定錨偏誤

定錨偏誤（Anchoring Bias）是由心理學家 Amos Tversky 與 Daniel Kahneman 提出的概念，指人類在進行決策時，會過度依賴接收到的第一個資訊（稱為「錨點」），並以此為基準進行後續的判斷與調整，即使該資訊與決策本身不完全相關。在AI風險管理體系中，此偏誤是重要的人為風險來源。根據 ISO/IEC 23894:2023（人工智慧 — 風險管理指南），管理來自人機互動的風險至關重要，而定錨偏誤正是影響人類監督者或使用者判斷的關鍵因素。例如，若AI模型對某個信貸申請給出一個初步的低分（錨點），審核人員可能會不自覺地以此為基準，傾向尋找負面資訊來支持該分數，而忽略其他正面證據。這與「確認偏誤」（Confirmation Bias）不同，後者是尋找支持既有信念的證據，而定錨偏誤則專指初始資訊的強烈影響力。

企業可透過以下三步驟，系統性地緩解AI應用中的定錨偏誤： 1. **識別與意識建立**：根據NIST AI風險管理框架（AI RMF）的「測繪（MAP）」功能，全面盤點AI生命週期中可能出現定錨偏誤的環節，例如數據標註、模型評估與人機協作決策。並對相關人員（如數據科學家、業務單位使用者）進行認知偏誤的專項訓練，建立風險意識。 2. **程序性干預**：在決策流程中建立「減速帶」。例如，要求模型驗證團隊採用「反方思考」（Consider-the-Opposite）策略，在評估模型輸出前，必須先闡述與模型結論相反的理由。或是在數據標註任務中，隨機化呈現樣本順序，避免標註員的判斷受到前一個樣本的影響。 3. **技術性緩解**：在人機互動介面中設計「刻意摩擦」（Deliberate Friction）。例如，在AI提供投資建議時，系統不直接顯示建議，而是先要求使用者輸入自己的判斷與理由，之後再呈現AI的分析以供比對。某跨國銀行導入此機制後，其AI輔助的信貸審批準確率提升了約8%，顯著降低了因定錨偏誤導致的誤判風險。

台灣企業在管理AI定錨偏誤時，主要面臨三大挑戰： 1. **缺乏系統性認知**：許多企業，特別是中小企業，對認知偏誤如何滲透至技術流程的理解不足，缺乏相關的內部訓練資源與風險評估方法論。 2. **數據來源同質性高**：在特定產業中，企業依賴的數據來源可能高度集中，這會形成難以撼動的「行業錨點」，若無意識地挑戰這些基礎假設，模型將難以創新或修正既有偏見。 3. **追求效率的文化壓力**：在強調快速迭代與效率的商業環境中，要求團隊質疑或挑戰AI提供的初始建議，可能被視為拖慢流程，導致員工傾向直接接受AI的「第一個答案」。 **對策**： * **優先行動一（30天內）**：舉辦高階主管與AI核心團隊的「AI倫理與偏誤工作坊」，導入NIST AI RMF框架，將定錨偏誤納入正式的風險清單。 * **優先行動二（60天內）**：修訂數據治理政策，要求在新模型開發專案中，必須進行數據來源的異質性分析，並引入外部數據或合成數據作為對照組。 * **優先行動三（90天內）**：建立「AI決策覆核機制」，針對高風險應用，指定獨立人員或團隊對AI的初步判斷進行壓力測試，將此流程制度化。

積穗科研股份有限公司專注台灣企業定錨偏誤相關議題，擁有豐富實戰輔導經驗，協助企業在90天內建立符合國際標準的管理機制，已服務超過100家台灣企業。申請免費機制診斷：https://winners.com.tw/contact