2026 台灣醫療機構 AI 導入調查:哪些場景最先上線?臨床端採用的最大阻力是什麼

今年第一季,我們訪談了 47 家台灣醫療機構的資訊主管、臨床科主任與護理長,從醫學中心到區域醫院,再到連鎖診所都有。想弄清楚一件很具體的事:大家嘴上都在談的醫療 AI,到底哪些真的跑在生產環境裡、哪些還躺在 Demo 影片裡。

結果比我們預期的更兩極。

醫療機構 AI 導入:上線的場景,其實只有一小撮

先講一個數字。這 47 家裡,有 38 家(81%)在過去 18 個月內至少採購或試辦過一套 AI 系統。但當我們追問「現在還有人每天在用嗎」,能明確點頭的只剩 15 家。換句話說,超過一半的醫療機構 AI 導入專案,在簽約後一年內就滑進了「技術上還活著、實際上沒人用」的灰色地帶。

哪些場景撐下來了?我們把「仍在生產環境、且有穩定使用者」的案例做了統計,排名如下。

上線場景	仍在使用的機構占比	主要使用者	平均導入到穩定使用
病歷文書/出院摘要生成	74%	主治醫師、住院醫師	3.8 個月
醫學影像輔助判讀(胸部 X 光、眼底)	58%	放射科、眼科	6.2 個月
客服/掛號語音與線上分流	47%	行政、客服中心	2.1 個月
護理交班與紀錄摘要	39%	護理站	5.5 個月
臨床決策支援(用藥交互、警示)	21%	藥師、臨床醫師	9.4 個月
內部知識問答(SOP、感控指引)	18%	全院	4.0 個月

看得出一個規律:越靠近「文書減負」的場景,活得越好;越靠近「臨床決策」的場景,死得越快。病歷與出院摘要生成之所以是冠軍,不是因為技術最難,而是因為它替醫師省下的是最痛的那段時間——下診後補病歷的深夜。價值直接、體感明確,不需要說服。

反過來,臨床決策支援雖然最被寄予厚望,採用率卻墊底。原因後面會講,那也是這次調查最值得記下來的一段。

問到「導入卡在哪」,我們原本以為答案會是模型不夠準。錯了。

把受訪者提到的阻力做加權統計後,排序是這樣的:

責任歸屬排第一,這件事我們其實不意外。一位胸腔科主任講得很直白:「系統說這片可能有結節,我還是得自己再看一遍,那我為什麼要看兩次?出事的時候,沒有人會去告那套軟體。」臨床採用的門檻從來不是「AI 有沒有用」,而是「當我把判斷權分一點出去,風險有沒有跟著被分擔」。這是流程與制度問題,不是模型問題。

第二個阻力更現實:流程被打斷。我們實地看過一家區域醫院的用藥警示系統,模型本身沒問題,但醫師要離開 HIS、登入另一個網頁、複製病歷號、再貼回來。三個月後使用率剩個位數。不是醫師抗拒 AI,是他們一天要看 60 個病人,任何多出來的兩次點擊,都是壓垮採用率的最後一根稻草。

值得注意的是,「準確率疑慮」只排到第五。這推翻了一個常見假設——大家以為醫療 AI 卡在技術,實際上卡在責任、流程與信任這些「非技術」的地方。模型早就夠好了,難的是把它塞進一個已經高壓、零容錯的臨床動線裡,還讓人願意天天用。

還有個發現值得單獨拎出來。導入到穩定使用的速度,連鎖診所的中位數是 2.4 個月,醫學中心是 7.1 個月。規模越大、決策層級越多、既有系統越複雜,上線反而越慢。診所贏在動線短、決策快、一個院長點頭就能改流程;醫學中心則常常在委員會、資安審查與跨科協調裡耗掉半年。

這也解釋了為什麼很多醫療 AI 專案「Demo 驚艷、上線難產」。買的是模型,缺的是把模型嵌進臨床動線的那段工。

我們自己做醫療 AI 導入時,養成一個習慣:不從模型談起,先從那位科主任下診後補病歷的那 40 分鐘談起。工程師進場蹲在護理站和診間旁邊,看真實的動線卡在哪,把責任邊界、驗證數據、流程整合這些「非技術」的地雷一顆顆拆掉,再讓系統上線。Demo 很美不算數,三個月後還有人每天在用,才算數。