跳至主要內容

當AI給你營養建議:台灣《營養師法》還沒想過的法規空白

之前分享利用 Claude Code 做飲食營養分析 Bot 的經驗。我自己有個習慣,就是在做新的專案時,會先評估法遵風險。當我在做飲食營養分析 Bot 時,我才知道原來台灣除《醫師法》外還有《營養師法》,而《營養師法》第 12 條列舉營養師的法定業務,包含營養評估、飲食設計、個案諮詢、膳食管理等。

這部《營養師法》在幫大家的健康把關,因為不能隨便一支影片、一段報導,就能提供營養建議。在法規中,需要接受完整的專業教育,並持續進修,每 6 年就要提出繼續教育的證明文件,才能更新執業證照;沒有「營養師」的證照不能自稱「營養師」,法規中列舉了營養師的業務範圍,並規定須親自執行業務,不能由他人代理,如果藉由通訊方式執行業務,還要經過執業登記的主管機關核准;執行業務時還要做紀錄,這些紀錄可能還會成為法律或醫療紀錄文件。

成為「營養師」需要符合嚴格的要求與限制,並不是隨便用AI分析、讓AI提供建議就能取代的。台灣每年會舉辦 2 次營養師的考試,參考自中華民國營養師公會在2025年的統計資料,台灣每年營養科系的畢業生約 1500 人,到 2025年,累計已有 11,860 人通過考試取得執照,及格率約 25%,看起來是一個具有挑戰性的考試。

Bot 的個人化建議,算不算「執行業務」?

在我設計的 Bot 裡,不是只有拍照上傳讓 AI 去分析、評估,事實上還有其他情境的飲食需求,再提供使用者建議,例如由 Bot 提醒當天攝取的蛋白質不足,或我在前篇文章中提到的鈉的攝取量過高,Bot可能提醒要減少鈉的攝取或是多補充哪些蛋白質來源,這些分析與建議是否算「執行業務」?在該法第 29 條中也寫明,如果沒有取得營養師的資格而執行相關業務,本人及其雇主各處新臺幣 5 萬元以上,25 萬元以下罰鍰。

法律規範的對象是「人」,目前法律還沒有明確定義 AI 工具的法律地位,也不知道該找誰負責,是開發的工程師?大語言模型的公司?還是開發的公司?一般開發者通常會在提供的資訊裡加上「僅供參考、非醫療建議」的免責聲明來規避,但無從得知這樣的聲明在法律是否具有效力。另外,由於在 Bot 中可以設定慢性病的個別飲食計算,還可能同時踩到《醫師法》(涉及診療)與《營養師法》(涉及個案管理)。同時,即使開發者已在服務中加入「僅供參考、非醫療建議」的免責聲明,主管機關或法院在判斷是否構成營養師業務的執行時,仍然會以服務的實質功能為主要審查對象。例如,若 Bot 提供高度個人化的營養評估、針對個案的飲食設計、或針對慢性病提出具體調整建議,這些行為在實質上已接近營養師法第 12 條所列的業務範圍,單憑免責聲明可能無法完全排除法律風險。目前台灣尚無直接針對此類 AI 工具的司法判決,但實務上「看實質、不看形式」是法院在醫事法領域常採用的審查原則,這也是開發者需要特別留意的地方。

法規精神 vs. AI現實:一個難解的矛盾

現行《營養師法》的立法精神是保護民眾不受道聽途說與庸醫之害,但 AI 時代最大的衝突,可能是「AI 可能比平均水準的諮詢更準確,卻沒有法律地位」。這個矛盾,台灣目前沒有出口。

現行中華民國法律無法解決的根本問題包括:

  1. 不明確的責任主體:誰應該為 AI 建議導致的傷害負責?開發者說是工具,使用者說信了 AI,傷者說誰賠?
  2. 「諮詢」的定義沒有數位化更新:在立法時只想到人對人的「諮詢」。AI 是一對百萬人的個人化互動,現有法律框架根本無法對應。
  3. 跨國AI模型供應商的管轄空白:若 AI 背後是 Anthropic、OpenAI、Google 或其他國家的大語言模型,台灣主管機關(衛福部/食藥署 或數位發展部)可能無法管到供應商,只能管台灣境內的介接服務。

他山之石:美國、歐盟、英國

基於過往工作的經驗,我請AI協助找尋相關資料。

美國:風險分級模式

目前在應用程式商店中有提供食品營養分析功能的應用程式,可能還結合許多類似運動監測、生理資訊監測的功能,這些目前都可能是遊走在灰色地帶,以不違反《營養師法》為前提來提供服務。但我在想,有沒有可能有符合時代發展的進一步作法?

