單點愈聰明，醫院卻未必更智慧
近年AI在醫院中的應用快速擴張，從生成式AI、多模態模型到AI代理與自動化工作流，新的技術不斷出現。院方自然會問：AI還能為醫療再做些什麼？這個問題是從技術可能性出發，再去找適合的場景。但當單點工具愈來愈聰明，整體運作卻未必隨之升級：病歷摘要生成快，交接卻未必就順；風險預測準，後續追蹤未必完整跟上。技術成熟度並非主要問題，更值得追問的是：我們太關心AI能做什麼，反而少問照護究竟需要改善什麼。
另一種思路則是從既有醫療體系出發：目前什麼工作最需要AI的協助？這或許能補足技術導向的盲點。然而，既有體系並不等於照護，制度、流程、專業分工及責任配置是醫院目前的運作方式；反觀病人安全、照護連續性與整體價值才是服務的主要目的。若只要求新技術適應現行制度，最後可能只得到一套跑得更快的舊流程。
《莊子．齊物論》說：「物無非彼，物無非是。自彼則不見，自知則知之。」我們所處的位置決定視野，但也可能形成盲點，如同燈下黑。從AI看醫療，可輕易看見技術還能做什麼，卻忽略病人的照護歷程與第一線同仁的負擔；這便是顧此技術，卻失彼照護。但若只從既有體系看AI，也可能因熟悉的制度、流程與專業邊界，從而低估新技術真正能改變什麼；這就是顧此體系，而失彼創新。故智慧醫療的課題就在如何避免顧此失彼。
這兩端其實是兩種決策慣性：技術導向容易造成局部最佳化，體系導向則可能把創新馴化成舊流程的附屬品。
照護為樞，決定什麼該留、什麼該變
《齊物論》接著說：「彼是莫得其偶，謂之道樞。樞始得其環中，以應無窮。」智慧醫療需要一個能同時檢視兩端的「樞」，單純從技術端移向體系端，仍只是換了一個立足點；對醫院而言，最適合承擔這個角色的是照護。AI不能因為技術做得到就取得正當性，既有體系也不能因為行之有年的做法就取得正當性，兩端都要由照護面來檢驗；若把既有體系與照護混為一談，「照護為樞」就會變成從技術端退回體系端。現有流程、分工與慣例，並不因為沿用已久就一定符合最佳照護的需要；若AI能真正改善照護，醫院有時反而需要打破舊流程、重新分工。因此，照護不是其中一端，而是判斷AI技術與既有體系的共同依據，決定兩者什麼該留、什麼該變。
要讓這個原則進入日常治理，還須轉化為具體的工作標準。醫院談「以病人為中心」並不難，難的是如何落實；AI的技術表現再好，若無法改善照護，就很難稱其為成功。自動化若只是增加醫護覆核負擔，便不值得導入；局部效率若讓跨科協作更困難，也不該計為成果。病人實際獲得的照護，是由掛號、診斷、檢查、會診、用藥、護理、出院與後續追蹤彼此銜接而成；照護是目的，流程是載體，評估AI時，應把視野從單一工具或任務拉到完整照護流程。這個原則還必須反映在可衡量、可管理的結果上：安全是否提升、照護是否連續、病人是否少等待、第一線負擔是否下降、高風險病人是否更不容易被遺漏。遇到結果彼此衝突，管理者要權衡輕重，判斷何者較合宜；判斷的理由應回到照護價值，不能只因為「AI很新」或「以前都這樣做」。
AI要走出對話框，進入照護流程
自然語言對話大幅降低AI的使用門檻，摘要病歷、草擬衛教、整理文件都有價值；但如果AI始終停留在對話框裡，帶來的大多仍是個人生產力。醫院容易出問題的地方，往往在人與人、單位與單位的交接處：資訊能否到達下一個角色、誰負責覆核、任務完成後由誰接手、以及下一次門診能否看到前一次追蹤結果；即使單一對話工具可以讓個人工作得更有效率，卻很難處理這些交接問題；若要讓醫院運作得更流暢，就必須讓AI真正進入工作流程。
以一位出院的高風險病人為例：糖尿病、腎功能異常、多重用藥、獨居且服藥遵從性不佳，AI可以整理病歷、計算再住院風險、產生衛教並提醒個案管理師追蹤；但若藥師仍須登入另一系統查核用藥、社工沒有進入正式派工流程、門診端也看不到出院後續情況，AI改善的只是幾個局部任務，照護鏈仍未被串起來。要設計的是從風險辨識、跨專業介入、直至後續追蹤的完整工作流程。
技術如何實現，可以交給AI專業團隊；院長與主管更需要關心的是，這項應用是否真的改善照護。在把AI放進工作流程以前，還要先問：這條流程本身是否仍有必要？若工作本就是重複輸入，現改由AI自動輸入，只是把浪費做得更快；或是核准環節早已沒有實質價值，把它變成AI核准，也只是把不必要的工作自動化。以照護為樞，既要判斷AI是否值得導入，也要重新審視現有工作本身；AI的價值不應停在自動化現有流程，其實是給了醫院重新檢查工作方式的契機。如果從照護重新出發，我們究竟應該如何工作？
把AI應用變成全院能力
一套成功的工作流程，仍不足以代表這項AI應用已經成為全院能力；零散應用若要跨越個人、單點與專案，還需要一套能被共同使用、治理與持續改善的組織機制。要做到這一步便得落實4項管理工作：看得見、串得起、傳得開、留得下。
