AI 著作權實務 FAQ 2026：寫作 / 圖像 / 程式碼 30 題、台美判決全整理

OpenAI ToS：用戶。

OpenAI 服務條款明文:「所有 Output（包括 ChatGPT 生成的內容）權利轉給使用者」。

但兩個附帶條件:

1. OpenAI 保留「使用 Output 訓練模型」的授權（可在 settings 關閉）
2. 如果你的 prompt 沒有實質創意投入，Output 雖然「屬於你」，但台灣法律不會保護它免於別人複製

結論:Output 的「所有權」屬你，但「著作權保護」取決於人類創意投入程度**。

3 個重點:

1. Output 權利屬使用者（可商用、可修改、可再販售）
2. OpenAI 保留訓練用授權（預設開啟，可關閉）——你的對話內容可能被用來改進 GPT
3. 不保證 Output 不侵權——如果 GPT 寫的東西被認定抄襲別人，OpenAI 不負責

避免訓練的方法:

• ChatGPT 設定 → Data Controls → 關閉「Improve the model for everyone」
• API 預設不訓練（這是給 API 用戶的承諾）

台灣法律未強制揭露。

但 3 個情境應主動揭露:

1. 客戶合約明文要求（部分品牌不接受 AI 寫的稿）
2. 平台政策要求(Medium、Substack、部分 SEO 服務都越來越要求)
3. 學術 / 新聞 / 醫療 / 法律 主題——倫理層面應揭露

Mason 的紅線:告訴你的客戶 / 讀者「這篇用了 AI 輔助」——長期品牌信任比短期省事重要。

不算抄襲（只要沒抄別人），但可能有 3 個問題:

1. 平台政策:Amazon KDP 2023 起要求揭露 AI 內容;Medium / Substack 部分要求標籤；學術期刊大多禁
2. 品質問題:純 AI 出的東西品質有限——商業價值低
3. 重複問題:多人用同樣 prompt 寫同樣主題，結果類似度高——可能被認定「非原創」**

Mason 的建議:AI 寫初稿 + 人類大幅改寫 / 加事實 / 加觀點——安全且品質高。

台灣不需要登記（著作權自動取得，只要符合「人類創意投入」）。

美國規則:

• 完全 AI 生成:不可登記(USCO 立場)
• AI + 人類顯著創意:可登記人類創意部分（如 Zarya of the Dawn 案）
• AI 為輔助:全文可登記（類似 Photoshop 輔助）

結論:「證明你的創意投入」比「登記」**更重要——保存 prompt 歷史、修改紀錄、版本控制。

美國:目前 fair use 判決支持訓練，告贏機率低。 但:如果是盜版來源（LibGen 等），可告（參考 Anthropic 15 億和解）。

台灣:Lawsnote 案的刑事判決開了先例——告得贏，且可能追刑責。

實務做法:

• 個人 blogger:告訴成本高、賠償可能不夠付律師費——多數人不告
• 大型出版社 / 媒體:集體訴訟 / 跟 AI 公司簽授權——已有先例(NYT 訴 OpenAI)
• 創作者集體:透過工會 / 著作權集管團體——可拿到較好條件

原文有著作權，翻譯權需授權。

情境:

• 個人學習用、不發表 → 🟢 合理使用
• 個人 blog 翻譯發表 → 🟡 灰色，理論上需授權，實務上原作者多半睜一隻眼
• 商業使用（媒體、品牌） → 🔴 必須取得翻譯授權

「編譯」（改寫成中文版，加入在地脈絡）**:

• 如果改寫程度高、加入大量原創內容——可能算「衍生著作」**（仍需原作授權，但保護範圍更大）
• 如果只是翻譯——純翻譯權問題

Mason 的做法:寫編譯文章時，主要事實 + 觀點皆已重新組織 + 加上 Mason 的判斷——這算「評論」，合理使用空間較大。但仍會引用原作 + 連結原文。

「風格」本身不受著作權保護——你可以模仿「村上春樹的調性」而不侵權。

但:

