最近看到 Pendral 分享 Evry Health 導入 AI 十個月的實際數據，這比任何「AI 即將改變醫療」的口號都更有說服力。因為它測的不是一次 demo 的準確率，而是受監管的健康保險工作，能不能被一群真實員工持續使用。

十個月後，108 位員工中有 94 位成為每月使用者，比例是 87%。系統完成了 10,472 段對話、13,497 份文件，研究則讀取全體員工 43,763 份回應。這些數字的重點不只是使用量，而是 AI 已經嵌入日常流程，使用者願意把它帶進需要查證、留痕和負責任的工作。

幾個案例尤其值得醫療團隊注意。IBNR reserve model 在系統自我修正後，依據六個月理賠資料做出的結果，和實際 claims 的差距縮小到 0.3%；更重要的是，它抓出前一次建議可能讓準備金少估 165 萬美元。URAC accreditation 的證據可以追到頁碼和段落，27 份 required notice 的稽核在十分鐘內完成，claims QA system 每月約審查 600 件理賠。這不是讓模型替醫師或理賠人員做最後判斷，而是讓人更快定位證據，也更容易發現原本會被忽略的錯誤。

從臨床的角度來看，這裡最值得學的不是某個神奇 prompt，而是導入標準。第一，輸出要能回到原始證據，不能只給一個看似合理的結論。第二，系統要有自我檢查和修正的機會，錯誤不能被漂亮的介面掩蓋。第三，人必須保留責任，知道何時接受、何時追問、何時退回重做。

醫療 AI 的 adoption，不該用「有沒有取代專業人員」來衡量。更實際的問題是：它有沒有讓受訓的人更容易完成高風險流程，而且把判斷依據留下來？這個案例給我的答案是，有可能，但前提是 evidence-based 的工作設計先於模型崇拜。