感知風險

感知風險（Perceived Risk）源於1960年代的消費者行為研究，指個人在做出決策前，對可能發生的負面結果所持有的主觀預期與不確定性。它與基於數據計算的「客觀風險」不同，是一種心理建構，涵蓋財務、性能、隱私、安全等多個維度。在AI治理領域，雖然ISO 31000風險管理標準未直接定義此術語，但其管理是實現AI可信賴性的核心。例如，美國國家標準暨技術研究院的《AI風險管理框架》（NIST AI RMF）強調「透明度」與「可解釋性」，正是為了降低使用者對AI決策過程的未知而產生的感知風險。同樣地，《歐盟人工智慧法案》（EU AI Act）第13條要求高風險AI系統具備透明度，讓使用者能理解並與之互動，這項法規要求直接旨在緩解因資訊不對稱所引發的感知風險，從而建立使用者信任。

企業可透過三步驟將感知風險納入AI風險管理實務中。第一步：識別與衡量。參照NIST AI RMF的「測量」（Measure）功能，企業應透過問卷調查（如李克特量表）或焦點訪談，量化使用者在隱私、公平性、安全性等方面的感知風險程度。第二步：設計緩解策略。針對高感知風險的領域，設計具體功能或政策。例如，若使用者對AI信貸審批的公平性感知風險高，企業可依據《歐盟人工智慧法案》的人工監督（Human Oversight）原則，導入「人類複核」機制，並將此作為透明溝通的重點。第三步：溝通與驗證。主動向使用者溝通已採取的保障措施，例如發布透明度報告或在使用者介面中提供決策解釋。完成後，再次進行調查以驗證感知風險是否降低。一家歐洲金融科技公司在導入AI理財顧問後，透過此流程發現使用者對資金安全的感知風險高，於是增加了多重身份驗證並強化了投資組合的透明度，成功將使用者流失率降低了15%。

台灣企業在管理AI感知風險時，主要面臨三大挑戰。首先，法規環境不確定性：相較於歐盟有明確的《AI法案》，台灣尚無專門的AI監管法規，企業難以界定透明度和公平性的「合規底線」，導致感知風險管理標準不一。其次，消費者隱私意識高漲：台灣民眾對個人資料保護極為敏感，任何數據應用都可能引發高度的感知隱私風險，這超越了《個人資料保護法》的基礎要求。最後，中小企業資源限制：多數企業缺乏足夠的預算與專業人才來執行複雜的使用者研究或導入昂貴的可解釋AI（XAI）工具。對策上，企業應主動採納國際最佳實踐，如NIST AI RMF作為內部治理框架，以應對法規不確定性。針對隱私議題，應採行「設計即隱私」（Privacy by Design）原則，提供超越法規的用戶數據控制權。中小企業則可採用成本較低的質化研究（如深度訪談）取代大規模量化調查，並優先導入規則簡單、本質上易於解釋的AI模型，以有限資源有效降低感知風險。優先行動項目應為建立內部AI倫理準則（30天內），並完成首次使用者焦點訪談（60天內）。