• 模仿到「具體句子 / 段落」 → 侵權（這是抄襲）
• 模仿「人物 / 世界觀 / 特定設定」（例如「哈利波特」**的霍格華茲） → 可能侵權（衍生著作）

Mason 的紅線:「仿風格」可以，「抄具體內容」不行——線在哪需要逐案判斷，商業用建議諮詢律師**。

員工負責 + 公司可能也有責任。

情境:員工偷把公司商業機密、客戶資料、商業合約丟給 ChatGPT 處理——個資外洩、商業機密外洩。

法律責任:

• 員工:違反勞動契約 + 違反《營業秘密法》——民事賠償 + 可能刑責
• 公司:如果沒設置使用規範 / 沒培訓員工 → 共同責任

Mason 的建議:公司必須有 AI 使用規範——(1) 哪些資料絕不能丟外部 AI(2) 員工教育(3) 提供企業版工具(ChatGPT Enterprise、Anthropic Console)讓員工合規使用**。

有——除非你做了 4 件事：

1. 使用 API / 企業版（不訓練資料）
2. 客戶合約明文允許使用 AI
3. 對個資 / 商業機密做匿名化處理
4. 使用零資料留存(ZDR)模式

最安全:極敏感任務用本地 LLM(Ollama + Llama 3.3 / Qwen 36)——資料完全不離開你的電腦。

台灣 TIPO 立場:單純 AI 生成的圖片無著作權（沒有人類創意投入）。 美國 USCO 立場:類似，但「人類顯著創意」部分可保護**（如 Zarya 案）。

有著作權的場景:

• 複雜 prompt + 多次 iteration + 後製修改
• AI 出圖後手動加 30%+ 元素

無著作權的場景:

• 單純下「畫一隻貓」直接用
• 批次生成 100 張用

Midjourney 條款重點(2026/05 版):

結論:個人 / 小公司年收 < 100 萬美元——Standard plan 足夠;大企業必升 Pro。

Mason 的選擇:最需要商業保障的場景用 Adobe Firefly——Adobe 在條款中明文「為商業用戶賠侵權損失」**。

Midjourney ToS 沒明文禁止——但 4 個風險：

1. 缺乏著作權:純 AI 生成圖無著作權——你「鑄造」**NFT 後別人可複製
2. 平台政策:OpenSea 等 NFT 平台對 AI 內容政策不一——可能下架
3. 詐欺風險:買家可能因「沒著作權」控告你詐欺**
4. 稅務 / 法規:NFT 在台灣的稅務分類仍未定——獲利後報稅複雜

Mason 的紅線:用 AI 圖做 NFT 屬「高風險低 ROI」——除非你有強商業計畫，否則別碰。

「風格」不受著作權保護**——理論上可以仿。

但 2025 年案例:多家 AI 公司被吉卜力 / 迪士尼施壓——特定 prompt(「Studio Ghibli style」)被列入過濾清單**。

現況:

• 個人非商用:🟢 低風險
• 個人商用（賣商品、賣 NFT）:🔴 高風險——容易被吉卜力法務盯上
• 公司商用:🔴 建議完全避開

Mason 的紅線:「仿 Studio Ghibli style」這種 prompt 直接避開——換成「手繪水彩風 + 自然光 + 童話氛圍」**——同樣效果但不踩雷。

有 3 個層面的問題:

1. 合約問題:多數設計合約寫「原創設計」——AI 生成可能違約
2. 著作權問題:AI 生成的 logo 無著作權——客戶花錢但拿到不受保護的東西（別人可複製）
3. 信任問題:客戶後來知道後可能要求退費 + 名譽損失

正確做法:告訴客戶「我會用 AI 輔助 + 人工修改」——多數客戶反而 OK,怕的是「你騙我」。

沒有絕對的「百分比門檻」——看「人類創意是否實質改變整體」**:

• 30% 修改（小幅調色 / 加字）:🟡 不太可能受著作權保護
• 50% 修改（換背景 / 改人物 / 加元素）:🟡 你加的部分可能受保護，整體仍灰色
• 80% 修改（只用 AI 圖當參考，大部分重畫）:🟢 整體可能受保護

Mason 的建議:保存「修改前後對比 + 修改過程紀錄」——萬一需要證明創意投入時有證據。

看各圖庫政策(2026/05 版):

