EN 18286:2026 與歐盟AI Act的實務考量初探（八之八）

（續前篇）

醫療器材品質管理系統整合、風險治理及全生命週期合規初探

本文以網路搜集來的介紹文件及概要說明為參考基礎，並利用公開法規資料補充及核對，以人工智慧協助進行個人判斷，完成之介紹性文章，僅供一般資訊與個人持續教育用途，不構成法律意見、資訊服務或對任何產品符合特定法律之保證。引用請註明出處。文中如有引用疏漏，歡迎聯繫補正。
CC BY-NC-ND。非供AI模型訓練。
初稿：2026年10月21日

12. Internal audit and management review｜內部稽核與管理審查

12.1 Audit effectiveness, not merely document existence｜稽核有效性，而不只是文件存在

導入 EN 18286 後，內部稽核應檢查管理系統是否有效支援 AI 法規符合性，而不應只確認程序文件是否經過核准。

對 AI 醫療器材而言，稽核者可以選取一個具體產品及版本，追蹤其完整的管理與工程證據。

例如：從預期用途開始，檢查適用性判定、風險分析、資料管理、設計輸入、模型版本、測試結果、放行核准及上市後監督計畫。

如果某一要求在程序中已經寫明，但實際產品檔案無法提供相應證據，就應進一步調查是執行問題、資源問題、程序設計不足，還是責任分配不清。

12.2 Suggested audit questions｜建議的稽核問題

以下問題可用於內部稽核規劃：

• 是否有明確的 AI 系統適用性判定及其理由？
• 是否將 AI 法規要求連結至具體產品及相關程序？
• 模型、資料集及軟體版本是否可追溯？
• 風險分析是否考慮患者、使用者及其他受影響人員的傷害？
• 測試計畫是否具有明確的接受準則及風險依據？
• 是否能證明關鍵風險控制措施有效？
• 供應商及第三方模型是否受到適當控制？
• 模型更新是否經過技術、風險及法規衝擊評鑑？
• 上市後監督是否有指標、門檻及處置規則？
• 嚴重事件的識別、調查與通報程序是否明確？
• 管理階層是否定期評估資源、風險及系統有效性？
• 不符合事項是否完成原因分析及有效性確認？

此處臚列的問題僅是協助稽核的思索起點，不是EN 18286的正式稽核檢查表。

12.3 Management review must lead to decisions｜管理審查必須產生決策

管理審查不應只是一份會議紀錄。對 AI 醫療器材企業而言，管理階層應能依據風險、性能、事件、稽核結果及資源需求，決定是否需要：

• 調整品質目標；
• 增加查證或確效資源；
• 改進資料治理；
• 重新評估供應商；
• 修改上市後監督策略；
• 改變產品開發或變更控制流程；
• 啟動矯正措施；
• 重新評估產品或管理系統的適用性。

如果同一類問題反覆出現，管理審查就應追問：問題究竟來自個別執行失誤，還是系統性缺陷？

只有把管理審查與實際決策、責任分配及後續有效性確認連接起來，持續改進才不會停留在口號。

13. Special considerations for medical-device manufacturers｜醫療器材製造商的特殊考量

13.1 One product, multiple regulatory obligations｜一項產品，多重法規義務

AI 醫療器材企業最容易忽略的問題，是同一項產品可能同時受到多套法規與技術要求約束。

以 AI 輔助診斷軟體為例，企業可能需要同時處理：

• AI Act 對高風險 AI 系統的適用要求；
• MDR 或 IVDR 對醫療器材的適用要求；
• ISO 13485 的品質管理活動；
• ISO 14971 的風險管理；
• 適用的軟體生命週期與網路安全要求；
• 個人資料保護及其他相關法律義務。

這些要求之間可能存在重疊，但其法律目的及判定方式並不完全相同。

因此，企業應建立法規要求矩陣，而不是假設只要完成某一項標準驗證，就可以免除其他適用義務。

13.2 Cybersecurity and AI-specific risks｜網路安全與 AI 特有風險

醫療器材 AI 的資安問題不應只被視為資訊部門的工作。

系統遭到未授權存取、模型或資料遭到竄改、第三方元件存在弱點，均可能影響產品的安全性、性能或可用性。

對 AI 系統而言，企業還應依具體威脅情境評估：

• 訓練資料或模型遭到未授權修改；
• 推論輸入遭到操縱；
• 模型或第三方服務被未經授權替換；
• 系統在資源不足或服務中斷時產生不當行為；
• 弱點修補或軟體更新改變原有系統行為；
• 日誌不足，導致事件無法重建或調查。

