從臨床的角度來看，醫療 AI 最危險的時刻，往往不是模型答錯，而是團隊以為自己已經準備好了。

最近讀到一篇針對奈及利亞 761 位跨專業醫療工作者的研究，讓我印象最深的不是 AI awareness 高達 92.6%，而是這個數字和真正的臨床準備度之間有明顯落差。40.9% 的受試者客觀知識與自評準備度偏低，只有 63.0% 覺得自己準備充足。換句話說，多數人聽過 AI，不代表知道什麼時候該相信它、什麼時候該停下來查證，更不代表出了問題時知道誰要負責。

這對醫院導入工具有一個很實際的提醒：導入前評估不能只問「大家想不想用」，還要拆成至少四個能力。第一是判讀能力，醫護人員能不能辨識模型的適用範圍、幻覺與資料偏差。第二是流程能力，AI 的建議要在哪個節點出現，誰覆核，如何留下可追溯紀錄。第三是隱私能力，哪些病歷能送進系統、資料如何去識別化、供應商能不能二次使用。第四是責任能力，AI 提供的是第二意見，最終決策者和升級處理路徑必須清楚。

研究裡有 92.5% 的人願意接受訓練，78.7% 支持把 AI 納入大學課程，但他們同時指出缺乏訓練、基礎設施不足、工具成本，以及被取代的焦慮。這些不是使用者不夠積極，而是組織把一個高風險工具丟進現場，卻沒有一起交付標準流程和安全網。

所以我會把「導入 AI」改寫成「導入一套人機協作流程」。先用低風險、可逆的任務試行，例如病歷摘要或文獻整理，再設定錯誤回報、人工覆核和停用條件，最後才討論擴大規模。病人的回饋是，醫師能不能說清楚工具做了什麼、限制在哪裡，通常比一句「這是 AI 算的」更重要。

這篇研究不能直接代表所有醫療體系，但它把一個常被忽略的問題問得很準：我們是在培養會操作 AI 的人，還是在建立能安全使用 AI 的臨床團隊？