非預期後果

此概念源於社會學家羅伯特·金·莫頓（Robert K. Merton），指有目的的行動所引發的、未被預見或計劃的結果。在AI領域，這類後果尤其普遍，因演算法的「黑箱」特性、訓練資料的潛在偏見、以及與真實世界複雜互動所致。國際標準ISO/IEC 23894:2023為AI風險管理提供指導框架，雖未直接使用此術語，但其強調的全生命週期風險評估，旨在辨識與處理包含非預期後果在內的各類風險。NIST AI風險管理框架（AI RMF 1.0）更明確要求機構「測繪、測量與管理」AI系統的負面衝擊。與「副作用」（已知但可接受的負面結果）不同，非預期後果是完全在預料之外的，對企業構成潛在的營運、法律與聲譽風險，必須透過更動態、更具探索性的風險管理方法來應對。

企業可透過以下三步驟將非預期後果的管理納入風險框架：第一，執行「對抗性測試與紅隊演練」（Red Teaming），模擬惡意行為者或極端場景，探索系統的脆弱性與非預期行為。第二，建立「持續監控與影響評估」機制，在系統部署後，利用MLOps工具追蹤模型表現、數據漂移與公平性指標，並定期進行演算法影響評估（AIA）。第三，設計「人機協作與緊急應變」流程，設立明確的「斷路器」（Circuit Breaker）機制，在偵測到嚴重負面後果時，由人類專家介入干預或暫停系統。例如，某跨國金融機構導入AI信審系統後，透過持續監控發現其對特定族群的核准率異常降低，立即啟動應變流程進行模型校正，成功將合規風險事件減少了40%，並通過了監管機構的AI倫理審計。

台灣企業在管理AI非預期後果時，主要面臨三大挑戰：一、資料代表性不足：許多模型使用國外開源資料訓練，未能充分反映台灣獨特的社會文化與商業情境，易產生預料外的偏見。二、跨領域人才斷層：企業內部懂AI技術的團隊不熟悉風險管理與倫理法規，而法遵風控人員又缺乏技術背景，溝通與協作困難。三、法規指引尚不明確：台灣AI相關的具體法規仍在發展階段，企業缺乏明確的合規遵循標準。對策上，企業應優先投入建立本地化的資料集與測試案例（預計6個月）；其次，成立由IT、法務、風控、業務部門組成的跨功能「AI治理委員會」，推動內部培訓（預計3個月）；最後，主動參考NIST AI RMF或ISO/IEC 23894等國際標準，先行建立內部治理框架，以應對未來的監管要求。