟體與專有 AI 是現狀，而開源替代方案是挑戰者。這反映了傳統軟體與 AI 在現實世界中的模式，儘管在生成式 AI 出現之前的機器學習應用中，開源其實一直相當普遍（Bright et al., 2025）。

表 1　OSS 採用因素（改編自 Sánchez et al., 2020）

來源：改編自 Sánchez et al.（2020）。環境採用因素綜整自 Shaikh（2016）、Ven and Verelst（2006）、Badampudi et al.（2018）、Dedrick and West（2004）、Munoz-Cornejo et al.（2008）與 Freeman（2012）。

3. 研究設計

為了回答研究問題，本研究主要依據 31 場半結構式訪談，訪談對象為澳洲、加拿大與德國公部門機關目前在職或近期離職的決策者，訪談時間為 2024 年 12 月與 2025 年上半年。初步文獻回顧與桌面研究顯示，關於公部門 AI 模型選擇的研究相當稀少，尤其是與 OSAI 有關的研究。這促成本文選擇以訪談而非個案研究作為資料蒐集方式，其優點在於能涵蓋更廣泛的觀點與考量。未來若採用個案研究，或許有助於更深入探討這些主題。此外，為了擬定訪談提綱（見附錄 2），並及時掌握現狀概況，本文也參考模型開發者網站、使用者論壇與媒體報導等來源，蒐集與 AI 模型特徵及實作相關的脈絡資訊。

3.1. 參與者招募

參與者是透過蒐集政府 AI 計畫的文件證據、透過電子郵件或 LinkedIn 進行個別接觸，以及其他參與者的推薦來辨識；這是一種滾雪球抽樣技術，Freeman（2012）等研究者也曾採用。參與者約有三分之一為女性、三分之二為男性。

選擇澳洲、加拿大與德國這些轄區，是基於以下因素：

• 可受訪的資深決策者之可取得性與開放程度；
• 聯邦制結構相較於中央集權國家，因州或省具有較高自治權而增加了決策者數量，並帶來更高的觀點異質性；
• 避開擁有全球知名本土模型的轄區，以免影響決策判斷；
• 這些轄區對 AI 導入選項的思考相對成熟（即便未必已廣泛實作），因此往往能對 AI 採用提供更多洞見（Van Noordt 與 Tangi，2023）。

參與者及其所屬機關的分布如下。

表 2　參與者與機關背景（各國內部隨機排序）

註：（1）角色經概括化，以維持匿名性，因為 AI 決策者人數仍相對有限。（2）在德國脈絡下，州層級包含城市。（3）「負責 AI 與資料領域」指該職能或部門主管；「監督 AI 方針」指負責監督、決定或協調 AI 專案，但不一定是部門主管；「主導 AI 專案執行」指負有資深技術或交付責任。

參與者最主要的納入條件，是其與 AI 模型選擇決策過程具有接近性或影響力，這一點可參照 Gurusamy 與 Campbell（2012）挑選會影響是否採用 OSS 之公務員的做法。實務上，參與者可歸入三種類別之一：負責 AI 職能或部門、在 AI 採用上擔任監督角色，或是 AI 專案的技術領導者。雖然公部門 AI 採用的範圍持續擴大，但依參與者本身的說法，會影響 AI 模型選擇決策的人口，在這三個轄區內仍相對有限，尤其是在聯邦層級。因此，這 31 位參與者來自各轄區中多數對 AI 採用具有影響力的關鍵機關，可說是相當具有代表性的當代相關觀點與經驗樣本。若進一步擴大抽樣，雖可進行更多量化分析，但很可能仍會重現本研究中所呈現的觀點。

為了讓參與者能坦率提供洞見，他們是以個人身分參與，並依據自己在各自機關的經驗發言，而非代表任何官方立場。將參與者姓名、職位與特定機關去識別化，主要有兩個原因。第一，是確保參與者能夠批判性地談論自己機關的文化與決策方式（即使並非所有人都這麼做）；第二，則是基於程序正當性考量，避免影響當前仍在進行中的 AI 模型採購案，包括研究中提及供應商的採購案。

3.2. 資料蒐集

所有訪談皆透過 Microsoft Teams 視訊會議進行，時間介於 45 至 90 分鐘之間，並採半結構式訪談，使用依據先前有關 OSS 選擇、創新採用理論並以 TOE 架構形成的脈絡性與主題性問題。訪談指引見附錄 2。為了將有關 AI 採用的討論偏向開源的風險降到最低，研究先蒐集 AI 導入的脈絡資料，再討論開源與專有之間的選擇，之後才回到決策過程與促成因素。

德文訪談由作者與另一位德語完全流利的講者共同進行，以確保互動中不會遺漏語言的細微差異。問題從早期探索到接受與實作，分為以下類別：脈絡與背景、AI 啟動與實作、對開源的考量、決策過程與影響因素，以及促成條件與後續效應。訪談主要使用開放式問題，因此有些參與者選擇較著重技術因素，另一些則較著重組織因素。參與者回應以國家代碼去識別化（例如 AU7、CA4、DE4），其編號為隨機選定。研究也詢問參與者是否有應參考的補充資訊來源，例如政策與指引。幾乎沒有參與者引用任何政府產出的資料，因此文件證據並未成為重要的後續資料來源。關於缺乏指引材料一事，將在第 4 節進一步討論。

3.3. 資料分析

除兩場依參與者要求改以詳盡人工筆記進行的訪談外，幾乎所有訪談都留下了逐字稿。德文逐字稿使用 Microsoft Translate 工具譯為英文，並由作者檢核。第 4 節所使用的引言盡可能保持原話。所有可識別的專有名詞都已移除；另有三位參與者的引言則為了進一步匿名化而略作摘要。

處理後的訪談逐字稿，以一種旨在延伸既有理論的質性內容分析方式進行編碼；Hsieh 與 Shannon（2005）將其稱為導向式內容分析（directed content analysis）。此方法仰賴開放式問題，以避免預先引導參與者朝特定方向作答。資料分析在一開始由演繹主題「導向」，有助於後續比較過去與當前狀態，而這也正是研究問題的目的。本文採取的方法也包含溯因元素，會主動對新主題保持開放（Timmermans & Tavory, 2012），以處理 AI 特有的動態。編碼手冊（見附錄 2）除了參考第 2 節涵蓋的 OSS 採用文獻中的演繹主題，也納入 AI 採用研究（例如 Mergel et al., 2023；Neumann et al., 2024；Pumplun et al., 2019；Straub et al., 2023；Van Noordt & Tangi, 2023；Wirtz et al., 2019），以形成 AI 特定主題的指引。

為了確保脈絡仍然鮮明，並採用重編碼（code-recode）方法（Fusch & Ness, 2015），初始編碼是在每次訪談後立即進行（通常於數日內），使用來自文獻的演繹主題以及歸納主題。編碼過程除了標記已識別的主題，也會同時留下筆記與說明，以供後續精煉。TOE 架構有助於組織編碼。其後，在最後一批訪談結束數週後，逐字稿（以及人工記錄的筆記）被整理進同一份彙整文件，再進行一輪編碼，以檢查演繹主題、將新的歸納主題回編到較早的訪談中，並釐清其定義。隨著時間推進，研究使用試算表追蹤主題，記錄定義變更、必要的排除與納入、相關例子，以及監測新主題的出現。當已識別的主題已能全面涵蓋資料，且新增學習幅度很低（Eisenhardt, 1989），例如不再出現新主題時，即表示已達飽和；本研究在第二輪編碼後即出現此情況。表 3 顯示已識別的演繹與歸納主題，以及各自主題的出現頻次與被編碼參與者所占比例。

