
Table of Contents
Toggle前言
「我們有一位同仁很會用 AI,現在貼文全靠這位同仁。」
「上個月工具改版,原本的做法突然不能用了。」
「AI 做了很多東西,但我不知道哪些真的有用。」
三句話是三種停滯:個人依賴、工具綁定,以及沒有回饋。
多數 AI 導入,停在試點
AI 導入最常見的停滯點,不是試點失敗,而是試點成功之後擴不出去。這不是技術問題,而是組織問題。
從試點到規模化,是多數組織還沒跨過的一步
用 AI 的組織很多,把 AI 擴展到整個組織的很少。麥肯錫 2025 年 11 月發表的《AI 現況》調查,共有 1,993 位受訪者。
調查中,88% 的受訪者表示組織已在至少一項業務中使用 AI;但將近三分之二表示,組織還沒有開始在整個企業擴大使用。
換句話說,「有在用」已經是常態,「用成系統」才是分水嶺。診所也一樣:有人會用不難,難的是讓它變成診所的運作方式。
「某個同仁很會用」,是新的個人依賴
「某個同仁很會用」聽起來是好消息,在管理上卻是一種關鍵人員風險。
關鍵人員風險,指的是某項能力只存在一個人身上,這個人一離開,能力就跟著消失。診所過去熟悉的版本,是「只有那位資深櫃檯知道怎麼排複雜的療程」。
AI 讓這個風險換了形式。指令存在那位同仁的對話紀錄裡,範本存在那位同仁的電腦裡,哪些情況要停下來,只有那位同仁知道。表面上是導入了 AI,實際上只是把依賴從一個人換到另一個人。
工具會折舊,流程不會
綁在工具上的投資會折舊,綁在流程上的投資不會。AI 工具幾乎每個月都在改版,介面、功能與可用的模型都會變。
如果診所的作法是「在某個工具裡點哪幾個按鈕」,每次改版都要重學一次。如果作法是「任務怎麼定義、輸入有哪些、什麼情況要停、怎麼驗收」,換一套工具只需要重新測試。
所以系統化的第一個原則,是把做法寫成與工具無關的規則與檔案。
AI 自動化總架構:四個區塊與一層執行管理
一套可持續的 AI 系統,由最上層的人、三個運作區塊,以及最底層的執行管理組成。經營者可以用這張圖,盤點自己缺了哪一塊。

圖 1 診所 AI 自動化總架構(圖中以工作坊使用的工具為例,換成其他主流工具結構相同)
| 區塊 | 裡面有什麼 | 缺了會怎樣 |
|---|---|---|
| 人(決策者) | 定目的、判準與授權;核品質、接例外、決定下一輪 | 系統沒有方向,AI 的產出沒有人負責 |
| 定與餵:脈絡與方法 | 臨床素材、核定的需求說明、文風、CO-STAR 與 SOP | AI 每次都從零開始 |
| AI 穩定執行 | 依任務選用工具,產出附來源、版本、缺件與狀態的成果 | 產出無法追溯,不知道改過什麼 |
| 擴展與迭代 | 外部連接、人工驗收與結果回看 | 做了很多,卻不知道有沒有用 |
| 執行管理 | 工作目錄、權限、人工停點、紀錄與版本、錯誤處理、回讀 | 出錯時找不到原因,也無法回復 |
最常被忽略的,是最底層的執行管理
執行管理之於 AI 系統,就像病歷與感控之於診所。醫術再好的診所,也不會因此省略病歷與感控;AI 再聰明,也不能省略執行管理。它包含六件事:
- 工作目錄:AI 只在指定的資料夾裡讀寫,不碰其他檔案。
- 權限:哪些動作可以自動做,哪些要人放行。
- 人工停點:缺資料、要選稿或涉及醫療主張時停下來。
- 紀錄與版本:每一次產出與修改都留下版本,可以比對、可以退回。
- 錯誤處理:出錯時停下並回報,不自行猜測後繼續。
- 回讀:寫入之後重新讀回,確認實際改了什麼。
六件事少了任何一件,系統出錯時都會變成「不知道哪裡錯、也回不去」。
外部連接:讓 AI 接上資料,也帶來權限問題
外部連接讓 AI 能直接讀取診所的資料,價值與風險會同時放大。
