一句话定义
算法影响评估（Algorithmic Impact Assessment，AIA）是在一个算法系统上线之前，系统性地问清楚三件事：它会影响到谁、可能造成什么后果、当后果涉及权利、公平和安全时该怎么应对。产出通常不是一份"通过/不通过"的判决书，而是一份记录：风险清单、缓解措施、上线条件、以及谁在什么时间复查。
它像什么
盖楼之前要先做环评和施工图审查，不是等楼塌了再追责。审查时要问：这块地会不会积水、会不会挡了邻居的采光、消防通道够不够宽。AIA 就是算法的那道前置审查，只是问题换成了：用了谁的数据、误判的代价落在谁身上、被算法拒绝的人有没有申诉的路。
举个具体例子。用算法筛简历，如果训练数据里历史上被录用的男性偏多，模型可能给女性简历系统性打低分。影响不是抽象的"公平性分数下降"，而是具体的人拿不到面试机会。AIA 要做的，是在这套流程上线前把这个问题问出来，并给出措施：去掉性别相关字段、设定公平性监控指标、对边缘案例加人工复核、给被拒者一个能说理和复核的通道。信贷评分、内容推荐、医疗分诊，逻辑都一样。
和相邻概念的区别
| 概念 | 关注点 | 大致在什么时候做 |
|---|---|---|
| 模型评估 | 模型在测试集上的准确率等指标 | 开发过程中 |
| 算法审计（Algorithmic Audit） | 用技术手段检查模型在公平性等指标上的实际表现 | 开发中或上线后 |
| 数据保护影响评估（Data Protection Impact Assessment，DPIA） | 个人信息处理带来的隐私风险 | 上线前 |
| 算法影响评估（AIA） | 对权利、公平、安全的整体影响，以及治理和救济措施 | 上线前，并定期复审 |
简单说：模型评估看"准不准"，算法审计看"实际表现得怎么样"，AIA 看的是"这件事对真实的人意味着什么，我们打算怎么办"。它比前两者更宽，也更像一份决策文件而不是一份技术报告。实践中，AIA 常常和 DPIA 一起做，因为隐私风险和公平风险往往来自同一批数据。
对从业者和普通人的意义
对做产品、做算法的人来说，AIA 最好被当成设计环节的一部分，而不是上线前的最后一道路障。改一个还在图纸上的方案很容易，改一个已经上线、已经有用户习惯的产品很难。早点问"最坏会怎样"，省下的是后面返工和解释的成本。
对普通人来说，AIA 的意义在于：算法做的决定，不应该是无从追问的。你被拒绝、被降权、被贴上标签时，背后应该有一份写清楚了的评估，和一个走得通的申诉路径——这才是这套流程真正的落点。
需要提醒的是，各地监管对"哪些场景必须做、要留什么文档"的规定并不相同，具体要求以官方页面为准。