利用已編碼的逐字稿，研究將引言或段落歸類到另一份依主題結構整理的文件中，以便將它們與個別參與者的逐字稿脫鉤，並更整體地掌握各主題。這份文件用來進一步進行歸納分析，也在最終檢查編碼之前，用來依照最新主題定義檢視演繹編碼，最終確認已達飽和。這份主題文件也有助於凸顯不同參與者與國家之間，各項採用因素的關聯。這些連結將於第 4 節進一步討論。主題分析中使用的編碼定義見附錄 3。

在解讀以下分析時，必須注意研究期間機關內的 AI 採用正快速演變。資料蒐集期間，DeepSeek 發布，加拿大也收到明確針對其主權的威脅。兩者都影響了 AI 模型選擇的決策，並帶入更偏向未來的視角。

表 3　用於編碼的主題及其出現頻率

註：（1）每次編碼指派均個別計算；同一編碼只有在後續實例提供不同洞見時，才會在同一訪談中重複使用。（2）頻率與百分比可能受三國樣本組成影響，儘管三國參與者人數大致平均。

4. 研究發現

以下各小節將依 TOE 架構安排，依序回答 RQ1 與 RQ2。

4.1. 機關採用開源軟體或專有選項時，受到哪些因素形塑？

4.1.1. 技術面向

雖然訪談主要聚焦於專有 AI 與開源 AI 之間的考量，但參與者經常是透過反思一般開源技術來回應這項選擇。他們對機關採取開源的立場認知，會因其與既有技術堆疊的契合程度而有所不同。開源採用的一項關鍵障礙，是它要求機關必須在自有基礎設施上投入更多資源，例如地端伺服器、CPU 與 GPU。相較之下，專有軟體的託管與處理由供應商負責的情況較為常見。根據 AU1 所言，「［在我們自己的基礎設施上］ 長期以來很可能一直存在相當明顯的投資不足。」對機關而言，專有選項之所以更具吸引力，是因為如果他們「忘了怎麼償還技術債……」

轉檔註記：本段最後一則受訪者引言在原始轉檔文字中於「忘了怎麼償還技術債……」後中斷，無法可靠補回。

澳洲與加拿大機關顯然更依賴雲端，相關編碼次數占了將近 80%。與適配性、相容性及實作容易度相關的因素雖然明顯，但不是最主導的主題，呼應了先前的 OSS 文獻（見表 1）。

4.1.2. 組織構面

在所有主題頻率計數中，超過一半與組織構面有關；相較於專有方案，這些因素在判斷開源是否可行時更為常見。五分之四的參與者認為人員能力是重要因素，內部能力較低時，要承擔採用開源方案所需、強度更高的技術工作就更困難，這一點也呼應了 Shaikh（2016）、Sánchez et al.（2020）與 Rossi et al.（2012）的觀察。澳洲與加拿大機關關注的是技能組合是否恰當，例如「我們很多產品團隊都有一些技能缺口」[CA9]，尤其是在 DevOps、資料工程與 AI 工程方面。AU8 將技能問題歸咎於一種「把包含科技在內的專業能力，預設成一種可以外包的商品，需要時隨時都能買到」的想法。相較之下，德國機關整體看來普遍捉襟見肘，其中有好幾個受訪者乾脆以「[整體經濟中] 技術勞工嚴重短缺」[DE12] 或「人口結構變遷」[DE4] 為由，說明為何自行內建能力的風險更高。或許也因為如此，其中絕大多數人都提到開源的一項優勢，就是能在多個機關之間，甚至與歐洲其他國家合作並利用規模經濟。這也反映出組織對開源有更高程度的開放性；德國受訪者更常提到 AI 之外更廣泛的開源歷史與脈絡。然而，DE11 認為技能短缺只是更高層次問題的幌子：「不需要更多開源開發者，該改變方向的是決策者。」DE6 也一針見血地總結某些決策者的態度：「在部門主管看來，開源就是那種我們大學時候喝了三杯啤酒回家後會拿來寫程式的東西。」

幾乎所有參與者個人都支持開源，例如 CA9 說：「過去 5 到 6 年，我們對開源解決方案一直有非常強烈的偏好」，但他們也提到其他決策者的疑慮是一種限制因素，例如：「他們會更偏好和知名供應商打交道，買現成的產品」[AU1]，或是它「開始被貼上那種善意嬉皮才會做的事的標籤」[CA4]。

對開源方案而言，一大障礙出現在採購階段，因為「缺乏服務等級協議（Service Level Agreements）」[DE11]、「採購制度偏向既有廠商與大型供應商」[AU4]，以及很難說明自己是在「採購某種之後別人也能使用的東西」[DE8]，這些都讓開源更難勾過合規檢核。這些問題部分源自安全或完整性疑慮：「對開源，總有人覺得中國人或俄羅斯人就在裡面」[DE8]，但也有人把它的開放性視為優勢：「開源工具其實可以非常安全，因為它們往往被非常非常多人看過」[CA2]。此外，在 AU8 看來，「開源的重點在於，它來自哪裡其實不重要，你實際上可以驗證它」，而當「[政府] 本質上是在讓 Microsoft 對內部發生的事擁有非常特權性的視角」[CA4]，以及「如果整個行政體系都搬到 Azure，10 到 20 年後，我們會在德國層級看到某種類似澤倫斯基（Zelensky）與川普（Trump）[2025 年 2 月於橢圓形辦公室會面] 的情況」[DE4] 時，這點就愈來愈重要。這些疑慮正在動搖受訪者所感受到的某些專有供應商鎖定效應：「Microsoft 和政府有總協議……所以他們處在相當有利的位置」[AU5]，以及「阻力最小的是 Microsoft 那一套……你一到職，電腦就已經預載好了……其他任何東西都得走一串核准流程」[CA4]。

4.1.3. 環境構面

愈來愈多外部因素正在驅動決策。DE11 認為，德國的 Onlinezugangsgesetz（OZG）在某些情況下基本上等同要求軟體必須是開源。德國受訪者占了「聯邦政府角色」這個主題編碼次數的 70%，反映出他們對中央協調與領導有更高的期待。例如 DE3「建議設立一個可作為開源聯絡窗口的中央單位」，而 DE10 則希望「聯邦政府會出現新的架構」。這反映出德國「去中心化的聯邦體制」[DE11] 與希望由上而下提供指引和規則、說明何時開源比專有方案更合適之間的張力。DE12 認為政府應該「更從歐洲的角度思考」，而 CA10 則記錄到需要「與［其他盟友國家］互通互操作」。許多參與者認為，政府把開源社群的付出視為理所當然，例如「我們必須擺脫這種謬誤：更大的社群就是會替我們把東西開發好」[DE5]；但也有人，主要是在澳洲與加拿大，警告政府不切實際地成為大規模貢獻者並不可行：「如果我的團隊把 100% 的時間都花在貢獻開源專案，那也不是納稅人金錢的好用法」[AU7]。能力很強的外部顧問被視為對開源相對中立，「供應商大致上會盡量提供你所要求的東西」[AU6]，不過也有一些人「想賣我們封閉系統，因為那樣才能把我們綁住」[DE4]。對開源採用的許多顧慮，最終還是回到相對較弱的品牌力；不少參與者提到那句老話：「用了 IBM，從來不會有人因此惹上麻煩」[CA2]，或是將 IBM 換成 Microsoft 的變體。AU4 強調，對政府而言，「社會授權（social licence）」之所以重要，是因為它會成為信任既有品牌的理由，不過在參與者之中，聲譽並不是被廣泛提及的因素。

