你的租客篩選 AI 通過了公平性檢驗，它卻仍在歧視。
我第一次坐下來和一家物業管理公司的合規團隊開會時，犯了一個我認為多數工程師都會犯的錯。我以為我到那裡是去修好一個演算法。
他們有一個為申請人打分的租客篩選模型，還有一個設定租金的營收管理工具。對走進門的我來說，那是同一套軟體堆疊中的兩項功能——都是「那個 AI」，也都是我該讓它站得住腳的問題。等到我離開時，我已經明白了那件自此組織起我們所有住房 AI 合規工作的事情：這並不是同一個問題的兩張面孔。它們是兩起截然不同、等著爆發的訴訟，受兩套毫不相關的法律體系管轄，而同一家公司同時在兩邊都有風險暴露。
那道落差——建造者看待這些系統的方式，與法院看待它們的方式之間的落差——正是住房 AI 合規如此容易出錯的原因。所以我想先談談我當初錯在哪裡，因為那次失敗比修正更具啟發性。
對我們撒謊的五分之四規則
我們從所有人都會起步的地方開始：篩選中的公平性。這裡的法律基準是《公平住房法》，而大多數團隊會採用的操作性檢驗是五分之四規則——如果任何受保護群體的核准率低於核准率最高群體的 80%，你就有一個推定的差別性影響問題。
於是我們建立了一套稽核，精確地計算模型各項決策中的那個比率。彙總後的數字看起來乾乾淨淨。各種族群體的核准率都穩穩地高於 80% 的門檻。我還記得會議室裡鬆了一口氣的氛圍。我們正準備把它認定為合規。
接著，我們的一位工程師把住房券持有人單獨拉出來，放進他們自己的一欄。
畫面顛倒了過來。在使用住房選擇券——一種有政府保障的收入——支付的申請人當中，模型的拒絕率高到在任何監管機構面前都站不住腳。五分之四規則之所以通過，是因為這種差距藏在被核准的群體內部。一旦你把受補助的租客拆分開來，它就赤裸裸地以紅字呈現在那裡。
一個篩選模型可以在彙總層面通過五分之四規則，卻仍然把這條規則本該抓出的那種歧視編碼在其中。
這幾乎完全就是 SafeRent 遭遇的情況。他們的 Registry ScorePLUS 演算法給住房券持有人打了低分，因為它高度加權信用歷史，卻沒有把住房券所提供的有保障收入來源納入考量。這個模型把信用分數當成一個中立的預測因子。它並不中立。FICO 分數的中位數沿著種族界線分化——白人申請人 727 分、西班牙裔 667 分、黑人 627 分——而超過半數的白人家庭在 700 分以上，黑人家庭卻只有約五分之一如此。把信用歷史當成主要特徵輸入進去，你就是把那些差距直接灌進了你的核准率裡。
SafeRent 就那起集體訴訟達成和解，金額為 $2.275 million，時間是 2024 年 11 月。真正該讓供應商夜不能寐的部分，並不是那個金額數字。而是法院徹底駁回了 SafeRent「中立供應商」的抗辯。他們主張自己只是提供一個分數，做決定的是房東。法院不買帳。如果房東主要依賴第三方分數，那麼提供該分數的供應商就要為歧視性的後果共同承擔責任。
那項裁決摧毀了我一直抱持的一個舒適假設：以為身為工具供應商、與租約決策隔著一層，就是一道法律護盾。並不是。模型本身就是那個決策。
你的定價引擎何時會變成卡特爾？
接下來是真正讓我吃驚的部分，也是為什麼我現在拒絕把一項住房專案的範圍僅僅圈定在篩選上。
就在我們埋頭處理差別性影響的時候，更大的法律地震正在定價這一側發生——而且它與公平性毫無關係。RealPage 的營收管理產品 AIRM 與 YieldStar，蒐集競爭房東的非公開租金、租約條款與入住率資料，然後用那些匯集起來的資料生成定價建議，用司法部（DOJ）的話說，這些建議旨在讓租金「齊步」變動。