這些是需要依產品架構與風險評估的可能情境，不代表所有 AI 醫療器材都必須採用完全相同的防護措施。

13.3 Privacy, safety and fundamental rights｜隱私、安全與基本權利

醫療器材 AI 可能處理敏感的健康資料，也可能影響患者接受檢查、診斷或治療的方式。

因此，企業不能只從技術準確性判斷 AI 系統是否適當，還應辨識與產品用途有關的隱私、歧視及其他基本權利風險。

例如：某模型可能在整體資料集上具有良好性能，但在特定患者群體中表現明顯較差。若這種差異可能影響醫療判斷，就應進一步調查其原因、評估風險，並採取適當的控制措施。

不過，公平性或基本權利影響的評估方法，必須與產品功能、適用法規及實際風險相稱。企業不應僅以單一統計指標，便宣稱已充分處理所有相關風險。

13.4 Governance of clinical responsibility｜臨床責任與 AI 治理

AI 系統可以提供建議、預測或分類結果，但企業仍須清楚界定產品的預期用途、使用限制及人工監督安排。

對製造商而言，這代表需要把臨床工作流程納入產品設計與確效，而不是只在產品上市前測試模型本身。

對醫療機構及部署者而言，則應依其適用義務，確認系統如何被使用、操作人員是否具備適當能力，以及相關監督措施是否符合預期。

製造商與部署者的責任並非完全相同。雙方應透過適當的使用說明、技術資訊、支援服務及問題回報機制，確保產品的設計假設與實際使用情境能夠合理銜接。

14. Critical review of the reference document｜對參考文件的專業審查與使用限制

網路搜尋得到資訊包含 EN 18286:2026 的介紹、AI Act 與品質管理系統的關係、醫療器材企業的準備工作，以及部分法規時程與實施建議。這些內容適合作為本文的起點，但正式發布前仍應進行法規核對。

14.1 Distinguish official facts from editorial interpretation｜區分官方事實與作者解讀

參考文件有些敘述屬於法規資訊，有些則屬於作者的管理建議或評論。

例如：

• EN 18286:2026 的標準名稱、公開出版資訊及官方公報引用，可依公開來源核對。
• 企業應先做差距分析、整合既有品質系統，是合理的實施建議。
• 建置完整品質管理系統需要 6 至 12 個月，則應視為估算，而非所有企業必然符合的客觀期限。
• 取得某項驗證是否是「確定性更高」的路徑，涉及驗證制度、評估範圍及實際證據，不能不加區分地作為普遍結論。

正式文章應明確區分這三類資訊，避免讓讀者誤以為所有管理建議都是標準的強制要求。

14.2 Verify the precise legal scope of presumption of conformity｜核對符合性推定的精確範圍

參考文件將 EN 18286 描述為支援 AI Act 第 17 條品質管理系統要求的調和標準。這是理解其定位的核心。

但文章不能進一步把它簡化成「取得 EN 18286 驗證，就已符合 AI Act」。

更精確的說法應是：依 AI Act 第 40 條及官方引用的適用範圍，符合 EN 18286 可在其實際涵蓋的要求範圍內支援符合性推定；其他適用要求仍須分別處理。

這也代表企業必須確認正式標準的實際範圍、適用條款及相關法律條件，而不能只依標準摘要或第三方介紹作出結論。

14.3 Correct the interpretation of application dates｜正確理解法規適用日期

依目前公開的修訂後時程，AI Act附件 III 獨立高風險 AI 系統（如信用評分、就業管理等）的相關規定預定自 2027 年 12 月 2 日起適用；附件 I 所涵蓋的新方法（New Approach）受到法律管制產品。依據現行修訂時程，其品質管理系統（第 17 條）列為相關高風險 AI 系統符合義務的相關規定預定自 2028 年 8 月 2 日起適用。