目前業界常用的作法是 MCP(Model Context Protocol)。
這是 Anthropic 在 2024 年 11 月發表的開放標準,用來讓 AI 工具與資料來源建立安全的雙向連接。
2025 年 12 月,MCP 被捐給 Linux 基金會旗下新成立的 Agentic AI Foundation,由多家 AI 公司共同參與維護。
對診所來說,連接開得越多,越要分清楚「讀」與「寫」。
例如讓 AI 讀取 Search Console 的搜尋數據來找缺口,風險很低;讓 AI 直接改官網上的文章,就必須有人放行,而且要能退回。
人始終在系統的最上層
系統再自動,最上層仍然是人。人負責兩頭:一開始定目的、判準與授權;最後核品質、接例外、決定下一輪要繼續、調整還是停止。
這個角色不一定是醫師,但一定要有一個名字。誰來承擔這個角色,是下一篇談五種責任時的重點。
什麼值得封裝成 SOP,什麼不值得
值得封裝的,是已經跑穩、會重複發生、規則不常變的工作;還在摸索的流程,封裝只會把錯誤固化。
Prompt 是臨時醫囑,Skill 是科內 SOP
封裝的意思,是把一次有效的指令,升級成團隊可以重複呼叫的標準作業。兩者的差別,就像臨時醫囑與科內 SOP:
| Prompt(指令) | Skill(封裝後的 SOP) | |
|---|---|---|
| 用途 | 這一次要做什麼 | 這一類工作固定怎麼做 |
| 內容 | 依本次素材填入任務條件 | 附文風、來源規則、範例、範本與檢查表 |
| 誰能用 | 寫的人自己 | 團隊任何人都能呼叫 |
| 更新 | 每次重寫 | 版本更新後重新測試 |
這也是國際上的發展方向。Anthropic 在 2025 年 10 月推出 Agent Skills,官方定義是「包含指令、腳本與資源的資料夾」,AI 只在任務需要時才載入。
同年 12 月,這個格式公開為開放標準。換句話說,「把做法寫成可重複呼叫的檔案」,已經從個別公司的習慣,變成跨工具的共通作法。
一份 SOP 裡面有什麼
一份好的 SOP,就是把上一篇的四項長期輸入,加上一份主規則,裝進同一個資料夾:
| 檔案 | 內容 | 對應的輸入 |
|---|---|---|
| 主規則 | 什麼時候用、怎麼跑、什麼時候停 | 任務定義與停止條件 |
| 文風檔 | 醫師已確認的語氣與用詞 | T 語氣 |
| 範例 | 有使用權的高品質成品 | 學格式與語氣,不複製事實 |
| 範本 | 貼文、長文、腳本等格式 | S 骨架 |
| 合規檢查表 | 查核依據與待核項的處理方式 | R 驗收 |
AI 使用時依序讀規則、參照文風、看範例、套範本,最後對照檢查表列出問題交給人核對。
封裝之前,要先跑過三種情況
一個流程只跑過順利的情況,還不能封裝。以衛教貼文為例,至少要跑過三種情況:
- 一般情況:資料齊全,AI 照骨架完成,主張都有來源。
- 缺件情況:文獻不支持某個療效描述,AI 要能停下來標示待核,而不是自己補寫。
- 例外情況:內容碰到本院療程或病人個案,AI 要能停下來轉交給人。
三種情況都跑對了,才代表規則寫完整了。只跑過第一種就封裝,等於把「運氣好」寫成標準。
不是每件工作都值得封裝。以下三種,維持人工處理反而比較划算:
- 很少發生的工作:一年做一兩次,封裝與維護的成本高過節省的時間。
- 規則還在變的工作:新服務剛上線、新法規剛施行,規則還沒穩定。
- 高度依賴個案判斷的工作:醫療爭議回覆、公關危機處理,每一次的判斷都不同。
封裝之後,還要驗四件事
檔案存在,不代表 AI 真的照著做。封裝之後還要分別確認四件事:
- 規則有被載入:請 AI 列出它讀到的規則與素材。
