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
我們訪談了 47 家台灣醫療機構,想弄清楚一件事:大家都在談的醫療 AI,哪些真跑在生產線上、哪些只活在 Demo 影片裡。81% 導入過,卻只剩不到一半還有人天天用。這份原創調查揭露最先上線的六個場景,以及臨床端採用真正的最大阻力——不是準確率,是責任歸屬。
作者
Tenten AI 交付團隊
產業交付
发布日期
2025年11月26日
阅读时间
6 分鐘
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。
臨床端採用的最大阻力,不是準確率
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:
| 採用阻力 | 被提及頻率 | 我們的解讀 |
|---|---|---|
| 責任歸屬不清(AI 建議出錯誰負責) | 68% | 臨床端最深的恐懼,不是準不準,是扛不扛得起 |
| 工作流程被打斷、要多開一個系統 | 61% | 每多兩次點擊,採用率就掉一截 |
| 缺乏院內可信的驗證數據 | 55% | 廠商的 AUC 再漂亮,不等於「在我們病人身上有效」 |
| 訓練與導入期沒人陪 | 49% | 上線那天工程師就撤場,問題沒人接 |
| 準確率/幻覺疑慮 | 34% | 排第五,不是第一 |
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。
一個反差:診所跑得比醫學中心快
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。