4.2. 機關採用 OSAI 的模式是否可能與 OSS 不同？

4.2.1. AI 採用脈絡

為了讓開源 AI（OSAI）的採用分析更有依據，有必要先了解各機關如何嘗試採用 AI。生產力型使用案例（例如摘要、知識管理）最為常見，占被提及案例的將近一半；其次是作業部署型案例（嵌入流程之中，例如異常偵測、預測或文件生成），約占三分之一；再來才是面向民眾的案例與法規監理類案例。[^2] 由於受訪者本身負責 AI 採用，他們對其潛力表現出的懷疑，沒有更廣泛社會論述中那麼強烈；不過，他們仍然指出目前模型能力的弱點。

4.2.2. 技術構面

雖然開源 AI 在政府領域已有長久歷史，但由於 AI 與機器學習之間常被混淆，加上像 Llama 這類模型是否屬於開源的爭論格外突出，受訪者在討論 OSAI 與專有 AI 時，普遍都以生成式 AI 為主要參照。生成式 AI 出現之前的 OSAI 與生成式 OSAI 的一項關鍵差異在於：由於模型訓練成本高昂，後者對訓練原始基礎模型那家公司的依賴程度高得多。參與者可以做微調，但無法從根本改變 OSAI 模型的性質。然而，和專有產品與 OSS 之間往往界線鮮明的差異相比，多數主流 AI 模型在功能、效能與準確性上的感知差異其實不大。AU7 評論說：「透過既有的商業與支援安排去取得那些已經商品化的大型語言模型（LLM）是合理的；我們不會自己跑出去重做那些本來就能自動取得的東西。」CA8 提到 Google 於 2023 年的一篇論文，文中稱他們「沒有護城河」。對於像 AU2 那樣較專門、且非 LLM 的使用案例，人們會投入更多力氣檢視準確性。其他機關則使用 Hugging Face 上的熱門程度 [CA2, DE6]、模型輸出的並排比較，或外部分析 以及媒體報導來判斷哪一種表現最好。這與 OSS 不同，因為軟體被認為較難進行基準測試。儘管如此，和 OSS 一樣，可用性仍然非常重要，只是受訪者改以適配性、彈性以及對 AI 模型的掌控等概念來表述，例如「你其實可以把開源模型拿來，調整成真正符合你的使用情境」[AU6]。這又牽涉到資料成熟度，而這是決定要選開源還是專有方案的關鍵因素。不只是「資料治理」[AU1, CA9, CA7]，還有「現在這些資料非常零散、彼此孤立」[CA2]。AU4 總結了這項挑戰：「如果資訊管理做得很糟，那 AI 只會把這個問題放大。」然而，即使有高品質資料，要在內部處理這些資料，仍取決於三個國家各機關基礎設施準備度的差異；這是絕大多數受訪者都提到的主題。有些機關「已經具備成熟的基礎設施，可以運用這類工具」[CA5]，也有些機關仍在追趕，或不願意「支援自己的硬體」[AU5]。雖然這種動態和 OSS 類似，但對 AI 來說情況更嚴重，因為資料處理需求高得多：「我們標準的資料中心並不是為了 AI 所產生、每個機櫃如此高的能源需求而設計的。所以，也許有些機關會改用商業模型，因為它們不必處理這件事」[DE5]。阻礙不只是基礎設施是否合適，還包括是否有能力取得或投資這些設施。DE8 提到，該機關雖然擁有非常大量集中的 GPU 資源，但顯然「不可靠，經常當機，然後又閒置兩天」，DE6 也有類似說法：「我們有硬體和軟體資源可以在內部打造一些東西……問題更在於可操作性與可維護性。」然而，其他人則無法輕易取得硬體，因為這「涉及非常高的投資成本」[DE1]。澳洲與加拿大則更聚焦於雲端，因為無論是專有模型還是 OSAI 模型都可以部署在那裡。這種典範也有其成本考量，例如「如果你的規模相當小，且你和 AI 系統之間的交易次數會相對較低，那麼付費取得專有 AI 的存取權其實不算特別昂貴……但如果你是把生成式 AI 系統部署給[某個大型機關中的數千人]而且他們每天都會使用……那就會變得非常昂貴」[AU6]。也有人擔心，這種權衡仍未定案：「成本模型[正在]變動得非常快」[CA5]、「這些[專有]模型的成本，今天已經是它們此生最便宜的時候了」[CA3]，以及「即使你選擇開源模型，把它帶到公有雲平台上，你還是得付儲存費」[CA1]。

4.2.3. 組織面向

影響 AI 模型選擇的組織因素，和圍繞 OSS 的文化與態度因素高度相關，同時也與整體社會對 AI 的論述相互作用。各機關高階管理層技術知識不足，被認為助長了對 AI 較為謹慎的態度，尤其是對較不熟悉的方案。許多人認為 Microsoft Copilot 是安全、預設的選項：「我們會簽下 Microsoft Copilot 365，然後那就是你唯一能用的工具」[CA6]。受訪者形容高階主管對探索新 AI 選項的態度是「害怕」[AU1]、「求穩」[CA3]、「缺乏 [AI] 素養」[AU1]，以及帶著「近乎誇張的風險規避」[CA7]。然而，CA2、CA7 和 AU5 也提到，當高階管理層開始了解 AI，或提出 AI 應用情境的想法時，反而有助於推動他們對新形式抱持更開放的態度。DE3 記錄了該機關花了兩年時間才對 Python（擁有大量開源套件的程式語言）感到安心，這需要「丟給決策者非常簡單的小點心，好讓他們做出其實相當不舒服的決定」。當小型技術團隊（AU3 稱之為「skunkworks」）擁有主要決策權，並且能在「sandbox」[AU1] 中自主運作時，更可能採用 OSAI，以及其他創新的 AI 用法；在許多情況下，這類作法的金額也低於需要更多合規程序的門檻。

此外，AI 的相對新穎性也意味著，既有且擁有強大 AI 產品的供應商，正受惠於偏好延續性的採購慣例，例如「某些公司提供特定 AI 系統時……很快，我們就直接買授權」[DE6]。不過，相較於傳統軟體，供應商綁定對 AI 模型來說遠不是那麼嚴重的問題：「我們試著保持彈性，我們現在在自己的框架中[規定]，也可以把 Mistral 換成 Llama、換成 DeepSeek，拿來用、看看哪個模型表現最好，關掉一個模型，再換成另一個」[DE2]。資料保護與安全，在 OSAI 與專有 AI 工具之間的選擇上，是更切身相關的因素。這在某些方面讓專有選項更有利，例如「Microsoft 早就把所有合約安排好了，完成了安全審查，也取得 protected B 認證」[CA5]，以及「網路安全是我們在 OSAI 上必須密切關注的議題」[DE12]；但在另一些方面，OSAI 又占優勢，例如「所以[如果我是安全機關]，我會去拿開源模型，然後把它們穩定化……我會希望能夠實施實體隔離（air gap），以確保不管大型語言模型到底蒐集或學到了什麼，它在運作時都不會和全球性的基礎連結在一起」[AU7]。這些考量顯示組織因素的關鍵性，它們占所有編碼數量的 57%，而且與技術選擇彼此依存。這也反映出，當議題涉及 AI 時，人們對安全的理解仍在演變中；相較之下，OSS 則被視為傳統軟體實作的一部分。

