- 2026.02.04
- 文：RayCheese 分析團隊
【數位健康】生成式人工智慧於醫療決策中的制度瓶頸、商業模式錯位與患者信任落差
Key Findings
- Medical AI 的挑戰已從技術問題轉向制度問題
- AI 的高效能不代表能自然融入醫療決策流程
- 病患接受 AI 的關鍵在於信任，而非單純準確率
AI 醫療應用的演進：從輔助工具到核心決策參與
隨著巨量資料（Big Data）、人工智慧（Artificial Intelligence, AI）與物聯網（Internet of Things, IoT）等關鍵技術逐漸成熟，全球醫療體系正加速邁入數位醫療（Digital Health）的新階段。此一轉型不僅是工具與技術層級的升級，更是一場牽涉組織架構、決策流程、法規制度與醫病關係的深層結構性變革。近年來，AI 醫療器材市場快速成長，預估將自 2025 年的 123.8 億美元成長至 2029 年的 342 億美元，年複合成長率高達 28.9%。然而，這樣的高速成長所反映的，並不僅是資本對技術的追逐，更揭示了 AI 在醫療產業中角色定位的根本轉變。
過去，AI 多被視為輔助性工具，主要應用於醫學影像判讀、疾病風險評估或藥物篩選等相對封閉、低互動性的任務場景；然而，隨著生成式人工智慧（Generative AI, GenAI）的出現，AI 的角色開始向臨床決策、診斷推理、治療建議乃至藥物開發等核心醫療活動滲透，進而對既有的醫療工作流程、專業分工與責任歸屬提出根本性挑戰。也正是在此轉折點上，制度摩擦與信任問題逐漸浮現。
AI 效能與臨床流程的結構性落差
值得注意的是，在醫療場域中，科學與工程視角下的「療效與準確性（efficacy）」與患者視角中的「信任（trust）」本質上屬於兩種截然不同的評價體系。對醫療專業人員與研發團隊而言，AI 是否有效，往往取決於模型準確率、推理能力、臨床表現是否優於既有工具；但對患者而言，是否願意接受 AI 參與醫療決策，關鍵並不僅在於數據表現，而在於是否感受到安全、被理解、被尊重，以及在錯誤發生時是否仍有人類可以負責。這種評價邏輯的落差，正是當前 Medical AI 推廣過程中最容易被低估，卻最致命的制度瓶頸之一。
2024 年美國一項納入 50 位執業醫師的實驗研究，即清楚呈現此一矛盾。該研究比較了醫師在處理複雜臨床案例時，使用 GPT-4 輔助工具、僅使用傳統資源，以及由 GPT-4 單獨作答的表現差異。結果顯示，當醫師同時使用 GPT-4 與傳統工具時，診斷準確率僅略高於單獨使用傳統工具（76% 對 74%）；然而，若由 GPT-4 獨立進行推理，其診斷推理分數高達 92%，比未使用 AI 的醫師高出 16 個百分點。這項結果揭示了一個關鍵事實：AI 的價值並非自然地透過「加法式導入」即可釋放，當 AI 被硬性嵌入既有的人類決策流程與工作分工中，往往會被既有制度與工具所稀釋，形成「舊瓶裝新酒」的結構性浪費。
這樣的現象也說明，若僅將 AI 視為既有醫療流程中的附加模組，而未同步重構商業模式、工作流程與責任分配機制，將難以真正兌現 AI 所承諾的價值。換言之，Medical AI 的失效，往往並非源自模型能力不足，而是源自組織與制度層級仍停留在「前 AI 時代」的邏輯。
醫病信任與 AI 接受度的分層現象
患者層面的研究則進一步凸顯「信任」作為核心變數的重要性。另一項於美國佛羅里達州進行、涵蓋 600 位成年人的調查顯示，儘管有 50.2% 的受訪者認為 AI 有助於改善整體健康結果，但其接受度會隨著 AI 任務性質的不同而呈現高度分層。具體而言，約 84.2% 的受訪者可接受 AI 應用於行政管理、資料整理與排程等與治療結果間接相關的任務；然而，當 AI 進一步介入診斷決策時，接受度即下降至約 50%，而能接受 AI 提供治療或用藥建議者更僅剩 44.7%。
此一「任務分層現象」顯示，患者並非全面排斥 AI，而是對其介入層級高度敏感。當 AI 被定位為工具性、輔助性角色時，患者往往視其為提升效率的中性技術；但當 AI 開始觸及高度個人化、高風險且不可逆的臨床決策時，患者對於責任歸屬、透明性、可解釋性與人性關懷的期待便急遽升高。這種抗拒並非單純的科技恐懼，而是對醫療信任結構被重新分配的本能反應。
Medical AI 的制度挑戰與價值重構
綜合上述研究可知，「AI 主宰醫療決策」在可預見的未來並不現實；但更重要的是，Medical AI 的核心挑戰從來不只是技術問題，而是一個制度設計與信任工程（trust engineering）的問題。對醫療機構而言，導入 AI 時多半以貨幣價值（Monetary Value）作為主要評估指標，如成本節省、流程效率與組織績效；然而，對患者而言，其是否接受 AI，取決的卻是心理價值（Psychological Value），包括是否仍能感受到人類醫療專業的同理心、關懷與責任承擔。
因此，Medical AI 新創與醫療體系若欲真正實現規模化發展（Scalability）與長期可持續性（Sustainability），其突破關鍵不在於單點模型效能的極大化，而在於是否能同步重構工作流程、商業模式與制度設計，清楚界定 AI 與人類專業的角色分工與責任邊界，並以病患為中心，建立誠實、可理解且可追責的溝通機制。唯有在效率與信任之間取得動態平衡，生成式人工智慧才能真正成為醫療體系中的「增能者（enabler）」，而非新的制度摩擦來源。
