AI 記憶治理框架：該記什麼、何時遺忘、如何守住個資合規

當企業讓 AI 員工「記得每一次互動」，下一個問題不是它記得夠不夠多，而是它記了不該記的東西。客戶的身分證號、員工的健康資訊、談判過程的敏感結論——這些一旦寫進長期記憶，就成了資安與合規的未爆彈。研究已證實這不是理論風險：LLM 會把訓練或微調資料「背」下來，程式碼中的憑證、API 金鑰乃至個資都可能被萃取攻擊還原（IJCAI 2025 的 PII 外洩系統性綜述即歸納出多種攻擊路徑）。記憶讓 AI 越用越懂你，但沒有治理的記憶，會讓企業越用越暴露。本文不談記憶系統怎麼運作，而談一套可落地的治理框架：該記什麼、何時遺忘、以及如何守住個資法的紅線。

先分清「該記」與「不該記」

記憶治理的第一步，是在資料寫入記憶「之前」先分類，而不是全記下來事後補救。這其實對應歐盟 GDPR 第 5 條的資料最小化原則（data minimisation，Art. 5(1)(c)）：只蒐集達成目的所必要的資料。我們建議用三個維度替每一類資訊打標籤——跨對話重複使用的價值、敏感程度、以及一旦外洩的損害。

• 值得長期記憶：客戶偏好、業務規則、決策脈絡等能提升後續服務品質、且敏感度低的資訊。
• 只留當次工作記憶：為完成當前任務暫時需要、但無重複使用價值的內容，任務結束即清除。
• 原則上不記憶：身分證號、金融帳號，以及個資法第 6 條列舉的病歷、醫療、基因、性生活、健康檢查、犯罪前科等特種個資——這類資料原則上不得蒐集處理利用，除非有法定事由或當事人書面同意。

把「不記憶」設為預設值，而不是把「全記」當預設，是整個框架的地基。實務上最常見的錯誤，是把記憶當成「記得越多越聰明」，於是預設把所有對話全文寫進長期儲存；等到資安稽核或客戶提出查詢，企業才發現自己根本說不清 AI 到底記了哪些人的哪些資料。

為什麼「不該記」是紅線：寫進去容易，刪掉很難

把「不記憶」當預設，不只是保守，而是因為技術上「寫進去」遠比「拿出來」容易。一旦敏感資料進入模型參數（例如拿對話紀錄去微調），它就可能被記住並在特定提示下被還原；學界把這區分為任何提示都能誘出的「可萃取記憶」（extractable memorization）與需精確前綴才會重現的「可發現記憶」（discoverable memorization）。程式碼裡的密碼、API 金鑰這類機密，尤其容易被模型背下來。想事後移除？機器遺忘（machine unlearning）至今仍是未解難題——學界為此在 SemEval-2025 設了專門的評測基準，而從零重訓一個大型模型的能耗成本動輒數百萬美元。結論很直白：與其指望日後能把敏感記憶乾淨地挖掉，不如一開始就別讓它進入持久層或訓練資料。

遺忘也是一種設計：分級保留與到期清除

沒有遺忘機制的記憶系統，等於一座只進不出的資料湖，時間一久就成為稽核與外洩的重災區。這正是 GDPR 第 5 條「儲存限制」（storage limitation，Art. 5(1)(e)）的要求：個資保存為可識別形式的時間，不得超過處理目的所必要。有效的做法是替不同層級的記憶設定明確的保留期限（Retention Policy）並自動化到期清除，而非仰賴人工定期清理。

值得提醒的是，「刪除」在技術上不等於「看不到」。若敏感資料同時存在於向量索引、快取與日誌，只清掉主資料庫的一份，記憶仍可能從其他角落被還原；真正的到期清除，必須涵蓋記憶散落的所有副本。此外，歐盟《人工智慧法》（Regulation (EU) 2024/1689，高風險條款於 2026 年 8 月 2 日全面適用）要求高風險系統的部署者，把自動產生的操作日誌至少保存六個月——遺忘策略必須同時滿足「該忘的要忘」與「該留的稽核軌跡要留」這對看似矛盾的要求。

