媽媽把手機轉過來：「醫師，我問過 ChatGPT 了，它說是氣喘。你幫我看一下是不是？」
我：「⋯它有聽到咳嗽的聲音嗎？」
媽媽：「沒有，可是它講得很有道理。」
這種對話，2026 年下半年開始越來越常出現在我的診間。老實說，我不排斥。我是兒童胸腔專科醫師，專門看過敏性氣喘，也是一個沒有 IT 部門、沒有行銷團隊、自己動手把 AI 疊進診所的黑眼圈奶爸。家長帶著 AI 的答案走進來，我反而覺得，這是 2027 年最好的起點。
先講結論：我的觀察與經驗告訴我，2027 年醫療 AI 的分水嶺不在技術，在做法。AI 已經夠聰明了，卡住的從來不是模型，是醫師願不願意把只在腦袋裡的流程，一條一條寫下來。而 AI 會把醫療分成兩種：可以被取代的「一次性看診」，和不能被取代的「長期關係」。
一、我看見的 2027：AI 會放大「可取代性」的差距
醫學中心的病人「認廟」，診所的病人「認人」。這是我開業之後才真正懂的一件事。
2027 年，AI 會把這件事推到極端。看感冒、看咳嗽這種一次性的看診，患者會先問 AI，能自己處理的，就不來了。[1]可取代性高的科別，會第一個感受到。但反過來，需要長期關係的照護，AI 反而會變成加深關係的工具：追蹤、提醒、個人化，這些以前靠人撐、人一忙就斷的事，AI 可以接住。[3]
我常常提醒自己一件事：家長雇用我的，不是「看咳嗽」，是「不要讓我半夜聽到孩子咻咻聲時，心臟漏一拍」。AI 可以回答咳嗽，但它給不了那份安心。至少 2027 年還給不了。
二、我期待的：AI 把醫師還給「人」的那一部分
老實說，我不期待 AI 幫我診斷。我期待的是它把醫師從打字、找資料、重複解釋的時間裡撈出來，讓我們回去做只有人做得到的事：看著患者的眼睛講話。[4]
我也期待一件比較不浪漫的事：醫療 AI 要有誠實的紅線。我在診間不會說「斷根」、「保證有效」，因為那不是真的。AI 也不該說。[5]2027 年如果 AI 講話比醫師還大膽，那不是進步，是災難。
三、哪些工具會真的有幫助？我只看三類
2027 年會有非常多閃亮的東西，看到就追著跑，最後只是在浪裡插花。我自己只看三類：
1. 幫醫師把流程寫下來的工具。 語音記錄、自動整理、能照著 SOP 執行的 AI 助理。[4]它們的價值不在多聰明，在於逼你把腦袋裡的東西攤開來。攤開來之後，人會走，系統不會。
2. 在診間外陪著患者的工具。 追蹤、提醒、把患者的紀錄變成醫師看得懂的曲線。診間那五分鐘，AI 幫不上太多忙。回家後的三百六十四天，才是它的主場。[3]
3. 資料留在診所裡的 AI。 我的原則只有一條：AI 進來，病人資料不出去。這條紅線不是限制，它是我敢把工作交給 AI 的原因。
怎麼開始？打個比方，就像老房子加蓋。不要拆掉正在跑的系統，不要一步到位，先在上面疊一層。第一件交給 AI 的事，用四個濾網挑：高頻、低判斷、低風險、可驗證。做得好，再疊下一層。做壞了，拆掉那一層就好，房子不會垮。
四、健康產業鏈，我盯著的三件事
帶路雞從社群變成 AI。 以前患者是看了文章、影片，才「彷彿認識」一位醫師。2027 年，越來越多人會先問 AI：「這種情況該找誰？」內容能不能被 AI 讀懂、被 AI 引用，會變成醫師和診所的新門面。信任，會提前在線上預存。
醫療會從「一次性看診」往「長期關係」走。 慢性病、過敏、生長發育、代謝，這些一年只看幾次卻要顧一整年的事，會長出新的服務型態：不是一次一次的看診，而是一段一段的照護。這一塊，會是產業鏈上變動最大的地方。
AI 這波浪，會把兩種診所分開。 靠人撐的診所，人一走就崩，AI 進來只是多一個沒人會用的視窗。靠系統撐的診所，AI 疊上去就直接放大。差距不會在 2027 年拉開，但會在 2027 年決定。
五、民眾怎麼用 AI 顧健康？三個可以、兩個不要
可以請它整理。 症狀從什麼時候開始、吃了什麼藥、哪天最嚴重，講給 AI 聽，請它整理成一張表，回診時給醫師看。這比「他最近好像常咳」有用一百倍。
可以請它列問題。 不要只信 AI，也不要只信醫師。把 AI 的回答帶進診間，我們一起看。我會問您：「AI 講的哪一段最讓你擔心？」那一段，通常就是真正的問題。
可以請它翻譯。 檢驗報告、藥袋、衛教單，看不懂就問它，再把不懂的帶來問醫師。[6]
不要讓它替您做決定。 要不要停藥、要不要減量、要不要開刀，AI 可以幫您整理選項，但決定要跟醫師一起做。因為出事的時候，AI 不會負責，醫師會。
不要在緊急的時候問它。 呼吸急促、意識不清、嘴唇發紫，直接就醫或打 119。房子燒起來的時候，不是看建築圖的時候。
最後一句
2027 年，AI 不會取代醫師。但把 AI 疊上去的醫師，會取代還在等完美系統的醫師。你不用打掉重練，你只需要，疊上去。
關於這個系列
這系列文章，起源於白袍人生學院創辦人張益豪醫師號召發起，以「集結多科別、多領域的多元視角」一起看待醫療與 AI 這個重要議題。想看更多不同科別醫師的觀點，請看這篇文章：我所看見的 2027 醫療 AI 藍圖。
常見問題
AI 說我的孩子是氣喘，可信嗎？
不一定。AI 沒有聽診、沒有看到孩子跑跳後的樣子。把它當成「要來確認的問題」，不要當成答案。[5]
我可以把病歷貼給 AI 嗎？
盡量不要把可以辨識身分的完整病歷貼進一般的 AI。要問，就去掉姓名、身分證字號和出生日期，只留症狀和數字。
診所現在就有用 AI 了嗎？
有，但都在診間外。整理衛教資料、追蹤數據、查文獻。看診那五分鐘，還是醫師本人。
非業配，純分享。
想看研究來源？（共 6 筆，全部經 PubMed／Crossref 查驗，點此展開）
參考文獻 References
