AI 時代的判決檢索｜律師必看的判決搜尋查證流程與影子 AI 風險

生成式 AI 可能捏造不存在的判決與錯誤引文。本文整理美國法院的實際裁罰案例，說明 AI 幻覺與影子 AI 風險，並提供台灣律師、企業法務可直接採用的判決搜尋查證流程與 RAG 工具評估重點。

前言

生成式 AI 已經進入法律工作。從整理案情、搜尋爭點，到草擬書狀與摘要判決，許多原本需要數小時完成的工作，如今只要幾分鐘就能得到初步結果。

問題是，AI 產出的內容即使語氣肯定、格式完整，也不代表內容正確。它可能捏造不存在的判決、把不同案件的內容拼在一起，或引用真實判決，卻錯誤解讀判決意旨。

美國近年已經發生多起律師將 AI 生成的假判決寫入書狀，最後遭法院罰款、解除代理，甚至限制出庭的案例。這些事件反覆暴露出同一個問題：真正造成裁罰的，通常不是「使用 AI」，而是律師沒有回到原始資料完成查證。

對台灣律師與企業法務而言，值得關心的也不只是 AI 會不會出錯，而是現有的判決搜尋與文件審核流程，能不能及時發現錯誤。

本文將從美國法院的實際案例出發，說明 AI 為什麼會生成不存在的判決、為什麼連資深律師也可能失手，以及如何建立一套能真正落實於日常工作的判決搜尋查證流程。

一、虛假假判決被寫進書狀：美國法院實際案例

（一）Withers 案：原被告雙方都引用了 AI 捏造的判決

2026 年，美國密西西比州北區聯邦地方法院審理的 Withers v. City of Aberdeen 案，出現了罕見情況：原告與被告雙方提交的文件，都包含由生成式 AI 產生的虛構判決或錯誤法律引用。

法院在發現問題後，要求相關律師到庭說明，隨後暫停案件並取消原定審判期日。

最後，法院對 4 名律師作出處分：

4 人全部被解除本案代理，並移送相關律師懲戒機關。
兩名外州律師的個案特別出庭資格遭到撤銷，且兩年內不得在該聯邦法院出庭。
4 人分別被處以 1,000 至 3,500 美元不等的罰款。
其中一名律師另被要求完成 AI 法律倫理相關教育。

法院的裁罰依據包括《聯邦民事訴訟規則》第 11 條。這項規定並不是要求律師保證每一項主張最後都會被法院接受，而是要求律師在簽署、提出文件前，先進行符合情況所需的合理查證。

法院尤其批評，部分當地協同律師沒有實質檢查文件，只是在其他律師準備的內容上簽名，形成所謂的「橡皮圖章式審核」：形式上有人核章，實際上卻沒有人確認判決是否存在、引文是否正確。

這起事件說明，工作由誰起草並不是法院唯一關心的問題。只要律師在文件上簽名或以自己的名義提出，就必須對內容負責。

（二）Landberg 案：庭訊中答不出判決出處，事後承認使用 AI

另一個受到關注的案例，是紐約州的 Landberg v. City of New York。

該案律師提交的上訴書狀中，包含 3 件不存在的判決、捏造的引文，以及多項與原始資料不符的法律陳述。

在公開庭訊中，法官花了超過 20 分鐘追問律師引用依據。當時律師無法說明判決來源，法院也提到紐約律師倫理規則 Rule 3.3，也就是律師不得明知而向法院提出不實的事實或法律陳述；若先前陳述有誤，也負有更正義務。

不過，庭訊當下並沒有直接確認錯誤內容來自 AI。律師是在後續提交的書面說明中，承認自己使用了免費的 AI 法律研究工具，卻沒有透過正式法學資料庫或判決原文再次確認。

法院最後維持原案結果，並依紐約法院有關輕率訴訟行為的規定，對律師處以 8,000 美元罰款，對其事務所另處以 2,500 美元罰款。

（三）Noland 案：23 段引文中，有 21 段是捏造的

2025 年，加州上訴法院在 Noland v. Land of the Free, L.P. 一案中發現，律師提出的上訴書狀共有 23 段判決引文，其中 21 段並不存在於所引用的判決原文。