美國 FDA 在 2020年啟動「數位健康卓越中心」(Digital Health Center of Excellence,DHCoE),目的是協調 FDA 內部所有數位健康相關工作,並非直接負責審批決策,DHCoE的主要工作領域為數位健康政策支援、醫療器材網路安全、AI/ML、真實世界證據(Real World Evidence)、法規科學研究。美國FDA把軟體分成「醫療器材等級」和「非醫療器材」,判斷標準是:軟體的輸出是否直接用於醫療診斷或治療決策。一般健康追蹤 app 通常不被歸類為 Software as a Medical Device(SaMD),但若 AI 針對慢性病患者給出具體飲食處方,就可能跨線。DHCoE 在2025年11月,數位健康諮詢委員會專門討論「生成式 AI 驅動的數位心理健康醫療器材」,顯示美國 FDA 已開始正式處理生成式應用的監管問題,而再更早之前我也提過歐盟與美國相關的監管資訊;在 2026年 1 月美國 FDA 更新 2019 年的「一般健康工具指引」(General Wellness: Policy for Low Risk Devices)與 2022 年的「臨床決策支援軟體指引」(Clinical Decision Support Software,CDS),核心方向是「低風險放行、高風險維持管控」,這些對美國的軟體開發者來說,很多過去灰色地帶的健康工具現在明確不需要美國 FDA 審查,也降低許多法遵風險。

除了美國,歐盟與英國也各自走出不同的路,剛好可以跟美國的「風險分級」對照。

歐盟:雙軌疊加、從嚴

歐盟《醫療器材法規》(Medical Device Regulation,MDR)與《AI Act》的交集,其判斷邏輯類似於美國此FDA,看的是「意圖用途」,如果應用程式(APP)只是健康提醒或追蹤,屬於「一般促進健康應用程式」(Wellness App);但只要涉及診斷、治療建議或臨床判讀,就會被歸類為醫療器材軟體(SaMD)。如果這個SaMD 本身內建 AI 或機器學習,例如針對慢性病患者給出個人化飲食建議,依「AI Act對醫材的高風險分類」還會被額外歸類為「高風險AI系統」,必須同時符合 《MDR》 與 《AI Act》 兩套規範,包括資料治理、透明度、人為監督、風險管理與上市後監控等義務。在之前的全球 AI 監管進度中,也提到歐洲議會已於2026年6月16日公布確認通過的AI 法 Omnibus 修正案,將嵌入受歐盟產品安全法規約束之產品的AI系統則延至2028年8月2日。

英國:補強規範中,採認國際機制

英國藥品與保健產品管理局(MHRA)的現行指引「軟體與人工智慧(Software and artificial intelligence (AI) as a medical device)一樣是判斷軟體是否具「醫療用途」,但目前尚未有專屬的AI醫療器材規範,只確認會在「2026年依英國生命科學產業計畫發布專屬框架」,處理AI生命週期治理、透明度與資安要求——這一點跟台灣現在的空白狀態其實頗為類似。比較特別的是,英國另外設計國際採認機制「Statement of policy intent: international recognition of medical devices」:只要廠商已取得美國FDA、加拿大衛生部或澳洲TGA的核准,就能直接申請英國的簡化審查,預計可縮短6到12個月的上市時間。

英國在2024年啟動全球第一個AI醫療器材法規沙盒「AI Airlock」,並持續擴大測試規模;2025年9月更成立「AI醫療監管國家委員會」(National Commission into the Regulation of AI in Healthcare),研議AI醫療器材監管的未來方向。

結論:在法規灰色地帶裡,我們還能做什麼?

從我自己動手做自己的飲食營養分析 Bot 開始,原本只是想解決自己的健康管理需求,卻意外找到台灣法規對 AI 時代未曾設想的空白。《營養師法》的立法精神立意良善,是要保護民眾不被沒有專業訓練的建議誤導,但它假設的前提,是「諮詢」發生在人與人之間,而不是一個能同時服務上百萬使用者、隨時給出個人化建議的AI。

目前沒有人真正確定「僅供參考、非醫療建議」這句話在法律上是否站得住腳,也沒有人能明確回答,當AI建議出錯時,責任該由誰承擔:寫程式的人、訓練模型的公司,還是提供服務的開發者?

