理賠自動化的終點不是更快結案，而是留下可追責的判斷
看到 Uvik 分享的數位健康保險理賠案例，我最在意的不是 AI 把中位處理時間從 4 天縮到 1 小時內，而是每次判斷能否被重建。從臨床角度看，速度重要，但治理更在意決定根據什麼資料、誰確認，以及出錯後誰能說明。
這個 12 個月導入案主張，人工處理比例由 31% 降到自動處理 78%，每千件工時由 62 降到 17，決策解釋留存由 0% 到 100%。這些是廠商案例的個案結果，不是普遍保證，仍需獨立稽核與長期驗證。可借鏡的是流程：先用客戶理賠語料校準抽取與信心分數，高信心才自動結案，低信心送人工並附脈絡，同時保留抽取值、信心分數與 model version，每個例外都有責任人。
放到醫療場景，我會檢查三件事。信心分數不等於正確率，校準資料若沒涵蓋少數族群、罕見疾病與低品質文件，自動通道就可能系統性漏接。人工覆核也不能只是蓋章，介面要呈現原始證據、抽取結果與模型版本。更重要的是，低信心不一定代表資料錯誤，也可能是訓練資料沒有代表性，因此應定期檢查不同族群的轉人工率與錯誤率。最後，紀錄必須說清楚誰改了什麼、依據哪份資料、模型何時變更，才能支援申訴與調查。
GDPR 和醫療資料環境下，重點不是 LangGraph、pgvector 或 MLflow，而是把可追溯性當成產品需求。成熟的自動化不是把人工比例壓到最低，而是讓高風險案件先被看見，低風險案件更快通過，出錯時也找得到責任。AI 可以協助處理文件，但不能替治理結案。
作者：陳逸 Dr.