司法部並沒有把它當成一個隱私問題或公平性問題來看待。他們把它當成一個軸輻式卡特爾，依據《謝爾曼法》第 1 條加以看待。RealPage 是軸心，每一個透過該平台餵入競爭對手資料的房東都是一根輻條。反壟斷理論的形態才是必須內化的重點：沒有人非得坐在一個房間裡達成操縱價格的共識。演算法本身就是那個協議。
讓情況更糟的是自動化的預設值。AIRM 會在每日 3%、每週 8% 的變動幅度內自動接受它自己的定價建議——而大多數房東從來沒有碰過那些設定。演算法實際上是在沒有人類介入的情況下設定租金。ProPublica 的分析（在司法部的訴狀中被引用）估算，對租戶造成的成本大約為 每月 $70，約佔租金的 4%，光是 2023 年一年就累計了大約 $3.8 billion 的額外租金成本。
為此付出代價的是房東。Greystar 以 $50 million 和解，另外再付給各州 $7 million。BH Management 付了 $15 million。Simpson Property Group 付了 $6.5 million。把那些較小的案子加上去，你就超過了 $140 million 的房東集體訴訟和解金，這是到 2025 年 10 月為止的數字。FPI Management 僅僅因為使用了 Yardi 的定價工具就付了 $2.8 million。供應商的演算法；營運商承擔的責任。
所以坐在我面前的這家公司，面對的並不是單一的風險輪廓。它同時面對著篩選這一側的《公平住房法》差別性影響暴險，以及定價這一側的《謝爾曼法》反壟斷暴險——這兩者來自兩套被它自己工程師視為「那個 AI」的系統。
真正打贏官司的是什麼：架構，而非意圖
有一段時間，我以為定價問題關乎的是行為——不要匯集競爭對手的資料、不要自動接受、把你的善意記錄下來。然後我讀到了 Yardi 究竟是怎麼贏的。
在加州的州級案件中，Yardi 取得了對自己有利的簡易判決。不是因為他們主張自己心地純潔，而是因為他們的 Revenue IQ 產品能夠證明某種架構層面的事實：它「不會、而且在設計上就無法把任何客戶的機密定價資訊用於任何其他客戶」。資料在系統層級就被隔離開來。跨客戶的污染不只是違反政策——它在結構上根本不可能發生。
就這麼一句話，重新整理了我思考合規工程的方式。
資料隔離不是你在政策文件裡做出的承諾。它是一種你能在架構圖上證明的性質。
Yardi 的聯邦案件仍在進行中，那裡的一位法官允許反壟斷指控繼續推進——所以這並不是一場乾淨俐落的勝利凱旋。但這種對比正是教訓所在。站得住腳的姿態並非意圖。而是這樣一套系統：當監管機構要求「拿出證據，證明你無法在客戶之間分享競爭對手的資料」時，它能在白板上畫出隔離邊界，並展示沒有任何資料路徑跨越它。我遇到的大多數團隊建造的恰恰相反：一個共享的模型、一個共享的資料湖，外加一份滿是保證、宣稱他們如何負責任地使用資料的簡報。
同樣的邏輯，如今貫穿了司法部在 2025 年底取得的 RealPage 同意令。撇開標題不看，真正的利齒在於操作層面：模型訓練被限制只能使用至少 12 個月以上的歷史資料。執行時的定價不得納入非公開的競爭對手統計數據。那些為價格變動設定上限的「調速器」功能必須是對稱的——對降價與漲價給予同等權重，而不是只朝上單向棘輪推進。而且自動接受功能必須是可設定、並由人手動設定的。最後這一點的重要性超乎表面所見。舊有的工作流程——把它設成每日 3%、每週 8%，然後放手不管——如今本身就是違規。這項和解為期七年，沒有財務罰款，也沒有承認任何不當行為，這告訴你，司法部想要改變的是架構，而不是一張支票。
