AI 落差解密：为什么有人用 AI 变超人，有人却无感？
人工智能（AI）正在快速进入医疗与健康产业，从行政自动化到临床辅助判读，都被寄予厚望。然而，在实际应用中，我们常见两种极端情况：有些人使用 AI 后效率倍增，像是「变超人」；有些人却感觉不到帮助，甚至觉得反而更麻烦。为什么会出现这样的落差？
答案不仅在「人」的差异，也在于「数据质量」的根本问题。
人的差异：同样用 AI，效果却天差地别
AI 使用者可分为四种类型：
- 积极探索者：不断尝试新功能，将 AI 融入日常工作，因此收获最大。
- 效率导向者：聚焦在简化重复性工作，虽不追新，但能持续受益。
- 观望者：知道 AI 的存在，但因不熟悉或害怕错误，迟迟不愿投入。
- 被动使用者：只在主管或组织要求下才使用，成效最差。
这显示了 用户心态与习惯 对 AI 成效有决定性影响。以医疗场域为例，如果医师或护理师愿意尝试 AI 病历摘要工具，就能减少文书时间，专注病患照护；但若仅是「被迫上手」，往往觉得更费时，因而产生反感。
资料的根源：AI 为何「学不乖」？
另一个不容忽视的原因是 数据质量。经理人杂志报导指出，许多企业员工每天花上 2 小时处理「工作垃圾」——不完整、不一致或低质量的内容。当 AI 基于这些数据生成答案，自然会出现答非所问或错误判断。
医疗现场也常见类似问题。例如：
- 电子病历纪录格式不一，导致 AI 难以准确抓取信息。
- 行政流程文件存在过多版本或错误，AI 生成建议缺乏可靠性。
- 医疗影像与检验数据若未标准化，会降低 AI 模型的判读准确率。
因此，即使工具再先进，如果数据是「垃圾进、垃圾出」，AI 也无法带来真正效率。
对医疗产业的启示
- 双管齐下：提升人员 AI 素养＋强化资料治理
医疗组织若只关注导入工具，而忽略教育训练与数据质量，AI 成效势必大打折扣。
- 将 AI 定位为「伙伴」而非「负担」
透过工作坊或实际案例，让医护人员亲眼见证 AI 如何减轻负担，才会主动采用。
- 从行政切入，逐步走向临床
行政流程（如排班、病历摘要）相对单纯，更适合率先导入；临床应用则需建立在高质量数据与严谨验证之上。
结语
AI 不会自动带来效率，它更像是一面镜子：折射出组织在 人员心态 与 资料治理 上的不足。医疗机构要让 AI 真正发挥价值，必须同时改变人的使用方式，并从根源改善数据质量。只有如此，AI 才能从「炫技」走向「实用」，成为医疗现场不可或缺的助力。
审稿：联新国际医疗集团 总执行长办公室 蔡义昌策略长
蔡义昌 profile
现职：
总执行长办公室 策略长
联新健康台湾深耕计划中心 办公室主任
健康生态系事业群 副执行长
健康生态系事业群 数位联通部 部长
联新国际医院 健康生态系办公室 副主任
经历：
总执行长办公室 数字长
经营服务中心 项目部 项目执行长
经营服务中心 数字部 数字副执行长
联新国际医院 数字发展部 部长
亚东纪念医院 人工智能中心 主任
信息工业策进会 数字教育研究所 所长
台湾青年数字服务协会 理事长
中原大学 网站经营研究中心 主任
学历：
国立云林科技大学 企业管理系 管理学博士
国立清华大学 计算器管理决策研究所 理学硕士
国立政治大学 应用数学系 理学学士