數位主權又讓 AI 的選擇變得更加複雜。或許是因為 AI 基礎模型不像傳統軟體套件那樣可行於內部自建，因此對美國供應商的依賴感受更為強烈。DE6 表示，「主權是第一順位的決策因素，也就是對 AI 系統的控制權」；而 CA10 則表示，他們的機關「和 Microsoft、Google 都有互動，但我們沒有採用他們的 AI，因為我們想要加拿大自己的東西」。在訪談期間，DeepSeek 的出現也促使許多人評論，界線正在被劃定，例如：「DeepSeek 也許有點超過了，但我們至少應該考慮把其他中國的 [AI 模型]部署在地端」[DE5]。甚至不只主權問題，一些受訪者還主張，AI 模型應該反映本國情境，例如：「一個由澳洲打造、在訓練中內嵌澳洲價值、能更準確代表澳洲的澳洲 AI 模型，會長什麼樣子？」[AU5]。專有 AI 模型無法被完全檢視，對安全與隱私來說也是個問題：「很多商業模型都非常像黑盒子」[AU7]。不過，AU5 也指出，關於哪些模型算是開源的爭論並不只是語意問題：「如果你不知道它是用什麼資料訓練的，那它其實就不算真正的開源。而我們不知道。」

4.2.4. 環境面向

外部因素被認為對 AI 的選擇影響較小，相較於傳統軟體，只占總編碼數量的約十分之一出頭。圍繞 AI 模型的開源社群並不被認為已經發展成熟，而且有些還是從比較不典型的地方冒出來，例如社群媒體，「Discord 裡面就有一個 Ollama 社群」[AU9]。AU5 表達了一種擔憂，認為如果選擇 OSAI，可能就得放棄提供「面向大眾的企業級服務」所需的供應商支援。對於是否回饋 OSAI 社群，受訪者的態度不是謹慎偏正面，就是略偏負面：「你真的必須把[這件事]控制得很緊」[AU3]。和 OSS 社群一樣，其中的價值很明確：「擁有這樣一個由開放標準與開放程式碼構成的生態系，能帶來極大的好處，讓我們可以加速推動自己在做的各種事情」[CA8]。不屬於該機關、但屬於更大政府體系一部分的內部顧問，在 AU2 與 AU9 實作其 AI 解決方案時扮演了角色；而在德國，眾多政府 IT 服務供應者則扮演強而有力、且有時彼此衝突的角色。有些機關在決定 AI 模型時，會借重外部資源，包括 Gartner、顧問與社群媒體；例如 AU4 解釋顧問可能會說：「我們之前已經用過[某個 AI 解決方案] 6 次了，我們知道它很好。」相較之下，「[某個 AI 模型的建議] 如果是從學術界出來的，因為成本因素，可能更有機會是開源的」[AU4]。由於針對 AI 選擇的具體指引或規範仍處於早期階段，因此它們的影響力不大；然而，跨機關，甚至跨州之間的互動，仍提供了可供學習比較的對象。這三個國家各自都有 AI 的實務社群或跨政府工作小組，可供分享洞見，但德國各邦最清楚意識到彼此在做什麼，許多人都指出漢堡（Hamburg）、巴登-符騰堡（Baden-Württemberg）與石勒蘇益格-荷爾斯泰因（Schleswig-Holstein）是採用 AI 選擇上的不同模式。

當被問到要如何排序他們選擇 AI 模型的標準時，並沒有出現一致的排序。不過，參與者傾向聚焦於技術層面的考量，例如基礎設施與既有技術堆疊的相容性、效能、控制與品質，以及安全、主權與倫理因素。

5. 討論

5.1. 對研究與理論的貢獻

本研究延伸了公共部門採用 OSS 的一條研究脈絡（例如 Shaikh, 2016；Ven & Verelst, 2006），用以比較並對照當代對於採用 OSS 與採用 OSAI 的不同立場。表 4 所示的三個 TOE 領域中，關鍵決策因素皆可見差異：

表 4　傳統軟體與 AI 的決策動態差異，以及三個研究國家的比較摘要

本研究對學術研究提出了幾項重要貢獻。

首先，就我們所辨識到的研究而言，這是唯一一項將大量關於 OSS 採用的文獻延伸到 OSAI 採用的學術工作。研究凸顯 OSAI 與 OSS 在技術特性上有根本差異，這意味著針對 OSS 所作的假設，不能直接套用到 OSAI。第二，本研究運用 31 位資深決策者的洞見，接續公共部門 AI 研究的發展，並特別聚焦於 OSAI。第三，本研究對比了三個在技術採用途徑上各不相同的國家之 AI 採用情況。這些發現凸顯了數位化歷史模式、當前對主權的認知，以及 AI 選擇對採購、基礎設施整備度與人員能力所帶來的後續影響。這項研究對政策制定者與公共部門領導者也具有實務意義，特別是對那些希望在數位主權與擴大 AI 工具規模之間取得平衡的人而言。

跨領域與跨司法轄區的決策因素差異，顯示 TOE 的簡單比較力量，在於它提供了一個框架，得以在（試圖）固定兩個維度的同時，深入探究第三個維度。進入當前生成式 AI 時代已超過三年，各機關仍在適應 AI 模型效能、成本與適配性持續變動的技術環境，這呼應了 Shaikh（2016）對 OSS 可變性的關注；同時也包括高階管理者與政治人物態度等組織動態。即便是這個領域中的參與者本身，也仍在改變策略，例如 OpenAI 已將其部分模型以開源方式釋出（OpenAI, 2025）。這些動態支持了本研究以創新擴散與採用理論作為基礎。雖然 OSAI 並未被視為明顯更具創新性的選擇，但它被認為能為各機關帶來更多技術可能性與選擇彈性，這與將 OSS 視為具創新性的觀點一致（Hauge et al., 2010；Rossi et al., 2012）。此外，延續先前發現部署 AI 的機關普遍缺乏強大 AI 能力的研究（Neumann et al., 2024；Sienkiewicz-Małyjurek, 2023；Van Noordt & Tangi, 2023），本研究顯示，那些具備足夠技術領導與能力、因而能打開一系列選項（包括開源）者，與那些因內部能力不足、只能作為 AI 產品「消費者」且主要使用專有產品者之間，存在明顯分歧。