但這些日期應與其他已開始適用的 AI Act 義務分開處理。企業不能把特定高風險 AI 規定的延後適用，解讀為 AI Act 所有義務都延後到同一日期。

14.4 Do not invent requirements from an introductory document｜不得從介紹文件推演不存在的標準條款

參考文件並非EN 18286 的完整正式出版內容，因此不能僅憑其內容，斷言標準對某一具體技術方法、文件格式、稽核頻率或量化指標設有特定要求。

例如：企業可以依產品風險設定模型性能監督門檻，也可以依風險決定內部審查頻率；但若沒有按照標準的正式條文，就不應把某個特定門檻或頻率寫成 EN 18286 的強制要求。

本文所提出的矩陣、流程圖、案例及實施路線圖，均應理解為協助企業建立管理機制的分析工具，而不是對標準原文的逐條重述。

15. Conclusion｜結論：建立可證明的合規能力，而非堆疊管理文件

EN 18286:2026 的重要性，在於它為 AI Act 的品質管理系統要求提供了一條更加具體、可追溯及可稽核的實施路徑。

對醫療器材企業而言，這項標準並不意味著必須推倒既有 ISO 13485 系統，重新建立一套完全獨立的品質管理架構。更合理的做法，是先確認適用性，再分析現有程序及證據的完整程度，將 AI 特有的資料、模型、風險、變更與上市後管理要求整合至適當的流程中。

但整合不等於混同。

ISO 13485 的醫療器材品質管理功能、ISO 14971 的風險管理功能、ISO/IEC 42001 的組織 AI 治理功能，以及EN 18286對AI Act法規主管機關目的下品質管理系統的支援功能，應各自保留清楚的管理目的及適用範圍。

企業真正需要建立的，不是更多互不相連的文件，而是一套能夠持續回答以下問題的管理系統：

• 我們知道每一項 AI 系統適用哪些法規要求嗎？
• 我們能夠證明產品的設計與開發受到適當控制嗎？
• 我們能夠追溯資料、模型、軟體及產品版本嗎？
• 我們能夠證明關鍵風險控制措施有效嗎？
• 我們能夠解釋每一項重要符合性決策的依據嗎？
• 我們能夠發現上市後的新風險，並採取適當行動嗎？
• 我們能夠證明品質管理系統持續適用、充分且有效嗎？

如果企業能夠以客觀證據回答這些問題，就不只是建立了一套形式上的管理系統，而是逐步建立了可持續的 AI 法規符合性能力。

對 AI 醫療器材而言，這項能力直接關係到產品安全、臨床適用性、法規可信度及市場持續經營。

最終原則是：以法規確定適用義務，以風險決定控制深度，以工程活動建立產品證據，以品質管理系統確保這些活動持續有效。

Define obligations through applicable law, determine control depth through risk, establish product evidence through engineering, and use the quality management system to ensure that the entire process remains effective throughout the AI lifecycle.

References｜參考資料

以下列出本文主要依據。建議讀者取得正式標準及法規最新版本，逐項核對引用。

1. EN 18286:2026, Artificial intelligence — Quality management system for EU AI Act regulatory purposes. CEN/CENELEC. 標準出版資訊與章節概述：EN 18286:2026 — Standard information。
2. Regulation (EU) 2024/1689, Artificial Intelligence Act. 歐盟法規原文及後續整合版本：EUR-Lex — Regulation (EU) 2024/1689。
3. Commission Implementing Decision (EU) 2026/2274, 關於支援 AI Act 的高風險 AI 調和標準：EUR-Lex — Implementing Decision (EU) 2026/2274。
4. Regulation (EU) 2017/745, Medical Device Regulation (MDR)：EUR-Lex — MDR。
5. Regulation (EU) 2017/746, In Vitro Diagnostic Medical Devices Regulation (IVDR)：EUR-Lex — IVDR。
6. ISO 13485:2016, Medical devices — Quality management systems — Requirements for regulatory purposes。
7. ISO 14971:2019, Medical devices — Application of risk management to medical devices。
8. ISO/IEC 42001:2023, Information technology — Artificial intelligence — Management system。
9. European Commission, AI Act implementation timeline：AI Act Service Desk — Implementation timeline。

 

編輯說明：本文是基於介紹文件及公開資料所作的專業分析草稿，不是 EN 18286:2026 正式標準全文的替代品，也不構成針對個別產品的法律意見或符合性評估結論。涉及條文解釋、產品分類、重大修改及通報時限時，應核對正式且有效的法律文本。