- 初檢有被執行:主張、來源、缺件與待確認項都有列出。
- 新任務能沿用設定:文風與範例不必重新提供。
- 同仁用的是同一版:規則更新後,每個人的工具都重新載入並測試。
存是維持標準,優是改善標準
存與優是兩種不同的管理循環:存是維持標準,優是改善標準。少了任何一個,系統不是失控就是僵化。
SDCA 與 PDCA:先有標準,才有改善
精實管理把這兩種循環分得很清楚。日本改善管理專家今井正明在 1997 年的《Gemba Kaizen》中,把現場的工作分成「維持」與「改善」,各自對應一種循環:
- SDCA(標準化、執行、檢查、處置):讓已經做對的事,每次都做對。
- PDCA(計畫、執行、檢查、處置):根據結果,把標準往上調。
精實管理常說「沒有標準,就沒有改善」。對應到 AI 內容系統,「存」就是 SDCA,把跑順的作法鎖成 SOP;「優」就是 PDCA,用數據回頭修正 SOP。
多數診所的問題,是兩個循環只做了一個。只做 SDCA,規則會慢慢過時;只做 PDCA,每次都在改,卻沒有一個穩定的版本可以比較。
從數據到待審提案:四個步驟
「優」不是 AI 看到數據就自己改,而是一條有人把關的流程:
- 核資料時點:先確認數據的來源、期間與更新時間。
- 批次產生提案:AI 對照數據列出缺口與建議,有缺件就保留待處理。
- 人審與核准:先審內容,再決定要不要套用、套用到哪裡。
- 回讀結果:套用之後重新讀回,確認實際改了什麼。
每一步都要分清楚狀態:資料已讀、提案已產、人工已核、套用已驗。少分一步,就會把「AI 說做好了」當成「已經完成」。
三種常見的數據訊號,各自代表不同的處理方式
同樣是搜尋數據,不同訊號要配不同處理,不能一律「改寫內容」:
- 有曝光、沒點擊:通常是標題與摘要沒有回應讀者的問題,先調整這兩處,不必動內文。
- 被 AI 摘要提及,但描述有誤:要回頭修正被引用的來源段落,讓正確資訊更容易被擷取。
- 排名與點擊都穩定:表現好的文章先不要動,改動反而可能打亂既有的成效。
回讀只證明改了什麼,不證明有效
回讀成功,只代表改動確實寫進去了,不代表改動有效。這是最常見的誤判。
例如一篇文章改版後,下個月點擊上升了。這可能是改版的效果,也可能只是季節性需求上升,或是全站同期都在上升。
所以成效要另期回看,而且要和同期、條件相近的其他文章比較。沒有比較基準的漲跌,說明不了任何事。
四層驗收:完成、可用、支持目標、可維護
評估一套 AI 流程值不值得繼續,要分四層看:完成、可用、支持目標、可維護。多數診所只看第一層。
| 層次 | 要問的問題 | 什麼時候驗 | 以衛教貼文為例 |
|---|---|---|---|
| 完成 | 檔案有沒有產出,位置、格式與數量對不對 | 當下 | 貼文交檔了 |
| 可用 | 來源、條件與讀者問題是否成立 | 當下 | 回答了讀者的疑問,主張都能核對 |
| 支持目標 | 是否帶來理解與適合的下一步 | 數週後 | 有沒有帶來合適的詢問 |
| 可維護 | 修正、審閱與維護的成本是否划算 | 數月後 | 每月要花多少人力維持這個流程 |
從產出到成果
四層驗收的前兩層看的是「產出」,後兩層看的才是「成果」。這是管理上很基本、卻最常被混淆的區分。
AI 讓產出變得非常便宜,所以只看產出,任何流程看起來都很成功。真正要回答的是:這些產出有沒有支持診所的目標,以及維持它要付出多少代價。
維護成本,必須算進導入決策
一個流程值不值得,要扣掉維護成本之後再算。用一個簡單的試算來看:
- 假設某個流程每月省下 10 小時,一季就是 30 小時。
- 假設工具一季改版兩次,每次重新測試要 4 小時,一季 8 小時。
