核心概念
OpenAI 於 2026 年 8 月的案例研究指出，日本新創 Polimill 以 GPT 模型與 Codex 建構 QommonsAI，把原本分散於地方政府的議會紀錄、法規與行政資料，整理為可跨機關搜尋的工作知識層。平台自 2024 年 10 月推出後，據該公司資料已供約 1,050 個自治體、55 萬名公務人員使用；其目標不只縮短文書作業，而是成為各地能共享的「公共 OS」。這是官方個案敘事與企業自述，規模及成效仍應以獨立資料持續驗證。
從「有模型」到「有可用知識」
地方政府導入生成式 AI 的障礙不單是模型能力，而是資料破碎：每個自治體的流程、文件格式與歷史紀錄各異。以議會答詢為例，承辦人可能得回查多年的會議紀錄，才不會與既有政策口徑矛盾。Polimill 的做法是先彙整全國議會紀錄、用 AI 補上中繼資料，再建立可跨時間與組織檢索的高精度搜尋底座；之後延伸到社福、法規等行政領域。
這讓 QommonsAI 的重點不只是「問模型得到一段答案」，而是把可追溯的行政知識接進日常工作。平台同時提供管理者檢視功能使用紀錄、依組織政策限制可用模型的控制項，回應公部門特別在意的資訊管理與稽核需求。這與 OpenAI for Singapore：海外首座應用 AI 實驗室與新加坡 AI 樞紐戰略 所描述的公共服務落地邏輯相通：模型要進入機構流程，仍需資料、治理與在地部署能力共同到位。
Codex 加速交付，但不取代責任
Polimill 將 Codex 用於需求定義、比對既有 GitHub 程式碼、實作與測試。工程師把重心移至審閱 AI 產生的計畫、做高層判斷與承擔最終責任；官方稱，配合 OpenAI 的導入支援後，開發與驗證節奏提高至原先的 3 至 5 倍。這個數字反映單一公司的案例，不能直接外推為所有團隊的生產力基準。
真正可複製的訊息是工作分界：讓 AI 承接大量實作與背景工作，同時明定哪些步驟由人審查與負責。這與 Cisco × Codex：企業工程的 AI 原生重構 強調的計畫先行、審核門檻及可調節自主度一致；速度若沒有可檢查的變更證據，對受監管環境只是更快地累積風險。
知識移轉才是長期價值
Polimill 的驗證中，較資淺人員藉由累積的行政知識與 AI 撰寫政策提案，評價已接近資深人員；但資深人員的成果仍最好。其差距來自未寫進手冊的默會知識，例如政策要真正落地所需的程序、居民可能的顧慮與判斷取捨。下一步因此不是把資深人員排除在外，而是記錄他們如何指示 AI 研究、如何修改結果，將可傳授的判斷轉成組織資產。
這正呼應 AI 原生公司：把工作流程變成可複利的營運能力：可規模化的 AI 不等於堆高使用量，而是把重複流程、持續脈絡、證據與人工決策點一併制度化。對公共服務而言，這還多了一層要求——跨自治體共享的資料標準與治理規則，必須避免效率提升反而造成新的服務落差。
實務啟示
- 先建知識底座，再談代理。 資料定義、版本、來源與檢索品質若不一致，再強的模型也難產出可採用的行政建議。
- 把審計與權限做成產品功能。 使用紀錄、模型選用範圍與覆核責任應在導入初期就被設計，而非出事後補件。
- 將專家修正視為訓練資料。 保存資深人員的查核與改寫過程，能讓經驗從個人能力轉為可持續改善的流程。
- 衡量成效須區分速度與品質。 原型週期縮短、採用人數與提案評價都重要，但仍需追蹤錯誤率、公平性、申訴與真正的服務結果。
Polimill 規劃在 2026 年秋季全面推出 Qommons ONE，讓多種專業 AI 與民間應用可依任務被協調使用。若要成為可靠的公共基礎設施，其關鍵將不是能串多少工具，而是能否讓資料品質、責任歸屬與公民信任隨規模一起成長。
相關連結
反向連結
以下頁面引用了本頁：