（全篇竟）

易經卦象與AI治理原則與實務芻議（十之九）

  （續前篇）

從傳統變化智慧看2022-2026年人工智慧的文明邊界與永續路徑

適合一般讀者。此文僅供個人參考與資訊喚回，尚非正式或官方內容。內文引用人工智慧平臺提供資訊，經由整合篩選與文字調整。後續修訂請查閱索引官方網站。 CC BY-NC-ND。非供AI模型訓練。

5.10.4 既濟卦治理第一層：關鍵領域的人類最終決策權保留機制

既濟卦的「思患而豫防之」，第一個核心措施就是永遠不放棄人類的最終主權。制度明確規定，所有涉及戰爭與和平、生命與死亡、重大公共利益的關鍵決策，絕對不允許由AI自動做出最終決定，必須保留資深人類專家的人工裁量權與緊急停止權。比如自動駕駛汽車在面臨極端危險場景時，人類駕駛員可以隨時接管控制權；城市的電網調度系統，永遠保留人工手動切換的備用模式；軍事領域的致命性自主武器，絕對不允許脫離人類控制獨立選擇攻擊目標。

5.10.5 既濟卦治理第二層：文明層面的能力備份機制

既濟卦的深層智慧告訴我們，永遠不能把所有的雞蛋放在同一個籃子裡。人類必須為所有關鍵的核心能力建立不依賴AI的獨立備份制度：關鍵的數學、物理、工程領域的基礎研究，永遠維持一支不依賴AI的頂尖人類科學家隊伍，確保哪怕所有AI系統全部癱瘓，人類依然有能力獨立修復技術體系；重要的文化遺產、科學知識、文明記憶，不僅存儲在數據庫中，也同時以紙質文獻、實物博物館、口頭傳承的方式多樣化保存，避免單一數位災難導致文明記憶的整體丟失。

5.10.6 既濟卦治理第三層：跨世代的風險緩衝機制

既濟卦的永續視角，要求我們不僅要對當下的人類負責，也要對未來的子孫後代負責。制度明確設定了AI技術迭代的「選擇空間保留規則」：禁止為了當下的效率便利，把全人類的知識體系、生產體系、社會運行體系完全鎖定在某一種封閉的AI架構之中，必須為未來的技術路線保留足夠的開放性與多樣性。我們不能為了當下的一點便利，就徹底斷送後代子孫選擇不同技術道路的權利，讓他們永遠被困在我們這一代人設定的AI體系之中。

5.10.7 既濟卦治理的常見質疑與辯證回應

很多人批評既濟卦式的風險預防機制過於保守，會拖慢AI技術的發展速度。但既濟卦的邏輯告訴我們，文明的發展從來不是一場只追求速度的短跑，而是一場持續數千年的馬拉松。如果為了追求短期的技術飛速進步，放棄了風險防護，最終導致一場不可逆的文明災難，那麼之前所有的進步都會化為烏有。適度的「慢」，不是阻礙進步，而是為了讓技術的發展走得更穩、更遠，真正實現跨世代的永續。

5.10.8 既濟卦的最終願景：人機共生的永續文明

既濟卦的終極追求，從來不是讓人類停止AI技術的發展，也不是讓AI統治人類，而是實現一種人類與技術和諧共生的永續狀態：AI成為人類文明的強大助力，卻永遠不會成為人類文明的主宰；人類享受AI帶來的所有便利，卻永遠不會放棄自身的主體性、判斷力與選擇權。在這個狀態下，人類文明不會因為技術的瘋狂擴張而走向自我毀滅，而是在AI的助力下，獲得更長遠的發展時間、更廣闊的探索空間，最終實現跨越千年的永續傳承，這正是《易經》既濟卦留給人類最寶貴的治理智慧。

六、AI系統/資料庫及未來演變趨勢

從乾卦的自強不息、乾卦初九爻的潛龍勿用、乾卦九三爻的終日乾乾、艮卦的停止邊界、蒙卦的資料主權、需卦的全球協作、睽卦的公平治理、節卦的資源節制、益卦的分配正義，到既濟卦的長期防患，整個以易經六十四卦為框架的AI治理制度，並不是要建立一套束縛技術的牢籠，而是要為AI的未來演變畫出一條可持續的道路。未來AI系統的發展，不會是單一模型無限膨脹的線性進化，而是會走向「分層可控、邊界清晰、責任明確」的制度化架構：不同能力等級的AI模型對應不同的風險等級，不同的風險等級對應不同的治理規則，最終形成技術與制度互相支撐的穩定結構。

