75% 美國醫院已用 AI，但七成卡在同一道坎

一個數字說明了一切：72%。這是美國醫療體系在導入 AI 時，認為「工作流整合」是最大障礙的比例。排在後面的是領導方向不明確（68%）和人員訓練不足（61%）。注意，「技術不夠好」甚至沒有擠進前三名。

這個調查結果指向一個被反覆驗證的現實：醫療 AI 的瓶頸從來不在演算法，而在於它能不能嵌進臨床現場已經運轉了幾十年的工作節奏。2026 年，美國已有 75% 的醫療體系導入至少一項 AI 應用，比 2025 年的 59% 大幅跳升。臨床筆記自動生成（68%）和臨床文件改善（43%）是最普遍的應用場景。但採用率的飆升並沒有帶來同等幅度的滿意度提升，反而暴露出一個結構性問題：多數醫院知道該買 AI，卻不知道該怎麼把 AI 塞進現有的工作流程裡。

工作流整合到底難在哪裡？

要理解這個問題，得先理解醫院的工作流有多複雜。一個急診室的運作流程涉及分檢護理師、急診醫師、放射科、檢驗科、藥劑科、社工，每個環節都有自己的步調和依賴關係。一套 AI 系統要嵌入這個流程，不只是在螢幕上多一個按鈕那麼簡單。它要回答的問題包括：警報該在什麼時間點彈出？彈給誰看？看到之後要採取什麼行動？如果醫師不同意 AI 的建議，退出機制是什麼？這些問題的答案，每一家醫院、每一個科別都不一樣。

Nationwide Children's Hospital 在 2025 年的經驗就是一個典型的例子。這家位於俄亥俄州哥倫布市的兒童醫院並沒有下架任何 AI 平台，但被迫重啟了一套服務台聊天機器人。原因很直接：營運流程沒有配套到位，而且退出機制失敗了。當使用者想要跳出 AI 對話、轉接真人時，系統做不到。結果不是提升效率，而是讓使用體驗變得更糟。問題不在聊天機器人的語言理解能力，而在於沒有人事先想清楚它在整個服務流程中的角色。

FMOL Health 的案例更極端。這家醫療體系在 2025 年直接終止了一套專業帳務編碼工具的合約，而且是在系統正式上線之前就喊停。原因是實際導入的複雜度遠超過廠商承諾的水準。當你要把一套 AI 編碼工具嵌入既有的帳務流程，牽涉到的不只是技術串接，還有人員重新訓練、流程重新設計、例外處理機制的建立。如果這些配套沒有在合約階段就談清楚，上線之後的混亂幾乎是必然的。

HAIP 框架怎麼處理這個問題

杜克大學醫療體系主導的 Health AI Partnership（HAIP）在它的 8 個關鍵決策點框架中，把工作流整合放在一個特別突出的位置。框架的第四個決策點叫做「設計 AI 解決方案工作流」，要求醫院在 AI 上線之前，就透過反覆迭代測試來設計臨床端的工作流，同時修改現有的營運架構來配合 AI 的整合。

這個決策點之所以重要，是因為它直接挑戰了一個常見的假設：AI 廠商提供的「理想工作流」可以直接套用。現實是，每家醫院的臨床流程、資訊系統架構、人員配置都不一樣。一家大型醫學中心的急診室和一家社區醫院的急診室，即使用同一套 AI 系統，工作流設計也會完全不同。HAIP 的建議是，把工作流設計當作一個獨立的專案來執行，需要臨床人員、資訊部門、營運團隊共同參與，不能交給 IT 部門單獨處理。

框架的第六個決策點「執行 AI 系統上線」則處理工作流整合的另一面：變革管理。再好的工作流設計，如果臨床人員不買單，效果也是零。HAIP 建議在上線階段做三件事：跟第一線的臨床人員充分溝通（讓他們理解 AI 會改變什麼、不會改變什麼），主動管理工作場所的變革阻力（而不是假裝阻力不存在），以及建立防護措施防止標籤外使用。

不只是醫療的問題

工作流整合的挑戰其實不限於醫療產業。波士頓顧問公司（BCG）的徐瑞廷在談企業 AI 轉型時就指出過類似的觀察：AI 導入最大的障礙不在技術，而在於人和流程。他把 AI 的用法分成三個層次，「部署」（Deploy）、「重塑」（Reshape）和「創新」（Invent）。多數企業停留在部署階段，也就是把現成的 AI 工具直接套用在既有流程上，平均能帶來 10% 到 20% 的效率提升。但真正的價值在重塑階段，用 AI 重新設計整個職能的工作流，這才能帶來 30% 到 50% 的效率躍升。

醫療 AI 的工作流整合困境，本質上就是卡在「部署」和「重塑」之間的過渡帶。醫院買了一套 AI 工具（部署），但沒有為它重新設計臨床流程（重塑）。結果就是 AI 變成一個額外的負擔，而不是一個效率的槓桿。

印第安納州的 Franciscan Health 是一個正在摸索這條路的案例。這家擁有 12 間醫院的醫療體系到 2025 年底仍然沒有退役任何 AI 應用，因為他們採取了一種更謹慎的做法：先建立完整的治理架構和流程，再逐步測試各種 AI 用例。他們的策略不是「先上再說」，而是「先想清楚這套東西要怎麼跟現有流程共存」。這個做法比較慢，但至少不用面對上線之後手忙腳亂的窘境。

我的觀察

回到臺灣的脈絡，工作流整合的難度可能比美國更高。原因有幾個。首先，臺灣的健保制度讓門診量極大，一位醫師一個上午看 40 到 50 位病人是常態，任何新增的操作步驟，哪怕只多花 10 秒，累積下來都是巨大的負擔。其次，臺灣醫院的資訊系統（HIS）整合度參差不齊，有些大型醫學中心已經做到高度整合，但更多的區域醫院還在用拼裝式的系統，要在這種環境中嵌入 AI，技術門檻更高。

HAIP 框架給我的最大啟發是：不要把工作流整合當成上線前的最後一步，而是從採購評估的第一天就開始思考。如果在選擇 AI 產品的階段就把工作流適配性納入評估標準，後面的路會好走很多。