AI 進醫院後，
誰該負責
最後判斷？

醫療 AI 最難處理的，不是它會不會出錯，而是它常常有用、偶爾會錯時，人如何仍然看得懂、查得出、負得起責任。

來源：Talks at Google／Robert Wachter ｜原始發表日期：2026 年 7 月 14 日

SCROLL

PART 1 ｜先看見真正的比較對象

醫療 AI 不是進入一個完美系統，而是進入一個本來就有摩擦的系統

醫師與醫療管理者 Robert Wachter 在 Talks at Google 訪談中，沒有把生成式 AI 說成萬靈丹。他的起點反而是醫療系統既有的困境：即使已有明確、具證據支持的做法，實務上仍可能因流程、成本、資訊斷裂與人力壓力而無法被穩定落實。

這是訪談中的觀點與脈絡，不是對任何個人病情的建議。它提醒讀者：評估 AI 時，不能只拿它和「理想中的醫師」比較，也要和現實流程中的等待、重複文書、資訊遺漏與不一致比較。可是，現況不夠好，也不等於任何自動化都值得採用。

要問的不是「AI 是否完美」。而是：它改善了哪一個可驗證的環節，又新增了什麼新的失誤與責任風險？

PART 2 ｜最危險的區間：常常正確

Wachter 用一個很實際的兩難說明「人在迴路中」的難題。若工具在診斷或文書任務上只對一半，專業人員必須重做所有工作，沒有使用價值；若它百分之百正確，人類覆核只會成為瓶頸。真正會到來的狀態，很可能介於兩者之間：它足以省下時間，也仍會在重要細節上出錯。

因此，「保留人類」不是在流程裡放一個簽名欄而已。人需要知道何時該信任、何時該抽查、何時必須推翻系統，並有足夠的時間與資訊做出那個判斷。對高風險決策而言，這比模型看起來多會說話更重要。

工具提出產生草稿、提示或候選答案，但不把它當結論。

人來核對以來源、情境與專業責任檢驗是否合理。

留下可追溯性能回看系統做了什麼、人為何接受或修正。

PART 3 ｜ AI 改變的是工作分配，不是責任消失

訪談裡討論了記錄、資訊整理與臨床教育等可能用途。Wachter 的立場不是反對減少重複工作；問題是，若工具逐步承接人最常練習的認知工作，專業人員要如何維持辨識錯誤、理解情境與處理例外的能力？

這也讓採用方式變成核心問題。好的導入不是先問「能替掉多少人」，而是先界定哪些任務可以由系統加速、哪些關鍵判斷必須由受訓的人完成、錯誤出現時誰能攔下來。這些不是模型本身會回答的問題，而是組織設計與治理問題。

可被協助的工作重複整理、草稿與資訊檢索，可先以可驗證的小範圍測試。

不能跳過的工作理解情境、處理例外、向當事人說明取捨與不確定性。

必須先寫清楚的事誰能覆核、如何記錄、如何申訴，以及何時停止使用。

PART 4 ｜對「AI 醫療革命」保留一個更好的問題

Wachter 談的是醫療系統如何擁抱生成式 AI 的可能，而不是已被獨立證實的普遍結果。訪談提到品質、安全、便利、可近性與成本等長期問題，但不同醫院、病人群體、任務與模型的效果不能被一概而論。

所以讀者可以把這場談話當作一個治理框架：先釐清主張的證據、適用範圍與失敗模式；再問受影響的人是否能理解與挑戰決策；最後才討論擴大部署。速度是產品指標，可信任與可問責才是照護系統的條件。

當 AI 常常有用、
卻仍會偶爾出錯時，
人類判斷不能只剩
最後一個勾選框。

這是依 Robert Wachter 訪談整理出的治理觀點，不構成醫療建議；模型效能與實際照護結果應由各情境的獨立證據檢驗。