許多企業在導入 AI 時常陷入一個誤區：認為只要部署了強大的模型，員工自然會使用，且效率自然會提升。然而在醫療這種高度專業且對安全性要求極高的環境中，技術本身反而是最簡單的部分，真正的挑戰在於如何讓數以萬計的醫護人員安全、一致且大規模地將 AI 融入日常工作流。
美國大型醫療體系 AdventHealth 的案例提供了一個極佳的視角，他們將 AI 的導入目標從單純的自動化，轉向了對時間的重新定義。
將採用率視為產品目標
在大多數公司，AI 專案的成功指標可能是模型準確率或單一功能的完成度。但 AdventHealth 的首席 AI 官 Rob Purinton 指出，醫療 AI 最困難的不是技術，而是如何讓人類安全且規模化地使用它。
因此，他們採取了一個關鍵的策略轉向：將採用率（Adoption）視為產品本身。
他們不再向員工推銷 AI 能如何自動化工作，因為自動化往往會讓人產生被取代的不安。相反地，他們將 AI 定義為時間回饋（Time Back）。當一個原本需要 10 分鐘的病歷審查流程被縮短到 2 分鐘且品質不變時，省下的 8 分鐘就是回饋給醫護人員的容量。這種敘事方式將 AI 從替代者的角色，轉變為減輕行政負擔的工具。
為了量化這個目標，他們將 AI 使用量視為關鍵績效指標（KPI），追蹤每個使用者在每個工作日的訊息發送量，並像管理任何營運指標一樣定期審查趨勢。
從碎片化實驗到企業級基礎設施
在正式導入前，組織內部已有員工私下嘗試聊天機器人，但缺乏統一規範。為了將 AI 從個體行為提升至企業規模，AdventHealth 選擇了 OpenAI 的企業級解決方案，包括 ChatGPT Enterprise 以及專為醫療環境設計的 ChatGPT for Healthcare。
之所以選擇企業級基礎設施而非簡單的 Demo 或消費級產品，主要考量在於三個維度：隱私與治理（Governance）、推理能力（Reasoning Capability）以及結構化輸出（Structured Outputs）。在醫療體系中，數據保護與合規性是底線，而結構化輸出則能確保 AI 生成的內容可以被後續的臨床流程直接利用，而非僅僅是隨機的對話。
實務應用：重新設計臨床與行政工作流
AI 在 AdventHealth 的實際應用並非取代醫生的判斷，而是處理資訊的預處理階段。
在利用率管理（Utilization Management）的場景中，醫師顧問需要審查大量病歷以決定醫療資源分配。過去這需要經歷閱讀圖表、篩選細節、對照標準、起草理由等一系列繁瑣步驟。現在，AI 負責生成結構化摘要並初步起草理由，醫師則扮演最後把關的審核者。
除了臨床端，行政端也採取了類似的模式： 將空白頁面轉變為初稿：無論是計劃書還是政策文件，不再從零開始，而是由 AI 提供第一版草案。 非結構化資訊轉化：將雜亂的會議記錄或筆記快速總結為可執行的行動清單。
量化成效與實務影響
為了避免員工主觀感受的偏差，AdventHealth 堅持使用系統層級的數據來衡量成效。例如，他們直接從電子健康紀錄（EHR）的時戳（Timestamps）中分析任務處理時間的變化，確保提升在統計學上是顯著的。
這種做法帶來了具體的影響： 行政負擔降低：部分任務的處理時間大幅縮減，減少了反覆修改的循環。 解決睡衣時間（Pajama Time）：醫療業常見的現象是醫師在白天處理病人，晚上回家後才穿著睡衣補齊行政文書。透過 AI 縮短文書時間，讓醫師能將工作留在醫院，恢復與家庭的生活品質。
對工程師與產品經理的啟示
這個案例告訴我們，在推動大型組織的技術轉型時，技術選型（例如選擇哪個模型）只是第一步。真正的工程挑戰在於工作流的重新設計（Workflow Redesign）與指標的量化。
首先，不要試圖用一個巨大的中央培訓計畫來推廣 AI，而應利用領域對等群體（Domain-based Peer Groups）。讓財務人員跟財務人員分享 Prompt（提示詞），讓 HR 跟 HR 分享工作流，這樣產出的最佳實踐才具有實務價值。
其次，將 AI 視為一種容量的釋放。當你能證明 AI 幫使用者省下了具體的時間，且這些時間被重新投入到更高價值的工作（如直接面對病人）時，技術的採用才會從單純的工具嘗試，變成一種組織文化。
來源：openai.com - AdventHealth advances whole-person care with OpenAI
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。