韓國政黨提出法案，建議修改「海關法」禁止營業秘密侵權商品之進出口
據韓國媒體於2024年2月13日報導指出，越來越多韓國企業面臨因為營業秘密的外洩而導致企業虧損的問題，鑒於目前的韓國海關扣留制度（Customs Retention System）僅適用於對外公開的智慧財產權（如商標與專利），多方呼籲應將侵害企業內部營業秘密之侵權商品納入海關法的管制中，甚至有政黨提出法案，建議擴大海關法的適用範圍，禁止侵害韓國企業營業秘密的商品進出口。
該篇報導藉一起正在調查中的營業秘密侵害案件為例，涉案之韓國槍械零件製造商，以「前員工在職時，透過個人電子郵件與客戶進行業務往來，取得企業營業秘密資訊(包括設計圖)，並於離職後，創設一間Ａ企業並涉嫌出口利用獲得之營業秘密生產的侵權商品」為由，於2023年向該名離職員工提起訴訟，該案後經政府機關調查，最終於2024年2月底進行首次聽證會。
針對上述案件，國防產業相關人士（Defense Industry Insiders）指出，因為韓國海關僅得依法禁止專利、商標之侵權商品進出口，營業秘密的侵權商品在爭議案件調查期間仍可持續進出口。對此，韓國政黨提出了一項法案（下稱系爭法案），旨在修改海關法，從而允許海關扣留「侵害營業秘密的商品」以及「侵害國家指定的先進工業和國防技術的商品」。
該篇報導也指出，雖韓國海關局對於修法基本上持贊成態度，但也有相關疑慮，如：可能會因為海關扣留範圍的擴大被濫用於壓制競爭行為；相較於容易識別的商標侵權案，營業秘密的範圍很廣，界線模糊，可能造成海關難以立即識別侵權。
綜上，即使系爭法案有利於營業秘密侵權救濟，但仍有上述疑慮有待解決，故本議題仍值得持續關注。而本文仍建議相較於事後救濟，企業可參考資策會科法所發布之「營業秘密保護管理規範」，透過PDCA循環建置系統性營業秘密規範，協助企業從事前防範營業秘密侵權風險，始為企業長久經營之計。
本文同步刊登於TIPS網（https://www.tips.org.tw）
徐婕伊
專案經理 編譯整理
Hong Hae-jin and Yoon Yeon-hae, Calls mount for law revision to prevent trade secrets theft, Pulse by Maeil Business News Korea, Feb. 13, 2024, https://pulsenews.co.kr/view.php?year=2024&no=108970 (last visited Mar. 4, 2024).
<營業秘密保護管理規範>，財團法人資訊工業策進會科技法律研究所網站，https://stli.iii.org.tw/publish-detail.aspx?no=72&d=7212（最後瀏覽日：2024/02/01）。
2025年12月，日本人工智慧安全研究所（AI Safety Institute，下稱AISI）與日本獨立行政法人情報處理推進機構（Information-technology Promotion Agency Japan，下稱IPA）共同發布《資料品質管理指引》（Data Quality Management Guidebook）。此指引旨於協助組織落實資料品質管理，以最大化資料與AI的價值。指引指出AI加劇了「垃圾進，垃圾出（Garbage in, Garbage out）」的難題，資料品質將直接影響AI的產出。因此，為確保AI服務的準確性、可靠性與安全性，《資料品質管理指引》將AI所涉及的資料，以資料生命週期分為8個階段，並特別強調透過資料溯源，方能建立透明且可檢核的資料軌跡。 1.資料規劃階段：組織高層應界定資料蒐集與利用之目的，並具體說明組織之AI資料生命週期之各階段管理機制。 2.資料獲取階段：此步驟涉及生成、蒐集及從外部系統或實體取得資料，應優先從可靠的來源獲取AI模型的訓練資料，並明確記錄後設資料（Metadata）。後設資料指紀錄原始資料及資料歷程之相關資訊，包含資料的創建、轉檔（transformation）、傳輸及使用情況。因此，需要記錄資料的創建者、修改者或使用者，以及前述操作情況發生的時間點與操作方式。