Van Noordt 與 Tangi（2023）呼籲將 AI 研究與電子化政府研究連結起來。這項貢獻凸顯，電子化政府中一向重要的主題，包括採購能力與組織文化，如今已成為影響 AI 採用，以及在 OSAI 與專有替代方案之間做選擇的重要因素。組織因素占全部編碼的 57%，呼應了 Shaikh（2016）、Freeman（2012）、Zuliani and Succi（2004）等人先前對組織動態在技術選擇中重要性的發現。至於個人偏好與意識形態在決策中的強烈作用，現有證據仍不明確。一方面，決策者支持開源理念；但另一方面，與 Hauge et al.（2010）的發現一致，理性技術與經濟考量仍是決策者心中最優先的因素。只有在極少數情況下，這才延伸到資產所有權決策中常見的成本效益分析，也就是投資於擁有並控制某項資產，會高度決定後續策略決策（Baker & Hubbard, 2003）。OSAI 模型的同質性、頻繁的版本升級週期，以及相對容易切換的特性，使得對單一模型的忠誠度在策略上較不重要，也降低了將其當作資產投資的誘因。相反地，各機關的資料基礎設施資產，才是決定是否可行於本地部署 AI 模型的重要因素；缺乏地端資產者，不願僅為採用 OSAI 而投資。儘管如此，像 Mistral 與 DeepSeek 這類 OSAI 模型能在 Azure 與 AWS 等專有雲平台上取得，顛覆了將開源採用視為內部化（in-sourcing）的概念：如果各機關只是像連接 ChatGPT 端點那樣，去連接 Azure 或 AWS 上某個 OSAI 模型的端點，那麼它們其實並沒有投資於自己的 OSAI。在數位主權的脈絡下，參與者也意識到這種動態，並指出 AI 決策不只是關於使用哪個模型，也關乎具主權性的雲端基礎設施。Shaikh（2016）將開源定義為授權條款、社群、程式碼、協調機制與文件，但這樣的定義與參與者討論 OSAI 的方式顯得相當陌生。例如，授權條款只被編碼了 10 次（主要來自德國參與者）；對 AI 而言，程式碼本身沒那麼重要，而社群與協調機制仍處於早期成熟階段。各機關 OSAI 模型的能力，與開源基礎模型的原始開發者（例如 Mistral AI、Meta 與 High-Flyer）緊密相連。各機關仰賴這些開發者釋出更新，而要對 OSAI 模型進行大幅再訓練所需的高運算資源，也意味著開源社群所扮演的角色，比起 OSS 採用來得更小。

哪些決策者做出技術選擇，牽涉到創新擴散理論與制度理論。Rogers（2003）提出了採用者類型學，而大多數參與者依其角色而言，至少在公共部門脈絡下，都屬於創新者或早期採用者。即便在同一國家或同一政府內部，意見仍高度多元，這顯示強制性同形化（coercive isomorphism）（DiMaggio & Powell, 1983）尚未出現，可能是因為缺乏已發布的政策與指引。相較之下，研究中確實有一些模仿性過程（mimetic processes）的證據（同上），尤其體現在德國與加拿大參與者密切關注其他機關的發展，這也反映了 Rogers（2003）所說的溝通管道動態。至於日常接觸 AI（例如 ChatGPT、Gemini）如何進一步影響決策者的觀感曾被受訪者觸及，但值得進一步研究。

5.2. 侷限性與未來研究缺口

雖然本研究呈現了三個不同國家情境中，相當大比例決策者對 AI 的當代觀點，但仍有一些侷限。首先，本研究反映的是受訪者自我陳述的觀感，以及他們對 OSAI 與專有 AI 某些屬性的表述性偏好，而非實際使用中揭露出的偏好。基於其專業角色的職責，受訪者對 AI 潛力的看法往往較偏向樂觀。其他負責營運、風險或採購角色的員工，對 OSAI 採用可能有不同觀點，進而影響整個組織更廣泛的採用潛力。半結構式訪談的形式，讓受訪者可以聚焦於自己最感興趣的主題，這有助於顯示某些因素的重要性，但也妨礙了案例之間的系統性比較。至於哪些決策者決定參與、他們的具體職位，以及其在 AI 採用上的責任（例如交付角色與政策角色），也可能帶來選擇偏誤。不幸的是，文件證據的稀少，妨礙了分析中進一步的三角驗證。這些侷限意味著，仍需要進一步研究來確認這些發現跨國之間的穩健性與可推廣性，以及這些受訪者陳述的因素是否反映在實際採用上。這也包括時間敏感性，因為部分受訪者的回應可能受到訪談時點影響，例如與 DeepSeek 發布及國家主權威脅相關的情況。

各機關也仍在持續調整其 AI 模型選擇的策略與方法，而目前關於部署了哪些 AI 工具的資料仍相當稀少。若能系統性蒐集採用模式資料，便可透過比較「人們怎麼說」與「實際怎麼做」來補強本研究，而主題出現頻率目前僅反映質性逐字稿中的編碼密度。此外，本研究也凸顯，不同機關之間的觀點與經驗存在高度多樣性。因此，很難將其概括並收斂成少數幾個關鍵因素，這也是 TOE 方法適用的原因之一。受訪者去識別化也使得更深入檢視機關與個人脈絡變得不可行。由於本研究是首次系統性檢視公共部門情境中 OSAI 的研究，因此採取的是較廣泛的採用視角。若能更細緻檢視個別因素，將有助於研究者與政策制定者理解不同類型 AI 採用成功或失敗背後的驅動因素。最後，若將「OSAI」僅僅理解為涵蓋開源模型，這樣的概念化過於簡化。本研究採用了務實的 OSAI 定義，以符合受訪者的觀感與實際選擇。就各機關而言，為了採用像 EleutherAI 的 Pythia 這類最大程度開源的模型，是否願意以效能等關鍵屬性作為交換，目前仍不清楚，這也為進一步的調查研究留下缺口。此外，一個 AI 模型周邊還有許多讓其得以運作的技術元件，而這些元件未必都是開源的。受訪者強調，並不存在所謂「一個 AI」這回事，這凸顯出將 AI 視為一個由多種元件組成的生態系的重要性，而這些元件支撐了安裝、微調、提示工程、監測與保證等步驟。隨著研究領域持續發展，這一點應可逐步實現。

CRediT 作者貢獻聲明

Nicholas Robinson：撰寫－審閱與編修、撰寫－原始草稿、視覺化、驗證、督導、軟體、資源、專案行政、方法論、研究調查、正式分析、資料整理、概念化。

利益衝突聲明

作者聲明以下財務利益／個人關係，可能被視為潛在的利益衝突：

1. 澳洲政府數位轉型局（Digital Transformation Agency）為作者先前的雇主（2022–2024），且與本研究相關。作者目前與該組織已無任何持續性的正式關係，且該組織並未對本研究產生任何影響。
2. 作者已於 2025 年 7 月，在本研究任何最終定稿或發表之前，處分其於 Microsoft 與 Alphabet 的直接股權持有，且不再對這些公司擁有任何進一步的重大財務利益。
3. 作者持有依法必須提撥的退休金（superannuation）基金與指數股票型基金（Exchange Traded Fund）部位，其中可能包含與相關公司有關、但比例不重大的股權，例如 Microsoft、Meta、Alphabet 等。
4. 作者除 Hertie School 支付其研究助理薪資外，未接受其他研究資助。

附錄 A：開源定義與 OSAI／OSS 比較

A.1. 開源的關鍵定義

對於開源與專有模型，並不存在二元分明的定義。在 OSS 脈絡中，學者使用各種特徵來界定何謂開源與非開源，例如：

• Shaikh（2016）：以五個要素界定開源——（1）授權條款、（2）社群、（3）程式碼、（4）協調機制、（5）文件。
• Sánchez et al.（2020）：以 Free / Libre / Open-Source Software（FLOSS）作為概念基礎。
• Schrepel and Pentland（2024）：提出開放性分類法，以提供政策建議，使政策制定者得以維持具競爭性的生態系。
• 丹麥科技委員會（2004）：將開放標準定義為持續免費取得、不得在使用者之間差別待遇、不得日後限制存取，並完整記錄所有面向。該原始資料已無法取得，此處引自 Rossi et al.（2012）。

分類光譜（taxonomy spectrum）是處理這些差異的一種方式（The Economist, 2024），可透過辨識使模型更開放或更封閉的關鍵差異來界定，主要涉及模型權重等技術元件的存取、授權等商業限制，以及產品本身可如何使用。這些差異如表 5 所示：

