AI 應用實例 ─ 智慧醫療決勝 AI 四象限
文／林華庭（聯新國際醫院 智慧醫療委員會執行祕書）
轉型時代的挑戰：從 AI 技術熱潮到臨床落地困境
▪台灣醫療 AI 導入的戰略陷阱
在台灣醫療體系中，人工智慧（AI）已成為數位轉型的同義詞，應用範圍廣泛，涵蓋影像判讀、語音轉譯、病歷摘要，乃至行政自動化。然而，多數區域醫院的 AI 發展仍處於常態分佈的中段探索期，而非技術前沿。對於這些機構的資訊長（CIO）而言，真正的挑戰從來不在於「AI 能否勝任任務」，而是在於「系統上線後，臨床端或行政端是否願意持續且深度地使用」。
成功的演算法，並不等同於成功的應用。聯新國際醫院積極推動「以智慧醫療為基礎的無圍牆醫院」，曾在 2019 年與學界合作開發高精準度的病危預測模型。該模型在技術驗證階段達到了九成準確率，但上線營運一個月後，使用率卻不到一成。這次 AI 導入的挫敗，並非單純的技術缺陷。模型預測的數據結果，與各科別之間對於「病危」的臨床共識存在根本性差異，導致模型無法融入現場決策。這證明了高技術指標可能只是掩蓋了業務流程標準化的不足，若無法被現場制度納入與信任延續，再先進的演算法也只能淪為無用系統。
▪跨越失敗門檻：導入邏輯的典範轉移
面對這次失敗的經驗，聯新國際醫院數位發展部部長徐偉倫醫師將 AI 導入邏輯進行了根本性的戰略調整，從傳統的「先有技術、再找應用」轉變為「先找問題、再挑技術」。此典範轉移標誌著 CIO 角色從單純的「技術採購者」向「需求與永續性強制者」的升級。每個新的 AI 專案導入前，資訊團隊不再單獨作業，而是必須邀請臨床、護理、行政部門共同參與，並強制回答三個核心問題，作為 MLOps（機器學習營運）準備度的最簡框架：這項 AI 要解決什麼真實痛點？誰會每天使用它？一年後它還能運作嗎？成功的 CIO 必須將 AI 使用率（Adoption）和維護成本（Sustainability/Tech Debt）納入初期評估，確保 AI 能進入可持續運作的「資產型」階段。
[ 加入 CIO Taiwan 官方 LINE 、 Facebook 與 linkedIn，與全球CIO同步獲取精華見解 ]
過去，受限於預算、算力及人力，區域醫院難以進行深度模型訓練。但大型語言模型（LLM）等生成式 AI 的出現，為區域醫院提供了突破傳統技術瓶頸的新契機。徐偉倫說：「區域醫院迎來真正的 AI 大時代」。LLM 能夠理解語境、模擬推論、甚至主動建議，使 AI 不再僅是資料運算工具，而是成為醫療場域中可參與臨床推論決策與啟動流程行動的核心元件。這一技術轉變將 CIO 的資源投入，從昂貴的模型訓練轉向高效的流程整合與治理，極大地加速了組織整合運作能力的提升，為 AI 的普及化奠定了基礎。
組織變革與價值規模化：從專案到資產的路線圖
▪組織層面的推動與協作設計
為避免 AI 應用淪為資訊部門的孤立專案，徐偉倫推動「一部一 AI」計畫，讓每個部門都成為 AI 應用場域的需求目標與痛點來源。透過鼓勵各部門多觀摩、多體驗，從容易導入的應用（例如會議紀錄自動生成）開始，養成日常使用習慣。這種多元化策略，避免了單綁一種技術或一條產品線的風險，並在過程中強化了跨部門的信賴與互助，建立起正循環。
在推動專業級 AI 應用時，聯新國際醫院醫院強調與科技大廠合作的共創模式。例如，在一個重大的影像專案中，我們臨床醫師協助讓 AI 不僅能辨識息肉，還能自動測量並提示判讀依據。隨著 AI 逐步滲入醫院核心流程，從臨床決策輔助、文件自動化、知識稽核到社區延伸，AI 不再屬於資訊部門，而成為整個醫院的共同語言，逐步形塑一種「以專業為核心、以 AI 為中介」的全新組織文化。表一概述了 AI 應用如何全方位滲透至醫院的各個職能領域。
▪CIO 評估 AI 導入的兩個關鍵面向與四象限模型
