由 Reid Blackman 所撰（前哲學系教授、《Ethical Machines》作者）。本章直指：AI 倫理不只關乎社會責任，更直接威脅獲利底線。並提出可操作化（operationalize）的七步驟方案。
為什麼倫理風險就是商業風險？#
2019 年的真實案例：
- IBM：被洛杉磯起訴涉嫌不當挪用其天氣 App 蒐集到的資料；最終庭外和解
- Optum：被監管機構調查，因其演算法疑似建議醫護更關注白人病患而忽視病情更重的黑人病患；後來承諾從特定診斷演算法移除種族變數
- Goldman Sachs：被調查 Apple Card 是否對女性給予較低信用額度；最終被洗清，但對顧客回應不當而備受批評
這些案例說明：「資料倫理」與「AI 倫理」如今是每個人的事。最大的科技公司都在快速擴編團隊處理這些議題。
沒做好 AI 倫理操作化的代價：
- Amazon 的 AI 招聘軟體歷經數年仍因系統性歧視女性而被取消
- Sidewalk Labs（Google 子公司）多倫多智慧城市計畫因資料治理倫理標準不清遭強烈反彈，損失兩年工作與 5,000 萬美元
三種行不通的常見做法#
1. 學術派#
哲學系倫理學家擅長系統性、嚴謹地辨識倫理問題。但他們問的問題與企業不同：
- 學術派問：我們該不該做？對社會整體好嗎？是否促進人類繁榮？
- 企業要問：既然我們要做，怎麼做才能不讓自己暴露於倫理風險？
結果是學術論述無法對接資料與 AI 的具體用途，無法給開發者與決策者明確指引。
2. 「現場派」#
企業中常由熱忱的工程師、資料科學家、產品經理發問。他們懂業務問題，但缺少學術訓練——無法系統性、徹底、有效率地回答倫理問題；更缺少體制支援。
3. 高層次原則派#
Google、Microsoft 等多年前即喊出 AI 倫理原則。但操作化困難：
- 「公平」具體是什麼？
- 電腦科學文獻中有數十種公平定義與指標——哪一個適用？由誰判斷？
- 對抽象價值的表面共識，反而掩蓋了真實的廣泛不一致
七步驟：把資料與 AI 倫理操作化#
AI 倫理不是現成的。每家公司必須依產業與自身需求量身打造，但以下七步可作為通用骨架。
1. 槓桿既有基礎建設#
優先利用既有的權威結構（如資料治理委員會），讓現場關注能向上傳遞、必要時讓高管知曉。為什麼有效：
- 執行層的態度決定員工重視程度
- 倫理策略必須與整體資料/AI 策略接合（兩者都在執行層制定）
- 保護品牌的聲譽、監管與法律風險最終是C-Suite 的責任
若無此單位，可成立倫理委員會，納入與倫理相關的人員（資安、風險合規、隱私、分析），必要時加入外部主題專家與倫理學家。
2. 為產業量身打造倫理風險框架#
良好的框架至少包含：
- 公司倫理標準的明確表述（包含「倫理噩夢」）
- 內外部利害關係人的辨識
- 治理結構建議與維護機制
- KPI 與 QA 計畫衡量策略執行的有效性
不同產業有不同重點：
- 金融：數位身分如何決定、跨境交易如何安全
- 醫療：精準醫療下的隱私強化保護
- 零售：推薦引擎的「關聯偏見（associative bias）」偵測——避免源自刻板印象的推薦
3. 從醫療業學習，改變對倫理的思考方式#
許多高管覺得倫理「模糊」、「不夠具體」。但醫療業自 1970 年代起即系統性處理倫理風險——**隱私、自主、知情同意（informed consent）**等核心概念已被深入探討。
從醫療借鏡的具體做法：
醫療尊重病患的核心是只在獲得知情同意後才治療——所謂「知情」至少要排除謊言、操縱、用病患無法理解的語言（如艱澀法律或拉丁醫學名詞）溝通。
把這些要求套到資料蒐集：
- 不只告知用戶資料如何被使用
- 及早告知，並用容易理解的方式（不要埋在冗長的法律文件裡）
4. 為產品經理優化指引與工具#
框架提供高層次指引，但產品層級的指引必須具體。
例如「可解釋性（explainability）」——常與準確性之間存在 trade-off。產品經理需要工具評估個別產品中可解釋性的重要程度：
- 如果可解釋性是為了找出偏見，但這個應用本身偏見不是問題 → 可解釋性相對不重要
- 如果規範要求解釋（如銀行業必須解釋拒絕貸款的理由）→ 可解釋性是必要的
公平指標亦同——數十種指標中該用哪一種，需要工具協助判斷。
5. 建立組織意識#
十年前企業幾乎不在乎資安風險，現在則人人有責。任何接觸資料或 AI 產品的人——HR、行銷、營運——都應理解公司的資料/AI 倫理框架。
文化上要清楚說明為何這些議題對組織重要——以證明這不只是公關活動的一部分。
6. 正式與非正式地激勵員工辨識倫理風險#
倫理標準在金錢誘因鼓勵不道德行為時會被妥協；同樣，沒有金錢誘因鼓勵倫理行為也會讓它被忽略。
公司價值觀部分由其資源分配決定。若員工看不到 AI 倫理的預算支撐，就會把注意力放在能升職加薪的事上。獎勵推動倫理計畫的努力至關重要。
7. 監測影響並與利害關係人互動#
AI 產品上線後仍需持續監測。「有氣囊與潰縮區的車並不代表能在小巷飆 100 英里」——AI 也是同理：可以被倫理地開發，卻被不倫理地部署。
要做質性與量化研究，特別是與利害關係人接觸了解產品實際影響。理想情況下，相關利害關係人應早於開發階段即被辨識並納入產品定義。
結論#
操作化資料與 AI 倫理不容易：需要高層 buy-in 與跨職能合作。但投資於此的公司不僅能降低風險，還能更有效率地採用所需技術——更重要的是，他們會成為客戶、消費者與員工真正在尋找的：值得信任。