表 5　開源 AI 的光譜

來源：綜合 Azoulay et al.（2024）、The Economist（2024）、Borg et al.（2019）、Shaikh（2016）、Schrepel and Pentland（2024）、Lin（2024）、Yan（2025）、Liesenfeld and Dingemanse（2024）與 Open Source Initiative（2026）。即使此處歸為「不受限制的開源」的 OSAI 模型，也未揭露訓練資料，因此未必可視為「最大程度開源」。

從公共行政的角度來看，開放性光譜上的某些 AI 模型類型，或許更適合被視為高度可配置的現成工具（off-the-shelf tool），因為這些組織中有許多會透過 Microsoft Azure 或 AWS 等第三方雲端平台來存取開源模型。這也得到 OSS 文獻的支持，例如 Ajila and Wu（2007）與 Li et al.（2006）。

A.2. OSAI 與 OSS 的差異

OSAI 與 OSS 在技術屬性與採用層面上都有顯著不同。表 6 彙整了不同開發與使用階段的關鍵差異（由於傳統軟體與 AI 模型本身高度多樣，部分內容屬於概括性描述）：

表 6　OSAI 與 OSS 的關鍵差異

來源：Bateman et al.（2024）、Azoulay et al.（2024）、Borg et al.（2019）、Sánchez et al.（2020）、Shaikh（2016）、Schrepel and Pentland（2024）、Yan（2025），以及受訪者訪談觀察。

儘管 OSAI 與 OSS 之間的區別仍在演變中（Bateman et al., 2024），兩者也反映出 AI 與傳統軟體之間的根本差異。若能進一步研究這兩類別在技術面與採用面上的差異，將有助於學者與實務工作者理解開源概念正如何改變。

A.3. 主要 OSAI 模型的現況

Meta 的 Llama 模型主要是在嵌入其產品時使用，例如 Instagram、Messenger 與 WhatsApp。Meta 已提供 Llama 4 供下載，不過其使用上仍有一些限制，超出一般典型開源授權（例如 Apache 2.0、MIT）的範圍。Mistral AI 已與 Microsoft 合作，現在也開始對部分模型收費（Lex, 2024）。中國公司 DeepSeek 以其 R1 與 V3 模型崛起，並宣稱這些模型是以相對少量的運算資源訓練而成；DeepSeek 也持續將其開源，並允許騰訊（Tencent）等其他業者為其建立 API（Gibney, 2025; Roose, 2025; Wu, 2025）。Alphabet 將能力較低的 Gemini 模型以開源形式釋出，而 OpenAI 則在 2025 年年中釋出一系列效能較低的開源模型（OpenAI, 2025; Seetharaman, 2025）。

附錄 B：訪談指引

B.1. 訪談指引

本訪談指引是根據兩個主要來源制定：

• 關於 OSS 採用的研究主題、研究發現與訪談指引（例如 Shaikh, 2016；Ven and Verelst, 2006；Freeman, 2012；Sánchez et al., 2020）構成本指引架構的基礎，影響關鍵主題與問題流程。
• 關於 AI 採用的研究（例如 Madan and Ashok, 2023；Mergel et al., 2023；Hickok, 2024；Van Noordt and Tangi, 2023）則用於設計 AI 採用情境相關問題。

由於研究問題（Research Questions）是以比較 OSS 與 OSAI 採用情況為架構，因此必須確保訪談指引涵蓋 OSS 採用文獻中辨識出的關鍵主題，同時也涵蓋 TOE 架構的三個要素。問題被分為五個部分：情境、AI 啟動與導入、開源、決策、促成因素與後續效應。關於開源的討論被刻意安排在理解 AI 專案之後，以避免討論一開始就偏向開源與專有之間的選擇。德文版訪談指引在實質內容上完全相同。

1. 你任職的組織是什麼？你的角色是什麼？
2. 你的組織目前如何使用 AI？
3. 你會如何描述組織目前在 AI 採用方面的能力與成熟度？
4. 你對不同類型的 AI 模型熟悉到什麼程度？你是從哪裡得知這些模型的？
5. 你認為在你的組織中，AI 主要被用於哪些關鍵使用情境？
6. AI 採用在組織中是如何定位的？是侷限在負責 AI 的職能部門，還是已連結到整個組織？
7. AI 的採用是否影響了組織的運作方式？
8. 組織之所以選擇目前這些 AI 模型的原因是什麼？
9. 哪些因素會讓開源或專有 AI 的採用變得更多或更少？各自在哪些情境下更適合？最具影響力的決策因素是什麼？
10. 你會如何描述組織對開源軟體的整體態度？哪些因素形塑了這種態度？你會如何描述 OSS 在組織中的演變？這是受到哪些因素影響？
11. 你認為開源 AI 與開源軟體有何不同？
12. 由誰來決定要採用哪些主要技術？這和 AI 模型的決策方式是否相同？
13. 這些決策在組織中是如何被正當化並落實的？需要具備哪些條件？有哪些人參與？機構外部的行動者是否也有參與？
14. 你是否仰賴任何特定的內部或外部專業知識或資訊，來作為 AI 或更廣泛技術採用的依據？
15. AI 導入的內部與外部促成因素有哪些？
16. 是否還有其他你想補充的考量？