- 假設醫師每月要花 2 小時審閱規則更新,一季 6 小時。
扣掉維護的 14 小時,一季淨省 16 小時,仍然值得。但如果改版更頻繁、或審閱時間更長,淨效益可能接近零。這筆帳,導入前就該算。
停止條件,要在開始之前寫好
什麼情況下要停止一個流程,應該在導入前就寫下來,而不是等到疲於維護時才討論。常見的停止條件包括:
- 連續幾輪回看,都沒有支持目標的訊號。
- 維護成本持續高於節省的時間。
- 規則變動太快,SOP 每次用之前都要先改。
系統化之後,經營者要做的四個決定
系統能不能長期運作,取決於四個管理決定。這些決定不做,再好的 SOP 也會在半年後失效。
決定一:投資綁在流程,不綁在工具
選工具之前,先確認做法能不能帶走。規則、文風、範本與檢查表,應該是一般文字檔,存在診所自己的空間裡。
評估任何工具或合作夥伴時,可以問一句:「如果明天不用這套工具,我們的做法還在嗎?」答案是否定的,就是綁在工具上了。
決定二:每一份 SOP,都要有一位維護人
沒有維護人的 SOP,半年後就會過時。每一份 SOP 至少要寫清楚三件事:
- 維護人是誰。
- 什麼情況要更新:服務項目、醫師觀點或法規改變時。
- 最後一次測試的日期與結果。
決定三:外部連接開到什麼權限
外部連接的權限,應該從最小開始,逐步放寬。建議的順序是:
- 先開「讀」:讓 AI 讀取數據、找出缺口、產生提案。
- 再開「寫到草稿」:AI 可以寫,但只寫到待審區,不直接上線。
- 最後才開「發布」:仍然要有人放行,而且要能退回。
這和上一篇談的 L1 必審是同一個原則:對外發布,責任在人。
決定四:由誰決定繼續、調整或停止
每一輪回看之後,都要有一個人做出明確的決定。決定的選項只有三種:繼續、調整或停止。
沒有人做這個決定,流程就會一直跑下去,即使它早就不再支持目標。這個決定者是誰,最好在導入時就寫下來。
醫師的角色,從改稿變成定方向
系統化之後,醫師不再逐篇改稿,而是在每一輪回看時做方向性的判斷。醫師的時間,從「每篇都要看」移到「每輪看一次」。
醫師要做的三種決定
Dr. Yu-Ping Chiu指出,醫師在回看時要做的,是三種決定之一:
- 繼續:審稿時間持續下降,被退回的主張越來越少。
- 調整:同一類主張反覆被退回,代表文風檔或驗收規則要改;讀者詢問不符合服務範圍,代表讀者輪廓或選題要改。
- 停止:連續幾輪沒有支持目標的訊號,而且維護成本高於節省的時間。
醫師需要看的指標只有幾項
醫師不需要看完整的數據報表,只需要看幾個和判斷直接相關的指標:
- 每篇的審稿時間。
- 最常被退回的主張類型。
- 讀者詢問的內容,是否落在診所的服務範圍。
- 合規疑慮的件數。
這四個指標,正好對應醫師在系統裡的責任:專業判斷、合規把關與方向決定。
實例:舊文批次優化的迭代閉環
這個例子要看的不是改了多少篇,而是每一步的責任分得多清楚。我們在達特艾立自營的健康內容平台上,用這套架構處理舊文優化。
先篩選,而不是列清單
Dr. Yu-Ping Chiu指出,系統每個月由數據篩出少數幾篇,而不是列出幾百篇待辦讓人挑。篩選依據三條規則:
- 表現好的文章不碰:排名在前段、點擊不低於同區間水準的,不列入名單。
- 排名靠前但點擊偏低的:只調整標題與摘要,不動內文。
- 排名在中後段的:才考慮結構性的改版。
另外也看季節動能:搜尋需求正在上升的題目,優先處理。
提案、核准、套用、回讀
每一篇從篩選到回看,都要經過五個步驟,而且每一步 AI 與人的分工都是固定的:
| 步驟 | AI 做什麼 | 人做什麼 |
|---|---|---|
| 篩選 | 依規則從數據中篩出候選 | 訂定篩選規則,確認本月名單 |
