數位落差

數位落差（digital divide）最初指個人或群體因社經地位、地理位置、教育程度或身心障礙等因素，在取得與使用資訊與通訊技術（ICT）方面存在的不平等現象。隨著人工智慧（AI）普及，其內涵已擴展至「AI落差」，涵蓋數據存取權、算力資源、AI技能素養等層面的差距。聯合國教科文組織（UNESCO）發布的《人工智慧倫理問題建議書》（Recommendation on the Ethics of Artificial Intelligence）強調，應確保所有人都能公平地從AI技術中受益，防止數位落差加劇現有的不平等。在風險管理體系中，數位落差是導致系統性偏見（Systemic Bias）與公平性風險的根源之一。它與「數據偏見」（Data Bias）不同，後者通常是前者的結果，例如因數位落差導致某族群的數據在訓練資料中代表性不足，進而產生有偏見的AI模型。

企業可依循NIST AI風險管理框架（AI RMF 1.0）的指引，將數位落差納入AI系統的風險評估與緩解流程。具體步驟如下： 1. **風險測繪與衝擊評估（Map & Measure）：** 識別AI系統的目標用戶群體，分析其中是否存在因年齡、地區、社經地位等因素而面臨數位落差的弱勢族群。評估AI服務的單一數位通路（如僅提供App）是否會排除這些族群，導致其權益受損。 2. **設計包容性緩釋措施（Manage）：** 在系統開發階段導入「包容性設計」（Inclusive Design）原則。例如，某金融機構開發AI理財顧問時，除了提供手機App，也應保留電話客服或臨櫃等非數位管道，並確保AI介面對於高齡或視障用戶具有高可用性。 3. **建立監控指標與回饋機制（Govern）：** 設立可量化的公平性指標，持續監控AI模型對不同用戶群體的預測準確率與服務滿意度。例如，某醫療AI診斷系統的目標是將不同地區用戶的誤診率差異控制在2%以內。建立暢通的用戶回饋管道，定期審核並改善因數位落差造成的不公平問題，確保審計時能提出具體改善證據，提升合規率。

台灣企業在AI治理中納入數位落差考量時，主要面臨三大挑戰： 1. **數據代表性偏誤：** 訓練AI模型的數據常過度集中於都會區及青壯年網路用戶，對高齡、偏鄉、新住民或原住民族群的代表性嚴重不足。對策：企業應建立數據治理框架，在數據採集階段即規劃分層抽樣，並與在地社群或非營利組織合作，以合乎倫理的方式取得弱勢族群的授權數據，或採用合成數據技術補足缺口。優先行動項目為進行內部數據資產盤點，評估偏誤風險，預計時程3個月。 2. **中小企業資源匱乏：** 多數中小企業缺乏足夠的資金、技術與專業人才來進行AI倫理審查與偏見緩解。對策：尋求外部專業顧問的協助，導入輕量化的AI風險評估工具。同時可參與政府或產業公會的補助計畫，降低導入成本。優先行動項目為申請外部專家進行90分鐘的免費機制診斷，預計時程2週。 3. **法規遵循不確定性：** 台灣目前尚無針對AI數位落差的明確罰則，導致企業缺乏合規動力。對策：參照歐盟《人工智慧法案》（AI Act）草案等國際趨勢，將其視為商譽風險與ESG績效的一環，主動揭露AI倫理原則與衝擊評估報告，建立市場信任。優先行動項目為成立跨部門AI倫理委員會，預計時程1個月。