PII 與個資法：AI 記憶的合規紅線

台灣《個人資料保護法》第 11 條第 3 項明訂：「個人資料蒐集之特定目的消失或期限屆滿時，應主動或依當事人之請求，刪除、停止處理或利用該個人資料」，除非因執行職務或業務所必須、或經當事人書面同意。這條規定落到 AI 記憶就是：記住的個資，不能只因為「方便」就永久保留。

個資法並沒有給出一個通用的保留年限；依施行細則第 21 條，只有在其他法令另有保存要求（例如會計憑證依法須保存的期間）等情形，才屬「執行職務或業務所必須」而得續存。因此正確做法不是抓一個固定年數，而是為每一類個資對應到它的法定或契約依據，沒有依據的就回到「特定目的消失即刪除」的原則。同時，當事人依法享有查詢、更正、停止利用與刪除的權利，AI 記憶架構必須設計成能針對「單一當事人」定位並移除其資料，而不是只能整批清空——這與 GDPR 第 17 條的被遺忘權（right to erasure）方向一致。至於前面提到的第 6 條特種個資，法規門檻更高；若沒有法定事由或當事人明確同意，最安全的做法就是讓 AI 完全不碰、不記。記憶治理的合規，重點往往不是把資料保護得多嚴密，而是一開始就不去蒐集自己並不需要的東西。

讓記憶可被稽核：存取控制、軌跡與框架對照

治理若不能被驗證，就只是紙上政策。AI 記憶系統應具備三項稽核能力：存取控制（哪個 AI、在什麼角色下能讀寫哪一層記憶）、讀寫軌跡（哪筆敏感資訊在何時被記錄或調用），以及能回答「這個 AI 對某位客戶記得哪些事」的可視化查詢。這些能力並非只能各自摸索，已有成熟框架可對照：美國 NIST 於 2023 年發布的《AI 風險管理框架》（AI RMF 1.0）以治理、映射、量測、管理四大功能、七十餘項子類建立控制清單；國際標準 ISO/IEC 42001 則把資料治理與可稽核性納入 AI 管理系統的正式控制項。歐盟《人工智慧法》第 12 條更直接要求高風險系統做到全程可追溯（traceability）。

建議把這三項能力直接納入 AI 導入的驗收清單，而不是等出事後才回頭補建；記憶治理和資安一樣，事前設計的成本，遠低於事後補救與可能的裁罰。

恩梯科技如何協助建立記憶治理框架

恩梯科技在協助企業導入 AI 員工時，會把記憶治理當成設計的一環，而不是上線後才補的合規文件。我們從企業的業務場景與適用法規出發，協助界定各類資訊的記憶分級、設定保留與清除策略、建立特種個資與 PII 的存取控制與稽核軌跡，並對照 NIST AI RMF、ISO/IEC 42001 等框架落實驗收，讓 AI 的記憶成為可控的企業資產，而不是潛在的法遵風險。讓 AI 記得對的事、在對的時間忘記該忘的事，才是記憶真正創造價值的前提。

參考資料

• Cheng, S. 等，《Understanding PII Leakage in Large Language Models: A Systematic Survey》，IJCAI 2025。來源連結
• European Union，GDPR 第 5 條（資料最小化與儲存限制原則，Art. 5(1)(c)(e)）。來源連結
• 全國法規資料庫，《個人資料保護法》第 6 條（特種個資）。來源連結
• 《SoK: The Landscape of Memorization in LLMs》（arXiv:2507.05578），可萃取／可發現記憶定義。來源連結
• SemEval-2025 Task 4，《Unlearning sensitive content from Large Language Models》（arXiv:2504.02883）。來源連結
• European Commission，《EU AI Act — High-level summary》（高風險條款 2026 年 8 月 2 日全面適用）。來源連結
• EU AI Act 第 26 條（部署者義務，日誌至少保存六個月）。來源連結
• 法務部個人資料保護委員會，《個資法條文及相關解釋》第 11 條。來源連結
• 臺北市法規查詢系統，《個人資料保護法施行細則》第 21 條。來源連結
• European Union，GDPR 第 17 條（被遺忘權，Right to erasure）。來源連結
• NIST，《Artificial Intelligence Risk Management Framework (AI RMF 1.0)》，2023。來源連結
• ISO，《ISO/IEC 42001:2023 — AI management systems》。來源連結
• EU AI Act 第 12 條（Record-keeping／全程可追溯性）。來源連結