信任感知

信任感知是使用者對於一個AI系統是否值得信賴的主觀心理狀態，涉及對其能力（能否完成任務）、善意（是否以使用者利益為重）和誠信（是否依循可接受的原則行事）的綜合評估。此概念源於人際互動的信任理論，現已延伸至人機互動領域。與客觀的系統性能指標（如準確率、延遲）不同，信任感知是使用者內心的感受。根據美國國家標準暨技術研究院（NIST）發布的AI風險管理框架（AI RMF, NIST.AI.100-1），建立「可信賴AI」（Trustworthy AI）是核心目標，其特徵包含：有效與可靠、安全、有韌性、公平、可解釋、透明及保護隱私。企業若僅專注於技術指標而忽略使用者的信任感知，可能導致AI系統雖技術上可行，實務上卻因使用者不信任、不使用或誤用而失敗，形成操作風險。

在企業風險管理中，管理信任感知旨在確保AI工具能被正確且有效地使用，避免因「信任不足」導致系統被閒置，或因「過度信任」造成對錯誤結果的盲從。具體導入步驟如下：1. **基準評估**：針對高風險AI應用（如醫療診斷、信用評分），透過標準化問卷（如信任度量表）或使用者訪談，量化使用者當前的信任感知水準，建立風險基準線。2. **信任強化設計**：依據評估結果，導入提升信任感的設計。例如，依據ISO/IEC TR 24028對可解釋性的建議，為AI預測結果提供「解釋儀表板」，顯示其判斷依據與信賴分數，讓使用者理解其決策邏輯。3. **持續監控與校準**：部署後，持續追蹤使用者互動數據，如人工覆核率、採納率等。若發現人工覆核率異常升高，可能代表信任感下降。某金融機構導入AI審核系統後，發現審核員覆核率高達90%，經導入解釋性功能後，覆核率降至40%，顯著提升了營運效率並確保風險控管一致性。

台灣企業在管理AI信任感知時，主要面臨三大挑戰：1. **數據隱私法規遵循的壓力**：台灣《個人資料保護法》對個資使用有嚴格規範。使用者擔心AI系統濫用其個資，導致信任感低落。對策是採用隱私增強技術（PETs），如聯邦學習或資料匿名化，並在使用者介面中明確告知資料用途與保護措施，以符合法規並贏得信任。2. **「黑盒子」模型造成的可解釋性落差**：許多企業採用深度學習等複雜模型，其決策過程難以解釋，導致使用者（特別是領域專家）因無法理解而產生不信任感。對策是導入可解釋AI（XAI）工具，並依據NIST AI RMF的指引，為不同使用者提供符合其技術背景的解釋層級。3. **風險規避的組織文化**：部分台灣企業文化較為保守，員工傾向依賴傳統經驗而非數據驅動的AI建議，對新技術抱持懷疑態度。對策是從高階管理層開始倡導數據文化，並透過小規模的試點計畫，讓使用者親身體驗AI的價值與可靠性，逐步建立信任。優先行動項目應為建立透明的AI治理政策與使用者溝通管道。