醫院行政 AI:掛號、批價、客服與衛教文件生成的自動化劇本與可量化效益

週一早上八點,某區域醫院一樓的批價櫃檯前排了二十三個人。第一位是要補印收據的阿嬤,第三位問的是自費疫苗價格,第七位其實只是想確認下週的回診時間掛到哪一診。真正需要人工判斷的,大概三個。其餘二十個,系統本來就答得出來,只是沒人把系統接到民眾面前。

這是我們去年進場一家中型醫院時,行政副院長帶我們看的第一個現場。他沒有先問我們 AI 能不能寫病歷、能不能讀影像。他問的是:「我櫃檯人員一年走三成,新人訓練三個月才上手,尖峰時段等候超過二十分鐘的客訴每個月幾十件——這個,AI 能不能先幫我?」

能。而且我們建議,就從這裡開始。

為什麼醫院行政 AI 自動化要先做「非臨床」

臨床場景固然誘人,但監管、責任歸屬、醫師信任、病安風險,任何一項卡住,案子就會躺半年。行政場景不一樣:掛號、批價、一般客服、衛教文件生成,這四塊是低風險、高頻次、規則相對明確的工作,錯了也不會傷到病人,卻天天吃掉大量人力。

我們對行政主管的主張很直接:把醫院行政 AI 自動化當成臨床導入的敲門磚。先在不碰診斷的地方,做出一個能量化、能被稽核、能讓醫護親眼看到成效的案子。等到護理師發現「衛教單真的是 AI 生的、而且比以前工整」,等到副院長手上有一張等候時間下降的報表,你再談 AI 進到臨床輔助,阻力會小非常多。信任是靠上線的東西累積出來的,不是靠 Demo。

四個場景的落地劇本

掛號改約與查詢。 這是最典型的意圖分流問題。八成的來電與線上訊息是「我要改時間」「這一診還有沒有號」「我掛錯科了」。我們的做法是接一層 Agentic 分流:AI 先聽懂意圖,能自助的直接在 HIS 排程系統上完成改約並回傳確認,判斷不了或牽涉退費爭議的,帶著完整脈絡轉真人,不是冷冰冰丟回總機。重點在「真的寫回系統」,不是給一段罐頭回覆。

批價與費用查詢。 自費項目、健保部分負擔、押金退還規則,這些邏輯繁瑣但確定。用 RAG 把院內收費規章、衛福部公告、各科自費清單接成一套知識庫,讓 AI 回答有依據、可溯源,每個答案都能點回原始條文。這一塊我們踩過雷:規章版本一更新,舊答案就會出錯,所以知識庫必須綁定文件版控,不能一次性餵完就放著。

一般客服。 門診時間、停車、樓層動線、檢查前準備、住院須知——這些問題佔客服量的一大半,卻沒有一題需要醫療專業。交給 Copilot 型的問答,真人客服才有餘裕處理真正棘手的個案。

衛教文件生成。 這塊最容易被低估。護理師花在「把制式衛教內容依病人狀況改寫成一張看得懂的單張」的時間,遠比想像多。我們讓 AI 根據疾病、用藥、術後注意事項,生成初稿,護理師只做審閱與簽核。生成不等於放行,人在迴路裡把關,這條線不能省。

可量化的效益,拿去說服醫護

行政主管要的不是形容詞,是報表。以下是我們在一個約 800 床規模醫院、上線後第一季實測到的區間,供你估自己的盤子:

換算成人力,這家醫院把原本綁在重複問答上的約 3.5 個全職人力,重新配置到出院準備與個案關懷。等候客訴月均從數十件掉到個位數。這些數字不需要你相信 AI 很神,它們只是把「本來就會做的事」做得更快而已——而這正是拿去敲臨床那扇門最好的籌碼。

導入時真正該擔心的事

技術從來不是最難的。最難的是三件:資料權限與個資邊界要在第一天就跟資安、法遵坐下來畫清楚;流程要嵌進醫護現有的動線,而不是逼他們多開一個系統;還有采用率——沒人用的系統,成效等於零。

這也是我們一貫的立場。我們不是丟一套平台就走,而是派工程師進駐現場,把 HIS、排程、收費規章這些院內真實系統接起來,盯著使用率爬升到穩定、把承辦人員教到會用,才算交付完成。Demo 那天全場點頭不算數,三個月後櫃檯的隊伍真的變短、護理師真的在用,那才算數。