| 提案 | 列出讀者疑問、文章缺口、建議與依據 | 醫師核對內容,總編輯核定修改範圍 |
| 套用 | 寫回前先比對線上版本有沒有被改過,對不上就退回重出提案 | 授權寫回 |
| 回讀 | 重新讀回線上內容,比對實際改動 | 確認改動正確 |
| 回看 | 整理同期、同條件的比較 | 決定繼續、調整或停止 |
寫回時,文章網址一律不動,保留既有流量;每一次寫入都保留可以退回的版本。
這個例子說明了什麼
這個例子說明,系統化的價值不在速度,而在可追溯與可交接:
- 規則寫下來了:換一位同仁,也能依同樣的規則篩選與提案。
- 每一步可追溯:哪一篇在什麼時候、依據什麼被改了,都查得到。
- 出錯可以回復:寫入前比對版本,寫入後保留修訂紀錄。
看成效時,也不只看單篇漲跌,而是和同期、同排名區間的其他文章比較,排除全站趨勢與季節的影響。
給經營者的檢查清單:是否已從試點進入系統
是否已經從試點進入系統,可以用五個訊號檢驗:
- 換一位同仁照 SOP 做,結果一致。
- 工具改版或更換時,只需要重新測試,不需要重建。
- 每一份 SOP 都有維護人與最後測試日期。
- 每一輪都有回看紀錄,並據此決定繼續、調整或停止。
- 診所知道每個流程每月的維護成本。
Dr. Yu-Ping Chiu建議,五項都做到,系統才算成形。接下來的問題是:這套系統由誰來接?這是下一篇談的五種責任。
三個值得問自己的問題
- 診所現在最會用 AI 的那位同仁,如果下個月離職,哪些做法會跟著消失?
- 如果明天換一套 AI 工具,診所需要重建的是什麼?
- 上一次有人決定「停止」某個 AI 流程,是什麼時候?
AI試點的常見問題
Q: 我們規模小,需要做到 Skill 與 MCP 嗎?
不一定。把一件工作的做法寫成一份文件,附上範本與檢查表,就是 SOP 的雛形。外部連接等到真的需要讀取外部數據時再接即可。
Q: 很會用 AI 的同仁要離職了,現在該做什麼?
先盤點三樣東西:那位同仁常用的指令、範本,以及檔案放在哪裡。把它們寫成一份 SOP,再請另一位同仁照著跑一次,確認換人也做得出來。
Q: 工具一直改版,要不要等穩定再導入?
不必等。把投資放在流程與檔案上,工具改版只影響執行的那一層,重新測試即可。等工具穩定,可能永遠等不到。
Q: 怎麼知道 AI 流程真的有效?
分四層看:完成、可用、支持目標、可維護。前兩層當下就能驗,後兩層要另期回看,並且和同期、條件相近的內容比較,排除季節與全站趨勢的影響。
Q: 可以讓 AI 直接改官網上的文章嗎?
技術上可以,但要有三個前提:寫入前有人放行、寫入前比對版本、寫入後能退回。權限從「讀」開始,再逐步開放。
參考資料:
McKinsey & Company(2025)。The state of AI in 2025: Agents, innovation, and transformation。
Anthropic(2024)。Introducing the Model Context Protocol。
Anthropic(2025)。Introducing Agent Skills。
Linux Foundation(2025)。Linux Foundation Announces the Formation of the Agentic AI Foundation(新聞稿)。
Imai, M.(1997)。Gemba Kaizen: A Commonsense, Low-Cost Approach to Management。McGraw-Hill。
想讓診所的 AI 內容從個人技巧變成組織系統?歡迎與達特艾立聯繫,我們協助你盤點現況,從一份 SOP 開始建立。