美國、歐盟、英國的做法,剛好提供 3 種不同參考方向:美國 FDA 用風險分級處理:低風險的一般健康工具直接放行,只有真正涉及診斷或治療決策的高風險應用才需要嚴格審查,效率最高,開發者至少知道自己站在哪條線的哪一邊;歐盟則是 《MDR》 加 《AI Act》雙軌從嚴,只要 SaMD 內建 AI,一律視為高風險系統,資料治理、透明度、上市後監控一項都不能少,課責機制最完整,但代價可能是提高業者的法遵成本與風險;英國則一邊補齊自己的AI 醫材框架,一邊用「國際採認」承認美、加、澳已經做過的審查結果,等於用別人的把關,換自己上市審查的時間。

對台灣來說,個人角度認為比較務實的方向,是「美國式的風險分級」加上「英國式的國際採認」,而不是照搬歐盟的雙軌從嚴。台灣的個人開發者、小型新創本來就資源有限,如果比照歐盟,要求 AI 飲食建議工具比照醫療器材做完整的風險管理與上市後監控,等於直接把像我這樣的個人專案排除在合法範圍之外;但完全不管、放任現況模糊,又會回到前面說的責任真空。與其從零打造一套台灣專屬的AI醫材框架,不如先參考美國「一般健康工具」與「臨床決策支援軟體」的分級標準,把「提醒/追蹤」跟「個人化處方級建議」劃出清楚界線,同時比照英國的精神,承認 FDA、EMA等已經做過的風險判斷,減少台灣主管機關從零審查的負擔。這樣至少能讓像我一樣的個人開發者,知道自己的 Bot 站在哪一邊,而不是所有人一起賭一把。

對我自己來說,這個Bot目前只服務我一個人,還沒有到需要煩惱法律責任的規模。但如果哪天想把它分享給更多人使用,這篇文章整理的這些問題,就是我在推出這個服務前必須先想清楚的事,而我更希望,台灣的法規能在公開服務之前,能先明確的標示範圍,減少我的法遵風險與成本。

 

Image by Jan Mateboer from Pixabay

留言

此網誌的熱門文章

我用Claude Code建立一支動畫團隊

很久沒有分享最近練習 AI 的狀態,主要原因是我花一段時間思考,如何把自己電腦裡的文件,以非研究人員也可以理解的方式,讓人知道這些議題在說什麼,例如讓人理解「歐盟對智慧眼鏡有哪些管制?為什麼要這麼管制?如何才不違法?」這些多是由官方部門公布的新聞稿,但都很「難以理解」,我自己也要消化過才能再重新轉譯,讓客戶知道。我的電腦裡也有非常多相關議題的內容,卻都在電腦裡無法再次利用,是一件非常可惜的事。 要如何讓人在生活中建立相關的意識?於是我想到了「動畫」。動畫是最輕鬆入門,也最沒有壓力的閱讀方式,放在網路上也能讓有興趣的人隨時瀏覽、找到相關資料。 做動畫與使用人工智慧工具的經驗 在我還在五年制專科學校就讀時,我曾利用簡單的高階語言 Visual Basic 與美工軟體製作動畫;當 Flash 問世後,我開始理解一些製作動畫的基本觀念,蒐集網路上大家分享出來的專案,學習裡面的程式碼與概念,但受限於當時的網路頻寬,Flash 動畫簡直就是阻礙客戶進入網站的災難。在當時,我也意識到,科技會愈來愈進步,一直鑽研動畫可能不是長久之計,於是沒有再繼續鑽研。 在距離最後一次做動畫超過 20 年後,人工智慧(AI)問世了,我用 AI 開發: 2 個不同目的、功能但可獨立寫研究報告的程式 1 個營養分析及記錄個人血糖的BOT 1 支食品安全追蹤(因為矛盾的使用者流程與責任歸屬的議題沒有繼續開發) 我把日常工作交給我的程式,也會與「代理人」討論方向、內容。如果有長期關注這個Blog,讀過先前的文章,大概會知道我從 ChatGPT 轉到 Claude Code 的歷程。 目前,我主要使用 Claude Code 作為主要工具,利用 GPT 與 Claude 的不同模型互相協作,並以 Gemini的視覺(用在營養分析BOT)為輔,來製作我需要的工具。 思考另一種傳達內容的方式 上面這些工具產出的都是文字,畢竟生成式 AI 最擅長的就是文字。但在這個快速閱讀、摘要的時代,人類反而更容易記住圖像、畫面,這也是之前資訊圖表(Infographic)十分熱門的原因。 我平時也有觀察這個部落格(Blog)的流量,這裡的主題離日常生活比較遠,也不容易理解,所以我一直在想怎麼用不同的方式呈現。家人和我偶爾會看中國的 AI 短影音,讓我開始思考:能不能用 AI 把既有的內容轉成影片? 因為工作的經驗,我沒有考慮...

AI 提高產出,但誰得到好處?