在這個體系中，資料庫不再是被無限抓取的免費燃料，而是擁有明確主權、清晰邊界、可追溯權利的公共資產；AI模型不再是黑箱式的效率神話，而是可解釋、可稽核、可停止的社會技術系統；整個產業的評價標準也不再只看參數規模與商業利潤，而是把人權保障、生態成本、分配公平與長期安全都納入成功的維度。這條道路或許不會讓AI的發展速度達到最極致的狀態，但它能確保人工智慧這項偉大的技術，最終成為人類文明的助力，而不是威脅。

走過2022到2026年的高速擴張期，整個AI產業的技術路徑正在迎來根本性的轉向，從過去單純追逐參數規模的線性擴張模式，逐步分化為多維度的分散式生態體系，對應的技術底座也發生了三個層次的核心變化：

1. ‌模型架構走向分層化與場域化‌：過去由少數超大模型統治全部場景的格局已經完全打破，超大通用前沿模型專攻高難度的科學研究、複雜多步驟推理、深度多模態交互等高價值場景；大量透過蒸餾、量化、稀疏化技術生成的中小專用模型，則被部署在邊緣端、區域節點與垂直產業場景中，專職處理文書摘要、特定領域分類、低延遲響應等常規任務，在保證可用性的同時大幅降低算力消耗與資料傳輸風險。未來不會存在一個能解決所有問題的萬能模型，而是會形成「通用底座+垂直專用微調模型+邊緣輕量模型」的三層技術架構，不同場景的系統會依據風險等級、延遲要求、隱私標準自動選擇對應的模型節點執行任務。
2. ‌資料治理從被動收集升級為血緣可追溯體系‌：過去隨意抓取公開網路資料用於訓練的做法已經完全無法適應新的監管要求，新一代的AI資料庫系統會完整記錄每一筆訓練數據的來源、授權範圍、使用邊界、去識別化處理記錄與退出機制，形成全生命週期的資料血緣鏈條。未來甚至會出現由創作者社群共同維護的分布式訓練資料共享平台，資料提供者可以依據使用情況獲得對應的收益分配，從根源解決過往訓練資料合法性模糊、權益歸屬不明的歷史遺留問題。
3. ‌AI代理（AI Agent）的自主行動能力成為治理核心變量‌：隨著大語言模型任務規劃能力的持續提升，越來越多的AI系統開始擁有獨立呼叫工具、存取外部服務、跨多步驟完成真實世界動作的能力，小到自動完成郵件分發、文書審核，大到參與複雜的資源配置、設備調度，這類系統的治理重點已經從單純的「輸出內容安全」，轉向對代理權限的分級管控、多步驟行為的動態監控、異常動作的即時攔截機制。未來所有高影響場景的AI代理都必須預先配置明確的權限邊界、人工確認閾值、緊急停止開關，杜絕未經授權的自主行動直接作用於真實社會場景。

長遠來看，AI技術的未來演變趨勢不會持續往「更強大、更集中」的單一方向狂奔，而是會逐步收斂到「能力與治理匹配」的穩定狀態：模型的可靠性、資安韌性、可解釋性與環境效率的權重，會逐步超過單純的基準測試分數；開源與閉源模型的生態逐步形成互補，公共算力、公共模型基礎設施的覆蓋範圍不斷擴大，逐漸打破少數平台的算力壟斷；而AI系統的生命週期管理邏輯，也會從過去傳統軟體「一次交付即結案」的模式，轉變為持續監測、動態調校、定期重審、及時更新的長期運營機制，讓技術進步的節奏，與社會可承受的風險邊界、可負荷的資源底線逐步趨於一致。