為了避免「做了很多卻看不見成效」的陷阱， AI 從單一專案轉化為可持續的組織資產，作者歸納聯新國際醫院經驗，提出這套全新的評估框架。同時檢視兩個關鍵面向：問題與技術的對準程度（Problem–Technology Fit，PTF）與組織整合運作能力（Integration Capability，IC）。說明如下：
- 問題與技術的對準程度（PTF）：評估技術是否對應解決真實問題。高 PTF 的導入能直擊痛點（如降低診斷錯誤、優化病房流程），而低 PTF 的導入則常流於表象，AI 成為「象徵創新」的展示櫥窗。
- 組織整合運作能力（IC）：代表 AI 能否真正融入制度與流程。真正的價值不在演算法，而在整合。高 IC 意味著 AI 已嵌入現場決策鏈與治理節奏，資料流動順暢；低 IC 則使 AI 孤立在資訊部門，成為「無人問津的系統」。
依照這兩個維度，AI 導入的評估可以歸納為四種情境，為 CIO 提供了明確的戰略定位和調整方向： - 玩具型（Toy）情境是導入初期最常見的狀況。技術看起來新穎但脫離現場需求，系統上線後即閒置。 CIO 而言的問號是：「這套系統，對誰有用？」
- 幻象型（Illusion）情境是最危險的陷阱之一。在這種情況下，AI 系統可能技術整合完美，報表自動生成，看似效率大幅提升，但由於缺乏對準真正的業務需求（低 PTF），流程並未被改變，決策也未因此加快。 CIO 在此時必須停下來，強制驗證現場的使用感受和流程變革，而非僅依賴數據的「綠燈」，才能避免資源的空轉。
- 實驗型（Experiment）情境則代表了高價值的單點成功。雖然解決了明確的痛點（高 PTF），但由於整合規模太小（低 IC），無法跨單位複製，成功案例難以被制度化。CIO 的核心任務是將 MLOps 流程導入此類專案，將其轉化為可擴散的標準化資產。
- 資產型（Asset）情境是最終目標。在這種成熟狀態下，AI 不再是專案，而是組織日常運作的一部分，它能自我學習、自我修正，醫師、護理師和管理單位都信任並依賴它進行決策。
制度化與永續性：從 MLOps 到負責任 AI 治理的建構
▪信任的制度化：負責任 AI 框架
當 AI 進入日常決策流程，信任的挑戰隨之浮現：如何在專業要求極高的醫療場域建立對 AI 判斷的依賴？信任的建立並非單純的技術指標問題，而是系統性的治理問題。醫師會追問模型運算邏輯，護理師會擔憂出錯時的責任歸屬。
[ 推薦文章：GenAI 進入大規模部署，正在金融、醫療、製造業等各產業活躍！ ]
2024 年公布的《人工智慧基本法》草案，提出了七項原則，包括永續發展、人類自主、隱私保護、資安與安全、透明可解釋、公平不歧視及問責。對於醫療機構而言，這些原則是建立信任和合規性的制度化依據。聯新國際醫院同年響應衛福部政策成立了「負責任 AI 中心（Responsible AI Center，RAC）」，旨在將抽象的倫理和法律原則操作化為具體的組織架構，以確保每位使用者都能回答關於 AI 的三個關鍵問題，從而建立完整的問責鏈條：
- 這個 AI 為什麼存在？（價值目的）
- 它如何運作？（可解釋性）
- 若出現問題，誰負責？（問責鏈條）
為了實現這一目標，RAC 將 MLOps（機器學習營運）提供的技術可重現性視為其制度化信任的硬體骨架，與倫理法律上的問責鏈條結合起來，共同確保 AI 系統的穩健性和可信度。
▪MLOps：制度化信任的技術骨架與永續路徑
僅有高 PTF 的 AI 應用，若缺乏永續運作的技術架構，最終仍將退化為難以維護的「實驗型」或被淘汰。MLOps 正是為 RAC 建立信任制度所必需的「技術骨架」。它提供了將 AI/ML 專案大規模轉型業務所需的協作和精簡方法。MLOps 將 DevOps（開發營運）實務延伸至機器學習工作負載，專注於資料科學、資料工程和軟體開發的交集，是確保 AI 資產永續性的技術骨架，解決了幾個關鍵的治理與維護挑戰：