法院因此處以 1 萬美元罰款，並決定正式公布裁判意見，希望藉此提醒其他律師。

這個案例尤其值得注意，因為 AI 不一定只會捏造「不存在的案件」。它也可能引用一件真實存在的判決，卻在引號中放入原文從未出現的句子。

（四）法院關注的核心，始終是律師有沒有合理查證

從目前的案例可以看出，美國法院對 AI 的態度並不是一律禁止使用。

真正受到處分的行為通常包括：

引用不存在的判決。
捏造判決原文或引號內容。
被法院提醒後，仍無法提出可靠出處。
將查證責任推給助理、同事或軟體。
在書狀上簽名，卻沒有完成實質審核。

不同法院對 AI 的管理方式並不一致。有些法院要求揭露使用情形，有些要求律師確認內容已經過人工查證，也有法院認為不應只因使用 AI 就強制揭露。

因此，比起討論「法院是否禁止使用 AI」，更實際的問題是：作為律師，能否說明資料來源、查證方式，以及最後由誰確認內容。

美國律師協會在生成式 AI 倫理意見中，也將專業能力、保密義務、與客戶溝通、費用、下屬監督及輸出查證，列為律師使用生成式 AI 時必須注意的事項。

二、AI 為什麼會生成不存在的判決？

（一）用生成式 AI 進行檢索，不等於法學資料庫

使用 ChatGPT 或其他通用生成式 AI 查找判決時，首先要分清楚一件事：語言模型與判決資料庫的運作方式並不相同。

傳統的法學資料庫會從已收錄的判決中進行檢索，使用者可以查看案號、法院、裁判日期與判決原文。

而生成式 AI 若沒有連接網路、判決資料庫或其他檢索工具，則是根據訓練資料與當下對話內容，預測下一段最可能出現的文字，再組成完整回答。

它的目標是生成符合語境的文字，而不是自動確認每個案號、日期與引文都真實存在。

現在部分生成式 AI 已具備網路搜尋或外部資料檢索功能，因此不能籠統地說「ChatGPT 不會搜尋」。實際上我們應該確認的是：這次回答有沒有實際查詢資料庫、資料庫收錄哪些內容，以及回答中的每個出處能不能點開核對。

（二）法律格式越固定，越難分辨是否為捏造

判決具有高度固定的表達格式，例如：

法院名稱
裁判日期
案號
當事人名稱
判決要旨
法律條文

生成式 AI 看過大量類似文本後，很容易組出格式完整、語氣自然的內容。即使案件根本不存在，案名、日期與引文仍可能彼此搭配得十分合理。

這也是法律 AI 幻覺比一般錯字更危險的原因，因為這樣的內容很難一眼就看出問題，需要實際進入法學資料庫搜尋，才能確認真假。

（三）找到真實判決，也不代表答案就是正確的

AI 判決搜尋常見的錯誤至少有三種：

案件不存在
AI 直接生成虛構案名、案號或法院。
案件存在，但引文是假的
判決本身真實存在，AI 卻捏造了原文沒有出現的句子。
案件與引文都存在，但不支持答案
AI 找到真實資料，卻忽略前後文、程序背景或案件差異，把判決解讀成另一個意思。

第三種錯誤特別容易被忽略。因為畫面上確實有一個能打開的出處，使用者便可能直覺地認為答案已經通過查證。

不過要注意的是，「出處存在」和「出處支持這項結論」依舊是兩件不同的事。

（四）假判決已經不是零星個案

研究者 Damien Charlotin 建立的 AI Hallucination Cases 資料庫，持續整理法院或審判機關明確認定、或在裁判中指出可能涉及 AI 幻覺的案件。