七、潛在風險及疏漏之處

儘管從2022到2026年全球AI治理的制度框架已經快速搭建起來，但當前制度依舊存在許多尚未被充分覆蓋的盲點，不少隱藏的深層風險仍舊缺乏對應的防控機制：

1. ‌法規套利與跨境規則碎片化風險‌：當前歐盟AI Act、美國NIST指引、中、臺、韓三地的個資與資安規範彼此之間仍存在不少規則差異，部分跨國營運的企業很容易選擇將高風險AI的開發、訓練、部署節點轉移到監管要求最寬鬆的司法管轄區，規避嚴格的風險評估與責任義務，導致風險跨境轉移，最終讓缺乏足夠治理能力的弱勢地區承擔最大的傷害代價。
2. ‌治理疲勞與形式化合規漏洞‌：隨著監管要求越來越細，部分企業容易將合規簡化為填寫檢核表、提交紙面報告的流程性工作，只滿足上線前一次性的認證要求，卻忽略了AI系統上線後隨著資料漂移、使用者行為變化、攻擊手法迭代而出現的持續風險。大量高風險系統在長期運行後，缺乏定期的重新評鑑，原本設定的安全邊界隨著版本迭代悄悄鬆動，卻沒有被及時發現。
3. ‌隱私保護與公平評鑑的隱性矛盾‌：高風險AI系統的偏差測試、公平性評估往往需要存取群體的敏感屬性數據，來辨識不同族群、弱勢群體之間的結果差異，但這些敏感數據的收集、存儲與使用本身就會擴大個資曝露的風險，甚至可能被用於未經授權的分類、標籤化操作，形成「為了實現公平反而侵犯隱私」的兩難困境，當前多數治理框架都尚未找到能同時平衡兩者的完善解決方案。
4. ‌安全效率的反彈效應‌：不論是算力效率的提升還是模型壓縮技術的進步，都可能帶來預期之外的副作用：單次推論的能耗下降後，整體AI服務的請求總量反而會大幅暴漲，最終總用電量與環境負荷並未下降；紅隊測試發現的安全漏洞修補完成後，開發者容易放鬆警惕，忽視新的攻擊手法隨著模型能力升級同步迭代帶來的新威脅。
5. ‌治理主體的能力落差‌：中小企業、地方公共部門、發展中地區往往缺乏足夠的資金、人才與技術儲備來滿足AI合規的各項要求，最終形成「大企業能輕鬆滿足合規要求，小開發者被迫退出市場」的格局，反而進一步強化了算力與技術的集中，偏離了普惠創新的最初目標。
6. ‌治理失憶的長期隱患‌：隨著時間推移，初代AI開發與評估的人員離崗，早期的風險評估記錄、安全測試背景資料、失效場景的根因分析文件隨著系統迭代逐漸遺失，後續維運團隊不再清楚當初設定各項控制措施的原因，慢慢將原本為了防控風險設置的審核閘門、停用機制視為多餘的步驟，逐漸鬆動乃至取消，最終導致當年被成功避免的風險隨著環境變化重新浮出水面。

（見續篇）

EN 18286:2026 與歐盟AI Act的實務考量初探（八之七）

（續前篇）

醫療器材品質管理系統整合、風險治理及全生命週期合規初探

本文以網路搜集來的介紹文件及概要說明為參考基礎，並利用公開法規資料補充及核對，以人工智慧協助進行個人判斷，完成之介紹性文章，僅供一般資訊與個人持續教育用途，不構成法律意見、資訊服務或對任何產品符合特定法律之保證。引用請註明出處。文中如有引用疏漏，歡迎聯繫補正。
CC BY-NC-ND。非供AI模型訓練。

10.2 A product-level evidence index｜產品層級證據索引

對每個 AI 醫療器材系統，建議建立一份產品層級的證據索引，將適用要求、責任部門、程序及客觀證據連結起來。

證據領域	主要文件或紀錄	應回答的問題
法規適用性	法規清單、分類及適用性分析	為什麼適用或不適用某項要求？
預期用途	產品規格、使用者需求及限制	系統被設計用來做什麼、不做什麼？
風險管理	風險管理計畫、分析及報告	如何識別、評估與控制風險？
資料治理	資料來源、標注、處理及版本紀錄	資料為何適用於預期用途？
模型及軟體	版本識別、架構、組態及變更紀錄	哪個版本經過哪些活動？
查證與確效	測試計畫、報告及臨床或性能證據	如何證明系統符合要求？
供應鏈	供應商評估、規格及變更通知	外部資源如何受到控制？
上市後監督	監督計畫、指標、調查及事件紀錄	如何識別並處理上市後風險？
矯正措施	問題原因、處置及有效性紀錄	問題是否已被控制並防止再發？

此索引是一項建議的文件管理工具，而非標準指定的唯一格式。

企業可依既有文件管理系統、產品架構及適用法規，選擇採用文件矩陣、資料庫或其他受控方式。

10.3 Traceability must work in both directions｜追溯性應能雙向運作

完整的追溯性不只是從法規要求找到相關文件，也應能從一份測試報告或一個風險控制措施，反向找到它所支援的法規要求及產品需求。例如：

Legal Requirement«Procedure«Risk Control«Test Evidence«Product Version  法規  «  程序   «  風險控制 « 測試證據 «  產品版本