• Shutterstock:接受 AI 圖(2023 起合作 OpenAI),有 AI 標籤
• Getty Images:禁止 AI 圖（訴訟 Stability AI 中）
• Adobe Stock:接受 + 必須揭露
• iStock / Alamy:接受 + 必須揭露

禁區:仿真人肖像、知名 IP、商標、特定品牌 logo——所有圖庫都禁。

肖像權問題，跟著作權不同:

• 生出名人肖像（總統、明星）:🔴 侵權——肖像權 + 可能涉及名譽
• 生出一般「像某人」的臉**:🟡 如果該人能認出自己，可能侵權
• 完全虛構的臉:🟢 OK

台灣《民法》184 條:侵害他人權利者（含肖像權）負損害賠償責任。

Mason 的紅線:任何「有具體可識別人臉」的 AI 圖，商業用前必須確認該人同意。

台灣:不需要登記（著作權自動取得）,但需要「人類創意投入」才有著作權。 美國 USCO:純 AI 圖不可登記（明確政策）;AI + 人類顯著創意 可登記人類部分(Zarya 案先例)。

結論:「證明你的創意投入」比「登記」**更重要——保存 prompt、修改紀錄、版本控制。

Output 屬使用者（各家 ToS 都這樣寫）——但著作權保護仍要看「人類創意投入」。

單純 AI 生成的 boilerplate(function add(a, b) { return a + b; })——無著作權保護。

複雜功能 + 人類設計架構 + 修改——人類設計部分受保護。

結論:程式碼界線比文章 / 圖像更模糊——多數情況「Output 屬你，但別人也可寫同樣的」**。

Microsoft Copyright Commitment(2023/09 起，2026 仍有效):

保障內容:如果商業客戶因 Copilot 生成的程式碼被告侵權，Microsoft 負責賠償 + 法律費用。

條件:

1. 必須是商業版(Business / Enterprise)
2. 必須使用「內建的過濾機制」（不能關掉）
3. 不能故意要求 Copilot 生成已知侵權的內容

意涵:這是企業敢用 Copilot 的關鍵——出事有大廠扛。

理論上可以（微軟沒禁），但 3 個風險:

1. 無 Copyright Commitment——個人版沒有 Microsoft 賠償保障
2. 資料外洩——員工的個人帳號可能用 codebase 訓練模型（個人版預設可能訓練）
3. 合約問題——客戶 / 投資人可能要求「Code 須來自合規工具」**

Mason 的建議:公司花錢買商業版——比起員工自付的成本，商業版的合規價值大太多。

這是 2022 年 Copilot 推出時最大的爭議。

現況(2026):

• GitHub 加了「過濾機制」（預設開啟）——檢測到 Output 跟公開 GPL code 高度相似時，可選擇「不要這段」
• 多數企業使用商業版 + 啟用過濾 + 加 Microsoft Copyright Commitment——風險降到極低

仍要小心的場景:

• 關掉過濾機制（別關）
• 個人版 + 沒過濾——理論風險仍在

可以——AI 不影響 open source 授權的法律效力。

但 3 個建議:

1. 保留人類設計痕跡(commit 歷史、設計文件)——證明人類創意投入
2. 避免讓 AI 生成 LICENSE 檔——人類自己寫，確保理解條款
3. README 揭露「AI 輔助開發」——透明度提升信任

MIT / Apache / GPL 選擇:AI 不影響選擇邏輯——按你想要的限制程度選。

3 層責任分配:

1. 員工:違反公司資安政策（若有）——可能解雇
2. 公司:沒設規範 → 共同責任——客戶 / 投資人可能告
3. AI 公司:幾乎不負責(ToS 排除)

Mason 的建議:公司必須明文政策——(1) 哪些工具允許(2) 哪些資料絕不能丟外部 AI(3) 出事的責任歸屬。

3 個建議條款:

1. 揭露條款:「乙方得使用 AI 工具輔助開發，並依業界慣例使用」——避免後續爭議
2. 品質保證:「乙方對 Output 負品質責任，不因使用 AI 而免責」——保護甲方
3. 資料保密:「乙方使用 AI 時，不得將甲方機密資料丟入公開 AI 服務，僅得使用 API / 企業版」——保護甲方資料

Mason 的紅線:不要在合約裡寫「完全人工」——萬一你用 AI 被發現，違約。

法律上不需要（無強制揭露）——但社群慣例越來越要求。

主流社群態度:

• GitHub:鼓勵但不強制
• Hacker News:揭露被認為更專業
• AGI 倫理派:強烈要求

Mason 的建議:README.md 加一句「This project was developed with AI assistance (Claude Code)」——透明度提升，長期信任比短期省事重要。

美國:Anthropic 15 億和解先例 → 告盜版書庫贏;Meta 案 → 一般訓練 fair use。 台灣:Lawsnote 案 4 年刑度 → 未授權訓練資料可告刑事。

實務考量:

• 個人 blogger:告訴成本高 + 賠償可能不夠付律師費 → 多數人不告
• 集體訴訟:透過工會 / 著作權集管團體 → 較划算
• 大型內容公司(NYT、Reuters):已開始告 + 簽授權

Lawsnote 案重點:

• 法源資訊（原告）:主流法律資料庫
• Lawsnote（被告）:AI 法律檢索服務
• 指控:未授權使用法源資料訓練 AI
• 判決:4 年徒刑 + 1 億新台幣賠償

對台灣的影響:

• 台灣對「訓練資料來源合法性」比美國嚴
• 「爬公開資料訓練」不一定免責**
• 新創開發 AI 產品時，訓練資料授權是必查項目**

有，但不直接適用。

台灣著作權法沒有「fair use」概念——只有「合理使用」（類似但範圍較窄）。

參考價值:

• 了解全球 AI 訓練的法律趨勢
• 預測台灣未來判決方向（高機率參考美國案例）
• 但「美國 fair use」不能在台灣法院直接引用**

情境:公司用內部資料 fine-tune Llama / Qwen 等開源模型。

法律檢查清單:

1. 內部資料屬公司所有? → ✅ OK
2. 內部資料含客戶機密? → 必須有客戶授權（查合約）
3. 內部資料含員工個資? → 必須符合《個資法》
4. 訓練後的模型權重歸屬? → 依開源模型授權（Llama / Qwen 各有規則）
5. fine-tune 後對外提供服務? → 檢查原模型授權是否允許商用

Mason 的建議:fine-tune 前找律師檢查授權鏈——這筆顧問費比未來訴訟便宜太多。

有 3 種說法，精度不同:

1. 「這是我寫的」 → 🔴 不誠實（法律未必違法，但倫理有疑慮）
2. 「這是我和 AI 一起做的」 → 🟢 誠實
3. 「這是 AI 生成，我選擇 / 整理 / 修改的」 → 🟢 更精確

Mason 的選擇:寫作時用 (3)——Mason 註：這個 insight 是我加的，這段是 AI 寫的、我潤過。

5 個必查:

1. 每國著作權法（台、美、日、歐）
2. 平台政策(Amazon、Apple、Google 各自規則)
3. 稅務（收入跨境的稅務分類）
4. 資料保護(GDPR、CCPA、台灣個資法)
5. AI 揭露要求(EU AI Act 2027 起強制)

1. ToS 是否與公司合約 / 客戶協議衝突?
2. 資料留存 / 訓練政策——關閉訓練、確認 ZDR
3. 侵權責任歸屬——是否有 Copyright Commitment 類保障
4. 跨境資料傳輸(GDPR / 個資法合規)
5. 稽核日誌——使用紀錄能否提供給合規團隊

3 個結構性風險:

1. 資料外流（可能傳對岸 GPT API 代理，訓練 + 留存）
2. 內容合規（對岸用對岸模型 → 可能含政治敏感 / 偏見內容）
3. 著作權鏈不清（外包用什麼工具不透明）

Mason 的建議:台灣 + 西方 AI 工具的合作夥伴更安全——對岸外包雖便宜，長期風險高。

EU AI Act 2027/12 全面生效（高風險 AI 條款延期）。

對台灣公司影響:

• 有 EU 客戶 / 在 EU 提供服務:🔴 必須合規
• 內容會發到 EU:🟡 部分條款適用（揭露要求）
• 純台灣 / 美國市場:🟢 影響低

主要要求:

1. AI 系統分級（禁用 / 高風險 / 一般）
2. 高風險系統:註冊 + 透明度 + 人類監督
3. AI 生成內容必須標示