截至 2026 年 7 月 18 日，資料庫共收錄 1,782 件案例，其中美國占 1,228 件。

可以看出：AI 生成錯誤法律引用，已經是法院持續面對的實際問題，而不是少數人操作失誤造成的單一事件。

三、為什麼連資深律師也可能引用假判決？

多數律師都知道生成式 AI 可能出錯。問題通常不在於完全不知道風險，而是原有的工作流程沒有把 AI 產生的內容視為需要重新查證的資料。

（一）文字流暢，容易讓人高估正確性

生成式 AI 最容易造成的認知偏誤，是把「寫得像真的」誤認成「內容是真的」。

回答越完整、語氣越肯定、引用格式越正式，使用者越可能降低警覺。尤其當答案符合原本預期時，人們往往不會主動尋找反證。

法律工作者熟悉的其實不是「辨認 AI 語氣」，而是透過來源、程序背景與原文確認主張。只看文字本身，很難判斷內容是不是幻覺。

（二）生成速度與查證速度不對等

AI 可以在幾秒內產出數頁文字，但查證工作無法用同樣速度完成。

每一則判決至少需要確認：

案件是否存在。
引用文字是否正確。
判決是否已被廢棄、變更或推翻。
判決處理的爭點是否相同。
前提事實是否足以類比。
引用的是多數意見、協同意見，還是不同意見。

當案件期限緊迫、人力不足，又同時要求提高產出速度時，最容易被壓縮的便是查證時間。

AI 提高的是草稿生成速度，不會自動縮短專業判斷所需要的時間。

（三）多人經手，不代表一定有人負責查證

Withers 案反映的「橡皮圖章」問題，在許多組織都可能發生。

文件經過助理、受僱律師、主辦律師與合夥人，表面上有多層審核；但如果每個人都認為前一位應該已經確認，最後反而沒有人真正打開判決原文。

因此，審核流程不能只寫「由主管複核」，還應明確：

誰負責確認案件存在。
誰負責核對直接引文。
誰負責判斷判決意旨與適用範圍。
最終提出文件的人，如何確認前述工作已完成。

（四）未經核准的「影子 AI」，組織無法掌握風險

影子 AI，是指員工或組織成員在未經核准、缺乏管理的情況下，自行使用生成式 AI 工具處理工作。

例如：

使用個人帳號將客戶資料貼入免費版 AI。
未經事務所核准，使用瀏覽器外掛摘要文件。
助理自行用 AI 搜尋判決，再把結果交給律師。
部門私下訂閱 AI 工具，未經資訊安全或法遵審查。
無法確認模型是否保留輸入資料、如何處理對話紀錄。

影子 AI 的風險不只是假判決，也包括客戶機密、個人資料、權限管理與稽核紀錄。

因此，事務所與企業不能只提醒員工「不要輸入機密資料」，還需要掌握哪些工具可以使用、哪些資料可以輸入，以及產出內容必須經過什麼程度的查證。

四、律師必知的判決搜尋查證流程

步驟一：先把 AI 回答當成搜尋線索

不論回答看起來多完整，都先把它定位成：

初步草稿
搜尋關鍵字
可能的研究方向
待確認的法律主張

不要直接把 AI 生成的案名、引文或摘要貼入書狀。

這項原則也適用於標示為「法律 AI」的工具。產品名稱、介面或回答格式，不會取代原始資料查證。

步驟二：確認案件是否真實存在

將 AI 提供的法院、案號、裁判日期或當事人名稱，輸入司法院裁判書查詢系統或可信賴的法學資料庫。

至少確認：

法院名稱是否正確。
案號是否存在。
裁判日期是否一致。
裁判類型是判決、裁定，還是其他文書。
當事人及案件類型是否符合 AI 的描述。

若完全查不到，不要立刻假設是資料庫漏收。應改用當事人名稱、爭點關鍵字、年份或法院等不同條件再次搜尋。

仍然無法確認時，就不能把該判決當成法律依據。

步驟三：打開裁判全文，不只看摘要

確認案件存在後，必須閱讀裁判原文。

判決摘要、AI 回答或搜尋結果片段，通常不足以呈現完整脈絡。閱讀時應確認：

爭點是什麼。
法院實際認定哪些事實。
引用段落位於哪個論證脈絡。
法院的結論是否附有條件或限制。
AI 是否省略了不利於原主張的內容。

步驟四：區分「直接引文」與「摘要轉述」

如果書狀使用引號，就必須逐字確認內容與原文一致。

需要留意的問題包括：

AI 是否自行改寫句子，卻仍加上引號。
是否把不同段落拼接成一段。
是否省略會改變原意的文字。
是否把當事人主張誤寫成法院見解。
是否把下級審意見當成最終法院判斷。

Prompt 參考：『若只是整理判決意旨，應使用摘要或轉述的寫法，不要以直接引文形式呈現。即使採取轉述，也仍需確認沒有扭曲原意。』

步驟五：確認判決效力與適用範圍

判決真實存在、引文也正確，仍不代表適合用在本案。

引用前應進一步確認：

是否有後續審級裁判。
原判決是否被撤銷、廢棄或變更。
是否為穩定見解，或只是單一個案。
本案與該判決的前提事實是否相近。
法院處理的法律爭點是否相同。
是否存在法規修正或後續實務發展。

此處應與原本的工作方式沒有太大差別。

步驟六：留下查證紀錄

對重要案件，建議依案件保存簡單的判決查證紀錄，例如：

判決名稱與案號。
原始資料來源。
查證日期。
實際引用段落。
判決意旨摘要。
後續審級與效力狀態。
查證人及複核人。

紀錄不必設計得過度複雜。重點是，日後能回答「這個出處是誰、在什麼時間、透過什麼資料確認的」。

這不只方便內部複核，也能避免不同同仁重複搜尋同一則判決。

判決引用前檢查清單

在判決寫入書狀、法律意見或對外文件前，至少確認以下事項：

法院、案號與裁判日期都能在可信賴資料來源中查到。
直接引文與裁判原文逐字一致。
沒有把當事人主張誤認為法院見解。
已確認後續審級與判決效力。
判決處理的爭點與本案相同或具有可說明的關聯。
已確認前提事實與適用條件。
查證結果已留下紀錄。
最終提出文件的人已完成實質審核。