 

這樣的結構可以協助企業回答稽核中常見的問題：

• 這項測試為什麼需要執行？
• 它支援哪一項產品或法規要求？
• 測試失敗時，企業如何決定是否放行？
• 哪個產品版本採用了這項控制？
• 產品變更後，原有證據是否仍然適用？
• 上市後發現新風險時，應更新哪些文件？

這種雙向追溯性也有助於避免重複測試及文件矛盾，因為企業可以辨識哪些證據已經有效支援多項要求，以及哪些部分仍存在缺口。

11. Gap analysis and implementation roadmap｜差距分析與實施路線圖

11.1 Start with applicability, not documentation｜先判斷適用性，再開始補文件

企業在導入 EN 18286 時，第一步應是確定標準適用範圍與法規義務，而不是立即要求每個部門提交一份新的程序文件。原因很簡單：如果企業尚未確認哪些 AI 系統屬於適用範圍，就無法合理決定品質管理系統的邊界、所需控制措施及證據深度。

建議依序完成以下工作：

1. 建立 AI 系統及相關產品的清單。
2. 判定企業在每個系統中的法律角色。
3. 依 AI Act 分類規則及相關附件分析適用性。
4. 確認 MDR、IVDR 及其他適用法規的相互作用關係及影響程度。
5. 建立EN 18286 要求與現有品質程序的對照矩陣。
6. 識別控制措施及證據的缺口。
7. 依風險、法規時程及產品上市計畫安排改進優先順序。

11.2 The difference between a document gap and a control gap｜文件缺口與控制缺口的差別

差距分析不能只檢查「有沒有文件」。應至少區分三種情況。

第一類：文件已存在，控制措施充分。

例如：企業已有受控的軟體變更程序，而且程序已涵蓋模型版本、資料版本、風險影響評估及適用的法規判定。這種情況可能只需要確認程序的適用性與證據完整性。

第二類：文件已存在，但控制措施不足。

例如：企業已有一般軟體變更程序，但沒有評估模型更新對患者族群性能或風險的影響。這不是單純的文件格式問題，而是實質控制缺口。

第三類：控制措施已執行，但缺乏適當紀錄。

例如：工程師每次更新模型都會執行測試，但沒有明確的接受準則、核准紀錄或版本追溯。這種情況可能同時涉及文件化及治理問題。

三類缺口需要不同的改進方式，不能一律以「補寫程序」處理。

11.3 A phased implementation plan｜分階段實施計畫

以下是一個可供企業規劃的示例。各階段所需時間取決於企業規模、產品數量、既有 QMS 成熟度及法規適用性。

階段	主要活動	預期產出
Phase 1：適用性分析	產品盤點、角色判定、AI 分類及法規分析	適用性判定紀錄及產品清單
Phase 2：差距分析	對照EN 18286、ISO 13485、AI Act及既有程序	差距矩陣及改進計畫
Phase 3：系統設計	明確權責、程序、品質目標及證據要求	核准的QMS改進方案
Phase 4：產品控制整合	資料治理、模型管理、風險控制、變更及上市後監督	產品層級控制措施及文件
Phase 5：實施與試運作	訓練、執行程序、收集紀錄及處理問題	實施證據及改進紀錄
Phase 6：有效性評估	內部稽核、管理審查、矯正措施及必要的外部評估	系統有效性評估及後續措施

11.4 Prioritisation should be risk-based｜改進優先順序應以風險為基礎

企業不應只按照文件缺口的數量安排工作。

更合理的優先順序應考慮：

• 法規義務的適用時程；
• 產品預期用途及可能造成的傷害；
• 現有控制措施的不足程度；
• 產品是否即將上市或進行重大變更；
• 資料、模型及供應鏈的不確定性；
• 是否缺少關鍵查證或確效證據；
• 是否已出現上市後風險資訊或警示。

例如：如果某個產品缺少文件格式統一規則，但主要風險控制及產品證據完整，這可能不是最優先的問題。

反之，如果產品無法證明模型在預期患者族群中具備足夠性能，或沒有控制高風險模型更新的程序，就應優先處理實質性的產品及法規風險。

（見續篇）