看得見：由影轉明
AI的實際使用往往走在正式導入與治理之前。第一線可能早已自行使用外部生成式AI，形成院方看不見的影子AI（Shadow AI）。《哈佛商業評論》近期分析西班牙對外銀行BBVA的經驗指出，這種「影子AI經濟」除了帶來風險，也暴露正式體系尚有未滿足的需求，並可能蘊藏創新機會；醫院同樣面臨此問題。史丹佛醫學兒童健康體系（Stanford Medicine Children's Health）建立符合《健康保險可攜性及責任法》（HIPAA）規範的安全大型語言模型（LLM）環境後，研究團隊在11個月內分析了30,503個對話串，使用者涉及239種臨床與行政職務。把實際使用帶入正式環境後，醫院才有機會掌握需求、使用模式與風險。治理若只問如何禁止，會漏掉關鍵問題：大家為什麼要用？醫院必須把正式入口做得安全而好用，才可能減少員工繞道使用外部工具。
串得起：由點轉線
任務之間的資訊、責任與後續行動若接不起來，單點再聰明，也很難形成連續的照護流程。技術門檻降低後，最了解問題的第一線人員便容易參與到流程改善。過去可能要提出需求、等待開發、系統上線；現在可以先提出做法、快速試作與現場驗證，再把有效方法納入正式流程。第一線便可從AI使用者，進一步成為流程的共同設計者。這些做法進入正式運作後，單點應用才有機會連成流程。
傳得開：由私轉公
影子AI帶來的另一個問題，是有效做法常只留在個人手中。某位醫師、護理師、管理師或行政同仁，可能已經摸索出一套有效的AI做法；但如果組織不知道它存在，就無法進一步驗證與擴散。個人效率或許提高了，這些經驗卻未必成為組織可以重複利用的能力。由私轉公的重點是讓好方法有機會被分享、驗證和持續改進，而不是要求員工交出所有個人做法。好方法之所以傳不開，常卡在更現實的問題：成果歸誰、功勞怎麼算、出了問題誰負責。要讓個人經驗與做法轉化為組織資產，還需要分享誘因、信任、創作者保障與清楚的權責劃分。
留得下：由案轉制
試行專案或應用程式上線後，治理工作還沒有結束。美國紀念史隆凱特琳癌症中心（Memorial Sloan Kettering Cancer Center）在建立全院AI治理機制時，先盤點出87個進行中的AI專案，再建立模型資訊表、風險評估與生命週期管理等工具。一個成功專案如果沒有被登錄、分級、追蹤與持續驗證，仍只是專案，稱不上組織能力。結案前須說清楚誰負總責、誰負責維運與重新驗證、後續資源從哪裡來；治理強度也應與風險相稱：低風險處給速度，高風險處給證據。醫院需要留下的，除了模型、程式與流程，還有當時的判斷脈絡：為什麼這樣做？依據是什麼？結果如何？後來為何調整？成功與失敗的經驗如果能被保存、追溯、比較與再利用，這套專案才可能成為全院可借鑑的組織智慧。
這4項管理工作沒有固定先後次序，也不是線性的成熟度階段，而是4股可以並行推動、逐步匯流的力量；少了任何一股，AI都可能停留在個人、單點或專案層次。它們共同把「照護為樞」從治理原則轉成全院能力。院長與主管不必先成為 AI 專家，但須了解這四項所對應的不同治理瓶頸：看不見，多半是使用與治理；串不起，是系統、資料與跨角色流程；傳不開，是知識與誘因；留不下，則是責任、維運與制度化。重要的是能判斷瓶頸屬於哪一類，再把問題交給適合的團隊。
智慧醫療，貴在執兩用中
前文借《莊子．齊物論》說明：站在任何一端，都有其所見，也有其所不見；因此智慧醫療最怕顧此失彼，但掌握兩端只是第一步。治理接著要回答的是：如何在不同情境下作出合宜判斷？
《中庸》提供了另一個切入點，以古代聖王舜為例，指出他能「執其兩端，用其中於民」。所謂「執兩」是同時掌握兩端；「用中」則是在具體情境中依目的權衡輕重，求其合宜。朱熹進一步說明，「中」就是「不偏不倚、無過不及」。因此，「中」不是兩端各取一半，而是求其恰如其分。
兩者合在一起，構成本文的治理思路。到了醫院治理，就是讓AI技術與既有體系都回到照護。對院長與主管而言，最後就看兩件事：照護是否真的改善？好的做法能否從個人與單點，逐步轉化為看得見、串得起、傳得開、留得下的全院能力？
〈樞衡讚〉
智慧新技有所長，醫療體系有所主。
顧此失彼何以治，執兩用中得其宜。
看得見兮串得起；傳得開兮留得下。
ＡＩ所能應無窮，照護為樞竟其功。
3個治理提問
1. 面對AI新技與既有醫療體系，我們如何避免偏向一端而顧此失彼？
2. 當技術所能與體系所主產生張力時，我們如何以照護為樞，判斷什麼才是合宜的做法？
3. 我們如何讓AI應用從個人與單點走進照護流程，進而轉化為全院能力？