可以用另一個 AI 檢查嗎？

使用另一個 AI 交叉檢查，可能有助於發現案號格式異常、引用前後矛盾或明顯錯誤。

但它只能作為初步篩選，不能代替原文查證。第二個 AI 也可能產生幻覺，甚至因為模型使用相似資料與推論方式，而重複第一個 AI 的錯誤。

因此，最後的確認標準仍然是：能不能找到原始判決，以及原始判決是否真的支持這項主張。

五、RAG 型判決搜尋能降低哪些風險？

前一章談的是人工查證流程。另一個方向，是從系統設計開始，減少模型憑空生成答案的機會。

其中常見的方法，就是 RAG。

（一）什麼是 RAG？

RAG 是 Retrieval-Augmented Generation 的縮寫，中文通常譯為「檢索增強生成」。

簡單來說，系統在回答問題前，會先從指定的外部資料來源檢索相關內容，再根據檢索結果生成答案。

應用在判決搜尋時，理想流程是：

使用者提出法律問題。
系統從判決資料庫檢索相關裁判。
系統根據找到的裁判整理回答。
回答同時呈現所依據的判決與原文段落。
使用者可以直接開啟來源進行確認。

相較於只依靠模型內部資訊生成回答，RAG 能降低憑空創造案號與判決內容的機率，也讓查證流程更容易進行。

（二）有附出處，不代表已經完成查證

RAG 最常見的誤解，是把「有顯示引用來源」等同於「回答已經正確」。

實際上，RAG 仍可能出現下列問題：

沒有檢索到最重要的判決。
找到的是過時或已被變更的裁判。
把不同案件的內容混合在一起。
資料庫本身沒有收錄相關案件。
摘要省略重要限制條件。

史丹佛大學研究團隊曾測試多項結合檢索的法律 AI 產品，結果顯示，這些工具雖然比通用型語言模型更可靠，仍有約 17% 至 33% 的回答存在幻覺或無法由所提供資料支持的情況。

這表示 RAG 的價值是讓錯誤更容易被追查，並降低發生率，而不是取消律師的查證責任。

（三）評估 RAG 型法律 AI，應該看哪些項目？

選擇判決搜尋或法律 AI 工具時，除了比較回答速度與文字流暢度，更重要的是系統能否支援實際查證。

可以從以下幾個面向評估：

回答是否附上明確出處

不僅要能顯示判決名稱，還要能否提供法院、案號、日期與原文連結。

能否定位到支持答案的原文段落

使用者不應為了確認一句話，重新閱讀數十頁判決。系統若能標出引用段落，可以大幅縮短查證時間。

資料庫的收錄範圍是否清楚

工具應說明收錄哪些法院、年度與文件類型。沒有收錄的資料，不應被包裝成「沒有相關判決」。

判決更新與歷審關係是否完整

除了判決本身，也要確認系統能否呈現上訴、撤銷、變更與後續裁判。

能否保留搜尋與查證紀錄

對事務所與企業而言，搜尋條件、使用資料及操作紀錄，都是內部稽核與品質管理的重要依據。

資料處理方式是否符合組織規範

包括輸入資料是否被保存、是否用於模型訓練、伺服器位置、存取權限與資料刪除機制。

（四）台灣可查證判決搜尋的資料基礎

台灣已有大量公開裁判書，以及可供查詢、下載與再利用的政府資料。這使得以真實裁判資料為基礎，建立判決搜尋與 RAG 系統，在技術與資料面都具有發展條件。

但公開資料存在，不代表系統自然就會準確。判決的清理、去識別化、歷審連結、法條關聯、引用解析、更新頻率與搜尋排序，都會直接影響回答品質。

對法律工作者而言，真正有價值的不是「AI 很快給了一個答案」，而是能否從答案立即回到裁判原文，並在合理時間內完成查證。

結語：判決搜尋的效率，不應建立在省略查證之上

AI 幻覺帶來的風險，不只是假判決本身。

更大的問題是，生成式 AI 能在短時間內產出大量看似完整的法律內容，讓傳統依靠人工閱讀與複核的流程來不及應對。當組織沒有明確規範、查證責任不清楚，或同仁私下使用影子 AI，錯誤就可能一路進入正式文件。

這不代表法律工作者應該拒絕 AI。

生成式 AI 仍然適合協助整理爭點、擴充搜尋關鍵字、產生研究方向與建立初步草稿。RAG 型法律 AI 也能透過真實資料檢索與出處呈現，降低憑空生成內容的風險。

但不論使用哪一種工具，都應保留三項基本原則：

AI 的回答是待查證資料，不是完成品。
每一項重要法律主張，都應回到原始出處確認。
最終提出文件的人，必須對內容負責。

真正有效率的判決搜尋，不是省略查證，而是讓查證更快、更有系統地完成。

前言