正是在這個時候，我們的工作從稽核模型轉向了設計打造模型。這些性質你沒辦法事後拴上去。十二個月的資料陳化、可證明的客戶隔離、對稱的調速器、自動接受上的人為關卡——這些都是你在任何一個價格上線之前就要做出的設計決策，否則你日後就得為它們打官司。
為什麼住房 AI 合規是一張地圖，而不是一個模型？
當人們問我們實際交付的是什麼，誠實的答案是，最困難的交付物並不是一個模型。而是一份合規官能夠帶進內部會議、並且信得過的法規矩陣。
住房 AI 合規並不是單一一條法規。它是一塊正在快速硬化的拼布，而聯邦法與州法同時往相反的方向移動。在聯邦層面，執法正在弱化——HUD 的 AI 指引已從網站上撤下，CFPB 裁減了人員，而且行政部門一直在推動把差別性影響的執法降級為次要事項。如果你只盯著華盛頓看，你會得出風險正在消退的結論。
只盯著華盛頓看，你會以為風險正在消退。而各州才是它如今真正棲身的地方。
各州述說的是相反的故事，而它們正是暴險如今棲身之處。加州的 AB 325 於 2026 年 1 月 1 日生效，修訂了《卡特萊特法》，禁止依賴競爭對手資料的「共用」定價演算法——定義為由兩方或多方使用的工具——並且揚棄了較嚴格的聯邦訴狀標準，這實質上讓原告更容易進到法院。紐約州的 S.7882 於 2025 年 12 月生效，走得更遠：全面禁止具有「協調功能」的住宅定價工具，不區分公開與非公開資料，並依《唐納利法》賦予租客私人訴權。RealPage 正以第一修正案為由提出挑戰，因此執法在該場官司塵埃落定前被暫緩——但你不能假定自己會打贏別人的憲法案件。科羅拉多州的 SB 205 於 2026 年 6 月 30 日生效，把租客篩選歸類為一項「後果重大的決策」，並要求年度影響評估、風險管理計畫，以及不利決策揭露——說明 AI 如何參與其中、使用了哪些資料，以及申請人如何提出申訴。
在這一切之下，還運行著一部大多數團隊甚至忘了它也在場的聯邦成文法：《公平信用報告法》（FCRA）。任何充當消費者報告的演算法分數，都必須遵守 FCRA 那套兩步驟的不利行動程序——這意味著當你的模型拒絕某人時，你欠他們具體的理由，而不是一句「演算法說不行」。這單單一條要求，就與黑箱式的篩選模型格格不入，這也是為什麼不利行動通知的範本，是我最先要求查看的文件之一。
AB 325 裡有一個細節，悄悄地改變了整套建置的盤算：它只咬住那些由兩個或更多當事方使用的工具。一個共享的、多租戶的定價產品正好落在範圍之內。一個量身打造、單一營運商使用的模型則不在其中。這條法規實際上等於是在付錢請你，放棄那個一開始就造成反壟斷問題的匯集資料式 SaaS 架構。
而對於任何擁有歐洲租客的人來說，《歐盟 AI 法案》把篩選與定價都視為高風險用途，罰款最高可達 €35 million 或全球營業額的 7%——而且它的高風險義務會在 2025 年到 2026 年間分階段生效，所以對任何有歐盟暴險的營運商而言，時鐘早已開始走動。再把《公平住房法》的罰則疊加上去——依 2025 年的調整，初犯罰 $26,262，重複違規最高可達 $131,308——把這張地圖弄錯的代價，就不再只是理論上的了。
為此我維護著一份單一的試算表，按生效日期以顏色標記，因為法務長真正會問的問題不是「我們合規嗎？」而是「這些法規當中，哪些在我們營運的那些州已經生效，各自又具體要求些什麼？」針對某個特定營運商的營運版圖，站得住腳地產出那個答案，就是價值的絕大部分。