附錄 C：主題編碼定義

C.1. 主題編碼定義摘要

以下依 TOE 構面分類，並按原文中的出現頻率排序。

技術

組織

環境

參考文獻

• Ajila, S. A., & Wu, D. (2007). Empirical study of the effects of open source adoption on software development economics. Journal of Systems and Software, 80(9), 1517–1529.
• Azoulay, P., Krieger, J. L., & Nagaraj, A. (2024). Old moats for new models: Openness, control, and competition in generative AI (NBER Working Paper No. 32474). National Bureau of Economic Research. <https://www.nber.org/papers/w32474>.
• Badampudi, D., Wohlin, C., & Petersen, K. (2018). Software component decision-making: In-house, OSS, COTS or outsourcing—A systematic literature review. Journal of Systems and Software, 121, 105–124.
• Baker, G. P., & Hubbard, T. N. (2003). Make versus buy in trucking: Asset ownership, job design and information (NBER Working Paper No. 8727). National Bureau of Economic Research. <http://www.nber.org/papers/w8727>.
• Baregheh, A., Rowley, J., & Sambrook, S. (2009). Towards a multidisciplinary definition of innovation. Management Decision, 47(8), 1323–1339.
• Bateman, J., Baer, D., Bell, S. A., Brown, G. O., Cuéllar, M., Ganguli, D., Henderson, P., Kotila, B., Lessig, L., Berild Lundblad, N., Napolitano, J., Raji, D., Seger, E., Sheehan, M., Skowron, A., Solaiman, I., Toner, H., & Zvyagina, P. (2024). Beyond open vs. closed: Emerging consensus and key questions for foundation AI model governance. Carnegie Endowment for International Peace. <https://carnegieendowment.org/research/2024/07/beyond-open-vs-closed-emerging-consensus-and-key-questions-for-foundation-ai-model-governance?lang=en>.
• Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., … Brunskill, E. (2021). On the opportunities and risks of foundation models. Stanford University Center for Research on Foundation Models. <https://crfm.stanford.edu/report.html>.
• Borg, M., Chatzipetrou, P., Wnuk, K., Alégroth, E., Gorschek, T., Papatheocharous, E., … Axelsson, J. (2019). Selecting component sourcing options: A survey of software engineering’s broader make-or-buy decisions. Information and Software Technology, 112, 18–34.
• Bouras, C., Filopoulos, A., Kokkinos, V., Michalopoulos, S., Papadopoulos, D., & Tseliou, G. (2014). Policy recommendations for public administrators on free and open source software usage. Telematics and Informatics, 31(2), 237–252.
• Bright, J., Enock, F., Esnaashari, S., Francis, J., Hashem, Y., & Morgan, D. (2025). Generative AI is already widespread in the public sector: Evidence from a survey of UK public sector professionals. Digital Government: Research and Practice, 6(1), 1–13.
• Brynjolfsson, E., Li, D., & Raymond, L. (2023). The impact of generative AI on customer support agent productivity (NBER Working Paper No. w31161). National Bureau of Economic Research. <https://www.nber.org/papers/w31161>.
• Burkhardt, S., & Rieder, B. (2024). Foundation models are platform models: Prompting and the political economy of AI. Big Data & Society, 11(2). <https://doi.org/10.1177/20539517241247839>.
• Chang, A. (2024). Risk aversion and public sector employment. Public Administration Review, 84(5), 833–847.
• Chen, T., Gascó-Hernandez, M., & Esteve, M. (2024). The adoption and implementation of artificial intelligence chatbots in public organizations: Evidence from US state governments. The American Review of Public Administration, 54(3), 255–270.
• Davis, F. D. (1989). Technology acceptance model: TAM. In M. N. Al-Suqri & A. S. Al-Aufi (Eds.), Information seeking behavior and technology adoption (p. 5).
• Dedrick, J., & West, J. (2004). An exploratory study into open source platform adoption. In Proceedings of the 37th Annual Hawaii International Conference on System Sciences. <https://doi.org/10.1109/HICSS.2004.1265633>.
• Mikalef, P., Lemmer, K., Schaefer, C., Ylinen, M., Fjørtoft, S. O., Torvatn, H. Y., … Niehaves, B. (2022). 促成政府機關的 AI 能力：歐洲地方自治體決定因素研究。Government Information Quarterly, 39(4), Article 101596. <https://doi.org/10.1016/j.giq.2021.101596>.
• DiMaggio, P. J., & Powell, W. W. (1983). The iron cage revisited: Institutional isomorphism and collective rationality in organizational fields. American Sociological Review, 48(2), 147–160.
• Edquist, C., & Hommen, L. (2000). Public technology procurement and innovation theory. In C. Edquist, L. Hommen, & L. Tsipouri (Eds.), Public technology procurement and innovation (pp. 5–70). Boston, MA: Springer US.
• Eisenhardt, K. M. (1989). Building theories from case study research. Academy of Management Review, 14(4), 532–550.
• Fitzgerald, B. (2009). Open-source software adoption: Anatomy of success and failure. International Journal of Open-source Software and Processes, 1(1), 1–23.
• Floridi, L., Buttaboni, C., Hine, E., Novelli, C., Schroder, T., & Shanklin, G. (2025). Open-source AI made in the EU: Why it is a good idea. Minds and Machines, 35(2), 23. <https://doi.org/10.1007/s11023-025-09728-x>
• Freeman, S. (2012). User freedom or user control?: The discursive struggle in choosing among free/libre open source tools in the Finnish public sector. Information Technology & People, 25(1), 103–128.
• Fusch, P. I., & Ness, L. R. (2015). Are we there yet? Data saturation in qualitative research. The Qualitative Report, 20(9), 1408–1416.
• Gibney, E. (2025). China’s cheap, open AI model DeepSeek thrills scientists. Nature, 638, 13–14. <https://doi.org/10.1038/d41586-025-00229-6>
• Gurusamy, K., & Campbell, J. (2012). Enablers of open source software adoption: A case study of APS organizations. Australasian Journal of Information Systems, 17(2), 3–5. <https://doi.org/10.3127/ajis.v17i2.731>
• Haug, N., Dan, S., & Mergel, I. (2024). Digitally-induced change in the public sector: A systematic review and research agenda. Public Management Review, 26(7), 1963–1987. <https://doi.org/10.1080/14719037.2023.2234917>
• Hauge, Ø., Ayala, C., & Conradi, R. (2010). Adoption of open source software in software-intensive organizations – A systematic literature review. Information and Software Technology, 52(11), 1133–1154. <https://doi.org/10.1016/j.infsof.2010.05.008>
• Hickok, M. (2024). Public procurement of artificial intelligence systems: New risks and future proofing. AI & Society, 39, 1213–1227. <https://doi.org/10.1007/s00146-022-01572-2>
• Hjaltalin, I. T., & Sigurdarson, H. T. (2024). The strategic use of AI in the public sector: A public values analysis of national AI strategies. Government Information Quarterly, 41 (1), Article 101914. <https://doi.org/10.1016/j.giq.2024.101914>
