電商 AI 規範若只有「不要輸入機密」「內容要人工檢查」，遇到商品文案、圖片、客服、推薦、報表與 agent 工具時，仍不知道誰能做什麼。規範需要連到真實流程、權限、證據與停止機制。
NIST AI RMF 以 govern、map、measure、manage 組織風險工作，團隊可借用這個結構，再依市場法律與公司責任調整。框架本身不替代法務意見。
建立 AI 使用清冊
列出工具、供應商、模型、owner、用途、使用者、輸入資料、輸出、整合系統、market、風險級別、合約到期和最後審查日。包含員工自行使用的 SaaS、Shopify 內建能力、App 內 AI 與自建服務，避免只管工程專案。
新工具先登記再試行。若無法說明資料送去哪裡、保存多久、是否用於訓練和如何刪除，就不能處理顧客或未公開資料。
依錯誤後果分級
低風險：內部腦力激盪與可丟棄草稿。中風險：公開行銷內容、翻譯和圖片。高風險：商品事實、健康或法規主張、個人化、客服訂單資料、價格與自動動作。禁止或特別核准：支付憑證、未授權敏感個資、欺騙內容與無法回復的重要決策。
每級指定必要審核、測試、記錄、發布權限與監控。風險取決於用途，不只取決於模型；同一 Sidekick 用來寫內部提綱和建立折扣，控制要求應不同。
定義資料允許清單
將資料分成公開、內部、機密、個資與敏感個資，為每個工具標明可用層級。顧客資料採最小化、目的限制、保存期限和角色存取，prompt 與 log 也納入資料治理。員工不能把 production 匯出貼進個人帳號。
去識別要評估重新識別風險，訂單號、自由文字與小樣本組合仍可能指向個人。需要真實案例測試時，使用受控環境與核准資料集。
設計人工核准與職責分離
產生、審查、發布和事故處理不必由同一人完成。品牌內容由 editor 核准，商品規格由資料 owner，法規主張由合規或法務，程式與 agent tool 由工程和安全角色。批次與高影響動作增加第二人覆核。
核准介面顯示原始資料、AI 產出、修改差異、風險提示和目標 market。只放一個「Approve」按鈕，卻不提供查證材料，不算有效人工監督。
審查供應商與整合權限
檢查資料處理地點、subprocessor、訓練政策、保存刪除、加密、身分管理、audit log、事件通知、模型更新、可用性、退出與資料匯出。Shopify App 額外查看 Admin API scope、webhook、billing 和卸載後資料。
憑證使用 server-side secret、最小 scope 和輪替。模型只能選擇允許的工具，工具端仍驗證參數、身分和商業規則，防止 prompt injection 直接變成後台操作。
上線前測試並保存版本
建立正常、邊界、無資料、惡意輸入、跨語系、不同 market、權限不足和 provider 失效案例。衡量正確、來源、拒答、偏差、個資洩漏、工具錯誤和回復。高風險用途需固定 regression set 與發布門檻。
保存模型、prompt、retrieval、資料、規則、程式與政策版本。供應商靜默更新也可能改變結果，定期用 canary 重新測試，品質超過門檻就降級或停用。
準備事件回報與停止機制
定義 AI 事件：錯誤價格或政策、誤導商品、未授權動作、個資外洩、大量偏差、來源遭污染與供應商事故。員工和顧客有明確回報入口，事件記錄時間、影響、版本、資料、處置與通知判斷。
每項整合設 feature flag、撤稿、權限撤銷、憑證輪替與人工替代。先控制影響，再保存證據、修正資料或系統，最後用相同案例回歸。不能只刪除對話紀錄後繼續運作。
用季度治理維持制度
每季檢查清冊、實際使用、權限、供應商變更、事件、品質、拒用率和人工成本。停用沒 owner、沒人使用或風險大於效益的流程；新版能力重新分級，不因同一品牌工具就自動沿用舊核准。
教育內容用真實案例說明哪些資料不能輸入、怎麼查證、何時轉人工與怎麼回報。規範連到 Shopify Magic 使用情境 和 Agentic Commerce 準備度 等操作清單，員工才有辦法照著執行。
治理成效要看每個 AI 用途是否都有 owner、資料邊界、驗收證據、監控和可用的停止按鈕，文件頁數沒有同等意義。這些基礎做好後，團隊反而能更快嘗試低風險用途。