從 2,600 件到 7,000 件申訴：「代理式淹沒」正在改寫政府與人民的契約

在英國，住房監察使（housing ombudsman）收到的申訴在 ChatGPT 普及後急速攀升——從 2022 年的 2,600 件，成長到去年的 7,000 件出頭。在美國，消費者金融保護局（CFPB）同期的投訴量成長了五倍。巴西的司法請願、德國的國會請願也出現類似跳升。這些系統當初的設計，沒有一個是為了承受如今的流量，而愈來愈多的研究指出，這個模式既非巧合、也不只是巧合的鄰居：AI 工具讓提出申訴、上訴或福利申請變得極端便宜——而民眾已經注意到了。

一篇即將於下個月在 AAAI「AI、倫理與社會」研討會上發表的論文，為這個現象取了名字：代理式淹沒（agentic flooding）。作者 Chris Schmitz 來自德國赫爾蒂學院（Hertie School），與治理 AI 中心（Centre for the Governance of AI）的 Lewis Hammond、Alan Chan 共同執筆。他們蒐集了橫跨 11 個司法管轄區、共 84 個有文件紀錄的可能案例——從資訊自由（FOI）請求、都市計畫公聽意見，到民事訴訟與福利申請。結論相當直白：淹沒現象如今很可能已廣泛發生，主要驅動力是以近乎零成本產生文字的大型語言模型。

淹沒的解剖學

這篇論文《Characterizing Agentic Flooding of Government Services》（arXiv:2608.16603，2026 年 8 月 17 日首發、8 月 19 日修訂）將代理式淹沒定義為「因 AI 使用所導致、對某項服務的請求數量或複雜度激增，並實質 strain 該機關的處理能量」。這個定義刻意把問題拆成兩半：量化淹沒（quantitative flooding），指請求數量單純變多；以及質化淹沒（qualitative flooding），指每一件請求本身變得更長、更複雜——後者是更隱微的效果，即使提交件數持平，審查能量仍會被消耗殆盡。

84 個案例背後的方法論刻意保守。從約 2,300 個候選服務中，不到二十分之一通過篩選，因為納入規則要求受影響的公務機關本身（或可信的二手來源）明確將湧入歸因於 AI。在納入的案例中，官員斷言有 AI 涉入的比例為 69%。Schmitz 特別聲明，這套方法無法支持因果或量化結論，而真正受影響的服務數量幾乎肯定更高。

這些案例共享一種形狀：2022 年之前提交量大致平坦，之後隨著 AI 工具滲透到大眾，開始以遞增的速度上升。關鍵是，大多數案例的曲線至今沒有回頭。研究人員認為，若無介入，這個趨勢還會持續好幾年。

不是垃圾訊息——是被壓抑的需求

對這些數字最直覺的解讀，是 AI 生成的垃圾訊息灌爆了政府入口網站。但證據指向更有意思的地方。在臭蟲獎勵金（bug bounty）的世界，企業去年一整年淹沒在低品質的 LLM 生成報告裡——內容鮮少包含真正的漏洞，卻仍必須逐行審查。公共服務如今面對的是形狀類似、但組成非常不同的流量問題。

「我們發現的絕大多數案例，是有權申請某樣東西的人，正在申請那樣東西，」Schmitz 告訴 TechCrunch。這些申請人之中，許多人本來就有請求救濟的資格；他們只是從未申請，因為程序太過令人生畏。政策研究者對這道障礙有個術語：行政負擔（administrative burden）——與官僚體系打交道所需的學習成本、遵從成本與心理成本。多年來，這些成本悄悄地為福利、上訴與救濟設下了配給。AI 剛剛把它溶解掉了。

「人們發現原來這件事是可以做的，而且做起來正逐漸變得更容易，」Schmitz 解釋。「以前可能得費力拼湊各種背景資料、精確地對 ChatGPT 3.5 下 prompt；現在可能只要把一封信貼上、或用 Claude 應用程式拍張照，就能一次得到相當不錯的回應。」

這個重新定框架的動作，決定了政府該如何回應。如果淹沒是惡意的，答案就是防禦。但因為大部分是合法的，答案就必須是能量與重新設計——否則政府會用「解決問題」的名義，重新豎起當初把有權者擋在門外的同一道牆。

風險集中在哪裡

論文的第二項貢獻，是一套評估服務暴露程度的風險矩陣。作者主張，近期風險最高的是「財務上有吸引力、但程序複雜」的服務——想想補償計畫、給付金額偏高的福利，或一份寫得好的陳述就能明顯改變結果的上訴程序。這套矩陣衡量十三項因子，包括提交所需努力、成功請求的預期效益、法定處理義務、身分驗證要求，以及機關吸收突增的備載能量。

各國政府實際部署過的回應也很有說服力。在 84 個案例中，56% 的受影響機關有做出任何回應——且多半是狹隘、不具拘束力的措施，例如發布 AI 使用指引。17% 的案例加了摩擦：收費、身分檢查、或每位申請人的件數上限。前例顯示，這類摩擦措施確實能擋下多數淹沒，而且是最快可用的槓桿。但它們在公平近用上直接付出代價——而那正是這些服務存在的目的。

三項近期行動

Schmitz、Hammond 與 Chan 在結尾提出三項建議，目的是在不犧牲近用權的前提下減緩淹沒：

1. 以 13 因子風險矩陣稽查高暴露服務，讓政府在湧入到達之前（而非之後）就知道哪些通道最脆弱。
2. 將數位身分整合進最高暴露的服務，實現每位申請人的速率限制與已知資料預填——這種摩擦針對的是重複與灌水，而非合法性。
3. 即刻啟動內部法律審查，釐清各種回應手段——收費、限制自由文字或數位通道、自動化處理——在各自司法管轄區內是否合法，免得危機來臨時被迫臨時拼湊。

樂觀的讀法

這篇論文很容易寫成一篇對 AI 過載的哀嘆。Schmitz 卻把它框成一個契機。「讓 AI 發展順利的一大關鍵，是能夠具體描繪出事情的美好版本長什麼樣子，」他說。「任何用 ChatGPT 報過稅的人都知道，這裡存在一個你被協助的美好版本。這可能正是那個時刻，讓我們說：『我們需要重新思考這個流程的幾乎每一個環節。』」

不舒服的推論在於：行政負擔從來不是公共服務的設計功能——它是紙本時代流程設計的意外副產品，恰好為需求設了上限。拿掉上限之後，數十年未被滿足的合法需求一次湧到。從這個角度讀，那些申訴量成長五倍的機關不是 AI 垃圾訊息的受害者；它們看到的是系統一直以來悄悄辜負的人們那道原本看不見的積壓。

論文把選擇攤得很清楚：藉由圍繞 AI 中介互動重建服務來吸收湧入，或者用收費與障礙壓制它、然後宣稱問題解決了。第一條路昂貴而緩慢，第二條路便宜而快速。目前為止的紀錄——17% 的案例選擇摩擦——顯示直覺偏向哪邊。而這個直覺能否撐過公平性後果的考驗，將是未來幾年的政策之戰。