差別性衝擊

「差別性衝擊」源於美國民權法案，指一項表面中立的政策、標準或演算法，在實際應用中對特定受保護群體（依種族、性別、年齡等劃分）造成不成比例的負面結果，即使決策者並無歧視意圖。此概念與「差別性對待」（disparate treatment）的意圖性歧視不同。在AI風險管理中，此概念至關重要。例如，NIST AI風險管理框架（AI RMF 1.0）在「管理（Govern）」與「衡量（Measure）」功能中，皆強調需識別與緩解演算法可能造成的有害偏見，其中就包含差別性衝擊。企業在建構AI治理框架時，必須將其納入公平性評估的核心指標，以預防非預期的合規與法律風險，確保技術應用的社會責任。

企業可透過以下三步驟將「差別性衝擊」評估融入AI風險管理。第一，**定義與量測**：根據業務場景（如招聘、信貸審批）定義受保護群體，並採用統計方法進行檢測，例如美國平等就業機會委員會（EEOC）提出的「五分之四法則」（80% Rule），計算弱勢群體的錄取率或通過率是否低於優勢群體的80%。第二，**模型與資料審計**：在模型開發前、中、後階段，系統性地審查訓練資料的代表性與潛在偏見，並對模型預測結果進行跨群體比較分析。第三，**偏見緩解與監控**：若發現顯著衝擊，應採用技術手段（如演算法去偏、調整決策閾值）或流程改善（如增加人工審核）進行修正，並建立持續監控機制。例如，某跨國金融機構在導入AI信貸系統後，定期計算不同族裔的核貸率，確保其 Adverse Impact Ratio (AIR) 指標維持在合規範圍內，成功將相關客訴率降低了15%。

台灣企業在導入「差別性衝擊」評估時面臨三大挑戰。第一，**法規定義模糊**：台灣《就業服務法》雖禁止歧視，但未像美國提供明確的量化標準（如80%法則），使企業合規界線不明。第二，**敏感個資限制**：受《個資法》保護，企業難以直接取得種族等敏感特徵資料進行公平性檢測。第三，**跨領域人才稀缺**：兼具AI技術、法律與倫理專業的人才不足。為克服挑戰，建議企業優先採取三項行動：(1) **建立內部治理框架**：主動參考NIST AI RMF或ISO/IEC 42001，制定內部公平性測試標準與流程（預計3個月內完成）。(2) **應用隱私增強技術（PETs）**：利用代理變數（Proxy）或差分隱私技術，在不直接接觸敏感個資的情況下評估潛在偏見。(3) **尋求外部專家協助**：與專業顧問合作，進行獨立第三方審計與人員培訓，加速建立合規能力。