為什麼這個領域重要

史丹佛HAI於2026年5月發表的研究分析了156家企業、超過400萬份申請，結論令人不安。約26%的黑人申請者與15%的亞裔申請者，所投遞的職缺會觸發聯邦不利影響（adverse impact）審查。真正的問題不是個別偏見，而是結構。由於大量企業以同一供應商（Pymetrics）的單一模型篩選候選人，研究者稱之為「演算法單一文化」——在一家公司被拒的人，很可能在其他公司也被同樣擋下。一個模型的盲點會變成整個勞動市場的牆。如今約九成美國企業以某種形式使用AI篩選，必須有人把這些系統拆開來檢驗。在台灣，情況同樣不容忽視：科技業與大型企業的AI測評、自動履歷篩選與人才平台的智慧媒合正快速普及，驗證「這套模型是否悄悄排除特定族群」的角色因此愈發關鍵。

所需技能

核心是三類能力的交疊。第一是統計與測量：以EEOC的五分之四規則計算選拔率差距，求出各族群的影響比率，並做反事實一致性測試——只替換受保護屬性，看判定是否隨之改變。第二是公平性機器學習工具：以Aequitas、AI Fairness 360、Audit-AI等開源工具，在職缺層級而非整體平均上偵測不利影響。正如史丹佛研究所示，把推薦彙總後取平均會把歧視掩蓋掉。第三是僱傭法與法遵：稽核者必須能讀懂並應用紐約市Local Law 144的獨立稽核義務、EEOC的Title VII技術指引，以及歐盟AI法案的高風險分類。在技術內核之上，還需要兩項軟實力：拒絕「替供應商批改自家作業」的獨立性，以及把統計風險翻譯成招募主管或法務能據此行動的表達力。

職業路徑

人們從兩側進入。有人從資料科學或機器學習收窄到公平性測量，也有人從勞動法、人力資源或法遵出發再補技術。早期的角色是HR科技公司負責任AI團隊、顧問機構或律師事務所AI治理部門裡的偏見稽核分析師。中階階段成為演算法稽核工程師，親自設計職缺層級的不利影響測試；資深階段則擔任獨立第三方稽核人，或定義稽核方法本身的負責任AI主管。自從LL144明確「供應商不能稽核自己的工具」，獨立第三方稽核的需求顯著上升。由於這個職位正處在AI安全治理、公平性機器學習與僱傭法的交會處，單一背景難以勝任——這也讓進入門檻偏高，在職者難以被取代。