透過強化來源透明度，確保訓練資料進入AI系統時，即具備可驗證的信任基礎。 3.資料準備階段：重點在於AI標註（Labeling）品質管理，標註若不一致，將影響AI模型的準確性。此階段需執行資料清理，即刪除重複的資料、修正錯誤的資料內容，並持續補充後設資料。此外，可添加浮水印（Watermarking）以確保資料真實性與保護智慧財產權。 4.資料處理階段（Data Processing）：建立即時監控及異常通報機制，以解決先前階段未發現的資料不一致、錯漏等資料品質問題。 5.AI系統建置與運作階段：導入RAG（檢索增強生成）技術，檢索更多具參考性的資料來源，以提升AI系統之可靠性，並應從AI的訓練資料中排除可能涉及個人資料或機密資訊外洩的內容。 6. AI產出之評估階段（Evaluation of Output）：為確保產出內容準確，建議使用政府公開資料等具權威性資料來源（Authoritative Source of Truth, ASOT）作為評估資料集，搭配時間戳記用以查核參考資料的時效性（Currentness），避免AI採用過時的資料。 7.AI產出結果之交付階段（Deliver the Result）：向使用者提供機器可讀的格式與後設資料，以便使用者透過後設資料檢查AI產出結果之來源依據，增進透明度與使用者信任。 8.停止使用階段（Decommissioning）：當資料過時，應明確標示停止使用，若採取刪除，應留存刪除紀錄，確保留存完整的資料生命週期紀錄。 日本《資料品質管理指引》強調，完整的資料生命週期管理、強化溯源為AI安全與創新的基礎，有助組織確認內容準確性、決策歷程透明，方能最大化AI所帶來的價值。而我國企業可參考資策會科法所創意智財中心發布之《重要數位資料治理暨管理制度規範（EDGS）》，同樣強調從源頭開始保護資料，歷程存證與溯源為關鍵，有助於組織把控資料品質、放大AI價值。 本文為資策會科法所創智中心完成之著作，非經同意或授權，不得為轉載、公開播送、公開傳輸、改作或重製等利用行為。 本文同步刊登於TIPS網站（https://www.tips.org.tw）
可專利性（Patentability）與專利適格（Patent-Eligibility）有何不同？可專利性（Patentability）與專利適格（Patent-Eligibility）常被混用，但實際上兩者並不可以畫上等號。 具專利適格不等於可專利一事，在指標判例In re Bilski可窺知端倪：「新穎性（Novelty）、進步性（Non-obviousness，或稱非顯而易見性）的分析，和35 U.S.C. §101（專利適格的法源）無關，而是分別以35 U.S.C. §102、35 U.S.C. §103作為法源。」顯示專利適格、實用性（Utility，或稱「產業利用性」）、新穎性、進步性，互不隸屬。梳理美國專利法教課書（Casebook）和判決內容，可知：「專利適格」是取得專利的基礎門檻、資格，具專利適格，並不必然可專利，還須符合實用性、新穎性、可進步性，才是一個「可專利」的發明。另應強調，「專利適格」除了需要滿足§101法條文字外，還需要滿足美國專利與商標局（USPTO）的兩階段標準（Two-Step Test）審查。 綜上，可整理出這個公式： 可專利性=專利適格（§101+兩階段標準）+實用性（§101）+新穎性（§102）+進步性（§103) 觀察美國專利法教科書的編排方式，亦可了解思考脈絡：先介紹專利適格，再依序介紹實用性、新穎性、進步性。另，「實用性」在作為名詞時是採“Utility”一字，而非“Usefulness”，這兩個詞微妙的差異是前者具「有價值的（Beneficial）」之意涵，也呼應Justice Story在 Bedford v. Hunt對「實用」（Useful）經常被援引的解釋：「要能在社會中做出有價值的（Beneficial）應用，不可以是對道德、健康、社會秩序有害（Injurious）的發明，也不可以是瑣碎（Frivolous）或不重要的（Insignificant）。」