那些橫向的 AI 治理平台——Credo AI、Holistic AI、FairNow 以及其他——在政策管理與公平性監測方面確實出色，但它們的設計是與產業無關的。它們沒有一個能把一個租客篩選模型對應到 HUD 指引、五分之四規則、FCRA 不利行動，以及你定價引擎的反壟斷姿態，全都在同一時間。那個交會處就是住房領域的全部工作，而這恰恰是一個通用型工具留給你自己去處理的部分。我們打造了這項住房 AI 合規實務，就是圍繞著在交付經稽核的模型之外，同時交付那張地圖——因為如果你沒辦法告訴董事會這個模型正被依據哪一部法律加以評判，那模型就一文不值。
你不能直接把受保護屬性剔除掉嗎？
這是我聽到最多的反對意見，而它錯得很有意思。那種直覺是：拿掉種族、拿掉性別，模型就無法歧視了。但信用分數、驅逐紀錄與犯罪背景資料，全都是把那種差距原封不動帶回來的代理變數——這正是 SafeRent 那套「中立」的信用加權，如何在從未看到種族的情況下，卻產生了種族偏斜。
真正的工具沒那麼有名，卻更強大：最低歧視替代方案搜尋，或稱 LDA。其前提源自這樣一個觀察：對於任何一個給定的預測問題，並不存在單一一個模型——而是有數以百萬計的模型，達成大致相當的準確度，卻有著天差地別的公平性樣貌。於是你使用整數規劃——像 CPLEX 或 Gurobi 這類求解器所執行的那種窮盡式最佳化——去搜尋那整個空間，並把準確度與差別性影響之間的取捨繪製成一條帕累托前緣。接著你就能拿出證據來證明，你不只是挑了一個能用的模型；你挑的是那個在仍然達到你的效能門檻的前提下，歧視程度最低的模型。
CFPB 已明確呼籲進行「針對差別性影響的定期測試，包括搜尋歧視程度較低的替代方案」。這在公平放貸領域已相當成熟。卻幾乎沒有人為住房領域提供它。當監管機構問你為什麼選了你所選的那個模型時，「它很準確」並不是一種抗辯——它正是原告用來推動一項差別性影響主張的那道缺口。「這是那條前緣，這是我們選定的那個點，以及選它的理由」才是能在證詞取證中站得住腳的答案。
代理式租賃：住房 AI 合規的下一個崩裂之處
我之所以認為這件事會變得更難、而非更容易，其原因已經座落在大約每十二個美國多戶住宅單位中的一個裡面：代理式租賃 AI。
下一波物業管理軟體不是一個篩選分數，也不是一個定價建議。而是一些自主代理，它們在沒有人類介入的情況下接待諮詢、安排看房、預先篩選申請人並協商租約條款。有一個平台聲稱把從潛在客戶到成交租約的時間縮短了 65%。效率是真實的。暴險同樣也是真實的。
一個自主代理所做的每一個決定，都是一次潛在的《公平住房法》違規，或是一個反壟斷的接觸點。一個會依申請人的人口統計特徵而改變回應品質，或把某些申請人導向某些建物，或不均等地給予定價優惠的代理，正在製造隨著每一次互動而擴大的責任——以機器的速度、橫跨數以千計的對話，而且沒有任何一個人能事後說一句「我本來會抓到那個」。代理式租賃的合規架構還不存在，正如定價的資料隔離架構，在 Yardi 的律師需要它之前，也幾乎不存在。
那就是我們如今正朝之打造的前沿。不是一個拴在別人訓練的模型上的公平性儀表板，而是這樣一些系統：其中篩選邏輯能通過一項拆分後的五分之四稽核、定價邏輯能在架構圖上證明客戶隔離，而一個自主代理的每一個決定都會留下一份監管機構讀得懂的紀錄。關於我們如何著手處理它的完整全貌，就在我們的住房 AI 合規頁面。
我當初投入這件事時，以為我的工作是讓一個演算法變得公平。而我現在會對任何一位物業營運商說的，更簡單也更艱難：你正在運行兩個演算法，而法院會用兩部不同的成文法分別評判它們——那兩部法你很可能從沒聽自己的工程師提起過。SafeRent 的律師學到了信用分數並不中立。RealPage 的律師學到了一個演算法可以構成一場共謀。學到這兩個教訓最便宜的地方，是一塊白板——趕在監管機構站到你的白板前、要求你畫出隔離邊界並證明從來沒有任何資料跨越過它之前。