我收集了 2026 年 3 月至 9 月由 Anthropic 研究團隊公開發表的 5 篇文章,讓 Claude 重新翻譯並編輯,並修改為習慣的閱讀語氣,以利閱讀。 Anthropic 今年 3 月發表的報告顯示,美國整體失業率沒有上升,但 22 到 25 歲的年輕人每月順利進入 AI 高曝露職業的比例比 2022 年低約 14%。這是我讀完今年他們發布的 5 份經濟研究摘要後,最常想起的一句話:「AI 讓產出變多」與「誰能把產出變成自己的收穫」,是兩個得分開回答的問題。 AI 做得到,不代表已經在做 過去大部分研究或媒體在衡量 AI 對工作的影響時,常問「AI 理論上能做哪些任務」。問題在於,AI 做得到,不代表企業或個人真的已經拿來用。 在這次閱讀的文章中,研究團隊提出「觀察曝露度」(Observed Exposure)。這個指標結合 O*NET(美國職業資訊網路,Occupational Information Network)的任務清單、理論可行性評分與 Claude 的實際使用資料,並對「自動化」與「工作用途」給予較高權重。 排名最高的是電腦程式設計師(約 75%)與資料輸入人員(約 67%),客服代表也名列前茅;另有 30% 的勞工觀察到曝露度為零。AI 目前的實際使用與理論能力還有一段距離。 在公布的研究中,高曝露職業的從業者有幾個共同特徵:女性比例高 16 個百分點、平均薪資高 47%、學歷較高、年齡也偏長。受衝擊的是中高薪的知識工作者,和「AI 先淘汰低薪年輕勞工」的直覺相反。 衝擊有多大?研究用差異中差異法比對,發現 ChatGPT 發布前後,高曝露職業的失業率未見系統性上升。唯一較清楚的訊號在 22 到 25 歲:這個年齡進入高曝露職業的新工作起始率,約比 2022 年低 14%。研究團隊也註明,這個結果僅勉強達到統計顯著。 同一套 AI,成果為何不同 在針對使用者研究的報告中,使用 6 個月以上 Claude 的人,其對話成功率為 73.1%,新使用者為 66.7%,相差 6.4 個百分點。控制任務類型後,差距縮到約 3 個百分點;再加上模型、使用情境、國家等變數,差距維持在約 4 個百分點。 Anthropic 曾假設,資深使用者會更傾向於把工作整包交給 AI 自動完成。研究的資料指向相反的方向:資深使用者更常與 Claude 來回...

[movie]虛偽、傲慢與人性--Dogville

片名:厄夜變奏曲DOGVILLE 導演:拉斯馮提爾Lars von Trier 演員:Nicole Kidman… IMDB 花絮:厄夜的告白(Dogville Confession) 續集:命運變奏曲(Manderlay) 目前桌上放著的,是《在黑暗中漫舞》和《命運變奏曲》,克制著自己不要接著看下去,雖然我覺得看完再寫會比較完整,特別是看完《命運變奏曲》。昨晚已先看了《厄夜變奏曲》的花絮,在拍完這部電影後 Nicole Kidman還是沒能再接下去演《命運變奏曲》。 如果沒看過這部電影的人,不建議再繼續看下去,免得壞了看電影的興緻。 這部電影共分為九幕和一個序,沒有任何的「場景」,像是舞台劇般的在每一幕開始時有旁白,所謂的場景則象徵性的在攝影棚的地上劃出房子的地基、動物;在實體場景上,只有商店有門和展示櫃,看不見的McKay家有片落地窗,醫生有藥櫃,作家有書桌,七個孩子的果農家有張床和黑板…每個實際存在的物品都代表了住在那一「格」的居民的職業和對他們最重要的事物。也許因為沒有了場景,演員的表現反而被突顯了出來,劇情更容易讓人印象深刻。 在「序」這一段裡介紹了Dogville和裡面的人物。在第一幕到第五幕裡,從Grace來到這個貧瘠的村莊,而村長Tom的行為與用意也讓人難以忍受,到此為止,大部份村民看起來是善良的,如同在序中介紹的善良正直。雖說在看電影前已經有人提醒我要小心電影情節的黑暗面,在第六幕開始時也有字幕提醒,但在看到第六幕時就想關掉了。因為從這一幕開始,才開始看到什麼是人性,而從第六幕開始,才是真正的人生。 「傲慢(arrogance)」是最常出現在電影中的字詞,當Grace與Tom相遇時,她對Tom表示她必須自己教育自己,所以必須處罰自己不能進食;在第二幕裡,Grace認為Tom很「傲慢」而傲慢是不對的,一直到最後,第九幕,她到了車上依然與父親爭論「傲慢(arrogant)」。從車上兩個人的爭論裡,名字代表優美、優雅Grace終於顯露了她的本性: The Big Man:…but I, I call them dogs… Grace: The dogs only obey their nature. Why shouldn't we forgive them? 直到最後,她的決定讓整個村子燒光只剩下一隻狗,而她原諒了那隻連肉骨頭也不願施捨給她...