本文引用之研究均經 PubMed 與 Crossref 查驗，最後更新：2026-09-06
Matthes J, Reinhardt A, Hodzic S, et al. Predicting the Intention to Use Generative Artificial Intelligence for Health Information: Comparative Survey Study. J Med Internet Res. 2026;28:e75648. PMID: 41604597 | DOI ✅已驗證
佐證論點：2024 年 9 月對奧地利、丹麥、法國、塞爾維亞 1,990 位 16–74 歲民眾的代表性調查，39.5% 曾用生成式 AI 查健康資訊，但它在所有健康資訊來源中排最後，醫師與搜尋引擎仍是最常用來源。對應「患者會先問 AI」：這是正在上升、但尚未成為主流的行為。限制：歐洲四國樣本，非台灣資料。
Ayo-Ajibola O, Julien C, Lin ME, Riddell J, Duan N, Kravitz RL. Association of Primary Care Access with Health-Related ChatGPT Use: A National Cross-Sectional Survey. J Gen Intern Med. 2025;41(2):338-345. PMID: 39930155 | DOI ✅已驗證
佐證論點：美國 2,406 位成人的全國問卷，有固定基層照護來源的人使用 ChatGPT 查健康資訊的機率顯著較低（OR 0.56，95% CI 0.44–0.71），作者結論「個人化的基層照護關係可能減弱使用 AI 查健康資訊的需求」。對應「AI 會取代一次性看診、放大長期關係」。限制：受訪者為臨床研究媒合平台成員、回覆率 11.2%，2023 年資料。
Chan A, De Simoni A, Wileman V, et al. Digital interventions to improve adherence to maintenance medication in asthma. Cochrane Database Syst Rev. 2022;6(6):CD013030. PMID: 35691614 | DOI ✅已驗證
佐證論點：Cochrane 系統性回顧納入 40 個隨機試驗、15,207 位成人與兒童氣喘患者，數位介入（電子監測器、簡訊提醒等）可能使保養藥物遵從性提升 14.66 個百分點（低確定性）、可能改善氣喘控制（中等確定性）、可能減少急性發作（RR 0.53，低確定性）。對應「診間外的追蹤、提醒」。限制：證據確定性偏低、多數研究無法盲化，研究對象為氣喘，不能直接外推到所有慢性病。
Lukac PJ, Turner W, Vangala S, et al. Ambient AI Scribes in Clinical Practice: A Randomized Trial. NEJM AI. 2025;2(12). PMID: 41497288 | DOI ✅已驗證
佐證論點：238 位門診醫師、14 個專科的三臂隨機試驗，語音病歷助理 Nabla 使病歷書寫時間比對照組少 9.5%（95% CI −17.2% 至 −1.8%），DAX 則無顯著差異。兩者在倦怠與工作負荷的次要指標上有改善跡象，但醫師「偶爾」觀察到具臨床意義的錯誤。對應「把醫師從打字裡撈出來」，同時支持省下的時間有限、仍需人工核對。限制：單一機構、使用率約三成、次要終點需更大型試驗確認。
Barile J, Margolis A, Cason G, et al. Diagnostic Accuracy of a Large Language Model in Pediatric Case Studies. JAMA Pediatr. 2024;178(3):313-315. PMID: 38165685 | DOI ✅已驗證
佐證論點：以 100 個 JAMA Pediatrics 與 NEJM 兒科病例挑戰測試 ChatGPT 3.5，診斷錯誤率 83%（72% 完全錯誤、11% 相關但過於籠統），僅 36% 的正確診斷出現在它列出的鑑別診斷清單裡。對應 FAQ「AI 說我的孩子是氣喘，可信嗎」與「AI 講話不該比醫師大膽」。限制：2023 年 7 月的 GPT-3.5，新模型表現可能不同。病例為文字描述、無理學檢查。
Emile SH, Horesh N, Garoufalia Z, Gefen R, Boutros M, Wexner SD. Assessment of the Utility of Artificial Intelligence-Based Chatbots in Patient Education: A Systematic Review and Meta-Analysis. Am Surg. 2025;92(1):258-269. PMID: 40790847 | DOI ✅已驗證
佐證論點：21 篇研究的統合分析，聊天機器人回答病人衛教問題的適當率合併為 89.1%（95% CI 84.9–93.3%），與臨床指引一致性 78.6–95%，衛教品質優於 Google 搜尋。對應「可以請它整理、列問題、翻譯報告」。限制：回答的閱讀難度為大學程度，對一般民眾偏難。研究多為外科領域、2023 年資料，且「適當」不等於可據以做治療決定。