• Holck, J., Larsen, M. H., & Pedersen, M. K. (2005). Managerial and technical barriers to the adoption of open source software. In International Conference on COTS-Based Software Systems, Berlin.
• Hsieh, H. F., & Shannon, S. E.（2005）。質性內容分析的三種方法。Qualitative Health Research, 15(9), 1277–1288. <https://doi.org/10.1177/1049732305276687>
• Landesportal Schleswig-Holstein.（2025）。石勒蘇益格-荷爾斯泰因的開源策略。取自 <https://www.schleswig-holstein.de/DE/landesregierung/themen/digitalisierung/linux-plus1> 於 2025 年 7 月 17 日查閱。
• Lex.（2024）。生成式 AI 究竟有多「開放」？其實並不開放。Financial Times。取自 <https://www.ft.com/content/a09e4aaf-be52-4a45-86a7-c6d1636526bc> 於 2025 年 7 月 17 日查閱。
• Li, J., Conradi, R., Slyngstad, O. P. N., Bunse, C., Torchiano, M., & Morisio, M.（2006）。現成元件式開發中決策制定的實證研究。收錄於 Proceedings of the 28th International Conference on Software Engineering（頁 897–900）。New York, NY。
• Liesenfeld, A., & Dingemanse, M.（2024）。重新思考開源生成式 AI：開放洗白（openwashing）與歐盟 AI 法案。收錄於 Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency（頁 1774–1787）。
• Lin, B.（2024）。開源公司正免費分享它們的 AI。它們能否打破 OpenAI 的主導地位？Wall Street Journal。取自 <https://www.wsj.com/articles/open-source-companies-are-sharing-their-ai-free-can-they-crack-openais-dominance-26149e9c> 於 2025 年 7 月 10 日查閱。
• Madan, R., & Ashok, M.（2023）。公共行政中的 AI 採用與擴散：系統性文獻回顧與未來研究議程。Government Information Quarterly, 40(1), Article 101774。
• Medappa, P. K., & Srivastava, S. C.（2020）。開源協作中的意識形態轉變：檢視授權選擇與組織參與對開源專案成果的影響。European Journal of Information Systems, 29(5), 500–520。
• Munoz-Cornejo, G., Seaman, C. B., & Koru, A. G.（2008）。醫院採用 開源軟體的實證調查。International Journal of Healthcare Information Systems and Informatics (IJHISI), 3(3), 16–37。
• Neumann, O., Guirguis, K., & Steiner, R.（2024）。探討公共組織中的人工智慧採用：比較個案研究。Public Management Review, 26(1), 114–141。
• Noronha, F.（2002）。歐洲更深入檢視自由／開源軟體。Linux Journal。取自 <https://www.linuxjournal.com/article/6354> 於 2025 年 8 月 17 日查閱。
• Open Source Initiative.（2026）。開源 AI 定義 – 1.0。Open Source AI Definition。取自 <https://opensource.org/ai/open-source-ai-definition> 於 2026 年 1 月 13 日查閱。
• OpenAI.（2025）。OpenAI 的開放模型。取自 <https://openai.com/open-models/>。於 2025 年 9 月 10 日查閱。
• Osborne, C., Ding, J., & Kirk, H. R.（2024）。打造未來的 AI 社群？對 Hugging Face Hub 開發活動的量化分析。Journal of Computational Social Science, 7(2), 2067–2105。
• Pumplun, L., Tauchert, C., & Heidt, M.（2019）。人工智慧的新型組織底盤：探討組織準備度因素。收錄於 Proceedings of the 27th European Conference on Information Systems (ECIS), Stockholm & Uppsala, Sweden, June 8–14, 2019. ISBN 978–1–7336325-0-8 Research Papers <https://aisel.aisnet.org/ecis2019_rp/106>。
• Raymond, E. S.（2000）。大教堂與市集。取自 <https://creatingaction.stanford.edu/pdf/cathedral-bazaar.pdf> 於 2025 年 3 月 13 日查閱。
• Rogers, E. M.（2003）。創新的擴散（第 5 版）。New York, NY: Free Press。
• Roose, K.（2025）。為什麼 DeepSeek 可能改變矽谷對 AI 的看法。New York Times。取自 <https://www.nytimes.com/2025/01/28/technology/china-deepseek-ai-silicon-valley.html> 於 8 月 17 日查閱。
• Rossi, B., Russo, B., & Succi, G.（2012）。公共組織採用自由／開源軟體：影響因素。Information Technology and People, 25(2), 156–187。
• Ryan, B., & Gross, N. C.（1943）。愛荷華兩個社區中雜交種玉米的擴散。Rural Sociology, 8(1), 15。
• Sánchez, V. R., Ayuso, P. N., Galindo, J. A., & Benavides, D.（2020）。開源採用因素：系統性文獻回顧。IEEE Access, 8, 94594–94609。<https://doi.org/10.1109/ACCESS.2020.2993248>
• Schofield, J.（2001）。舊方法最好嗎？公共管理中 官僚體制的持久性與實用性。Organization, 8(1), 77–96。
• Schrepel, T., & Pentland, A. S.（2024）。AI 基礎模型之間的競爭：動態與政策建議。Industrial and Corporate Change, Article dtae042. <https://doi.org/10.1093/icc/dtae042>
• Seetharaman, D.（2025）。Sam Altman 對 DeepSeek 的回應，是把 OpenAI 的技術送出去。Wall Street Journal。取自 <https://www.wsj.com/tech/ai/sam-altmans-answer-to-deepseek-is-giving-away-openais-tech-d1a5a9ec> 於 2025 年 7 月 17 日查閱。
• Shaikh, M.（2016）。協商英國公共部門對開源軟體的採用。Government Information Quarterly, 33(1), 115–132. <https://doi.org/10.1016/j.giq.2015.11.001>
• Shaw, A.（2011）。起義式專業知識：巴西自由／開源軟體的政治。Journal of Information Technology & Politics, 8(3), 253–272。
• Sienkiewicz-Małyjurek, K.（2023）。AI 採用挑戰對公共 管理者是否重要？以波蘭城市為例。Government Information Quarterly, 40(3), Article 101828. <https://doi.org/10.1016/j.giq.2023.101828>
• Stewart, K. J., & Gosain, S.（2006）。意識形態對開源軟體開發團隊效能的影響。MIS Quarterly, 30(2), 291–314. <https://doi.org/10.2307/25148732>
• Straub, V. J., Morgan, D., Bright, J., & Margetts, H.（2023）。政府中的人工智慧：概念、標準與統一框架。Government Information Quarterly, 40(4), Article 101881. <https://doi.org/10.1016/j.giq.2023.101881>
• Tarkowski, A., & Open Futures.（2025）。開源 AI 中的資料治理：促進 負責任且具系統性的存取。取自 <https://opensource.org/data-governance-open-source-ai> 於 2026 年 1 月 13 日查閱。
• The Economist.（2024）。Meta 被指控「霸凌」開源社群。取自 <https://www.economist.com/business/2024/08/28/meta-is-accused-of-bullying-the-open-source-community> 於 2025 年 7 月 20 日查閱。
• Timmermans, S., & Tavory, I.（2012）。質性研究中的理論建構：從 紮根理論到溯因分析。Sociological Theory, 30(3), 167–186。
• Tornatzky, L. G., & Fleischer, M.（1990）。技術創新的過程。Lexington Books。
• Van Loon, A., & Toshkov, D.（2015）。公共 行政中採用開源軟體：邊界跨越者與政治承諾的重要性。Government Information Quarterly, 32(2), 207–215. <https://doi.org/10.1016/j.giq.2015.01.004>
• Van Noordt, C., & Tangi, L.（2023）。AI 能力的動態及其對 公共行政中 AI 創造公共價值的影響。Government Information Quarterly, 40(4), Article 101860. <https://doi.org/10.1016/j.giq.2023.101860>
• Ven, K., & Verelst, J.（2006）。比利時組織對開源伺服器軟體的組織採用。收錄於 IFIP International Conference on Open Source Systems（頁 111–122）。Boston, MA: Springer US。
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D.（2003）。使用者對 資訊科技的接受：邁向統一觀點。MIS Quarterly, 27(3), 425–478。<https://doi.org/10.2307/30036540>
• Widder, D. G., Whittaker, M., & West, S. M.（2024）。為何「OPEN」AI 系統其實是 封閉的，以及這為何重要。Nature, 635(8040), 827–833。
• Wirtz, B. W., Weyerer, J. C., & Geyer, C.（2019）。人工智慧與公共部門：應用與挑戰。International Journal of Public Administration, 42 (7), 596–615. <https://doi.org/10.1080/01900692.2018.1498103>
• Wu, Z.（2025）。相較於矽谷，DeepSeek 更重視研究而非營收。Financial Times。取自 <https://www.ft.com/content/fb5c11bb-1d4b-465f-8283-451a19a3d425> 於 2025 年 8 月 17 日查閱。
• Yan, E.（2025）。open-llms。GitHub。取自 <https://github.com/eugeneyan/open-llms/blob/main/README.md> 於 2025 年 8 月 17 日查閱。
• Zuliani, P., & Succi, G.（2004）。公共行政遷移至開源軟體。收錄於 E-society IADIS International Conference（頁 829–832）。Avila, Spain。

作者簡介

Nicholas Robinson（Nick）隸屬於位於柏林的 Hertie School 數位治理中心，擔任研究助理與博士研究員。他先前曾任澳洲政府數位轉型署（Digital Transformation Agency）助理署長，並於 2023 年主導成立政府的 AI 工作小組。在此之前，他於巴黎與柏林的 ESCP 完成資料科學碩士學位，並曾在 PwC Strategy& 擔任公共政策經濟學家六年。Nick 的研究興趣在於理解，支撐公共部門數位化與數位轉型的典範、能力與流程，應如何調整，才能成功治理並採用 AI。

[^1]: 「Agencies」是澳洲與加拿大語境中用來統稱各類政府組織的用語，部分原因是為了避免使用縮寫。
[^2]: AI 部署的各類別並非互斥。若能進一步研究政府如何部署 AI 工具，將有助於補足整體採用脈絡。