- 可重現性與版本控制：為了實現問責鏈條和確保模型可靠性，AI 資產必須能夠透過版本化的程式碼和成品重現。MLOps 強制實施基礎設施即程式碼（IaC）和組態即程式碼（CaC），確保環境建置的一致性。
- 數據漂移與性能監控：機器學習模型生命週期往往獨立於整合的應用系統，且模型效能極度依賴輸入資料的穩定性。MLOps 流程關注資料管道的相依性，透過持續監控和重新訓練部署管道，提前預警並解決因輸入資料偏移導致的結果偏移問題。
- 政策強制執行：許多 AI 專案涉及重要的政策考量（例如隱私保護和資安規範）。MLOps 要求將合規性與政策強制執行整合到 CI/CD 管道中，確保模型部署符合既定的治理框架。
綜上所述，MLOps 不僅是技術流程，更是將「實驗型」AI 系統升級至具備高 IC「資產型」的必經技術路徑。缺乏 MLOps，任何成功的 AI 應用都將面臨維護噩夢，最終難以支撐組織的長期戰略需求。
升級 CIO 角色：協作架構設計者與國家戰略橋接者
▪AI 代理人與「以專業為核心」的協作架構
隨著 AI 深度融入核心流程，CIO 的角色正經歷根本性轉變：從傳統的「資訊管理者」轉向更具戰略意義的「協作架構設計者」。聯新國際醫療集團策略長蔡義昌博士說：「AI 的價值不在於單一部門的創新，而在於跨流程的連動。」。
AI 代理人在此轉變中扮演了跨職能流程的耦合媒介。例如，在採購與營運決策中，過去財務、行政、人事部門需在多套系統間反覆比對計算預算；導入 AI 代理人後，資料能自動整合並生成分析報告，讓審查小組可以基於即時資訊進行一次性決策。AI 不取代專業，而是讓專業的判斷更快抵達決策點，有效解決了組織壁壘和資訊延遲問題。
這種「AI 為中介、專業為核心」的設計，要求 CIO 必須掌握各部門的核心專業語言，設計出能將不同職能領域資料連結起來的架構，從而改變整個醫院的工作節奏。未來的決策將不再是層層匯報，而是建立在即時資訊與共享分析之上，極大地提升了組織的協作決策效率。
▪鏈結國家戰略：從院內治理到跨機構共作
智慧醫療策略的制定，已不再是單純的院內效率優化問題，而是必須與國家級戰略接軌。衛生福利部於今（2025）年公布的五年 489 億元《健康台灣深耕計畫》，明確將「範疇三、導入智慧科技醫療」納入醫院評核與補助架構。更重要的是，「AI 治理」、「資料治理」與「資安治理」被明定為計畫要求的核心項目。
這項國家政策的導入，將 AI 治理從「最佳實踐」轉化為「強制性戰略合規」。醫院不僅要證明「能使用 AI」，更要展現「能治理 AI」的能力。這迫使各醫院開始重新檢視自身的 AI 策略：過去以效率提升專案形式進行的導入（即「實驗型」AI），必須轉化為具備長期制度設計的框架，並能連結跨機構健康資料、支撐公共價值。
結語：從導入 AI 成功到 AI 制度永續
筆者認為，當組織追求將 AI 從「玩具」或「幻象」升級為「資產」時，必須確保資產價值的永續循環，這有賴於五個 CIO 實現關鍵要素：
- 題目要能對準現場：確保高 PTF，解決真實痛點。
- 流程要能吸收創新：透過「一部一 AI」與協作架構提升 IC。
- 信任要能被驗證：透過負責任 AI 中心（RAC）建立問責鏈條與可解釋性。
- 制度要能支撐執行：導入 MLOps 確保系統的永續性與可重現性。
- 價值要能循環再生：透過 AI 代理人設計跨流程連動，創造規模化效益。
成功的 CIO 不再只是技術的推手，而是永續智慧醫療制度的設計者。當 AI 能夠被現場人員使用、被制度有效管理、並贏得使用者信任時，智慧醫療才真正從遙遠的願景轉化為制度成熟的日常，跨越從「玩具」走向「資產」的關鍵門檻，建立能支撐 AI「資產」化的長期治理框架。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
