你的公司不需要被 AI 拯救，它需要先搞清楚自己的問題是什麼

TL;DR

• AI 實驗室把自己包裝成「智慧的持有者」，但他們對你的產業理解可能比你還差，別被「別錯過這班船」的話術帶著走
• Cleveland Clinic 的做法值得所有產業抄：每個 AI 試點都由醫生（領域專家）主導，技術為醫療服務，不是反過來
• 他們用 AI 預測病患出院時間，急診等候時間砍了九十分鐘；用預測模型抓敗血症，死亡率降了百分之四十一
• 但最後百分之十的案例，機器怎麼都抓不到，因為人類生病的方式可以「不照模式走」
• 成功導入 AI 的共通點：先有明確問題、領域專家主導、用研發心態而非確定心態推進、設好預算別喝醉

這集在二〇二六年七月七日播出的 HBR IdeaCast，由 Harvard Business Review 的 Adi Ignatius 跟 Alison Beard 共同主持。HBR IdeaCast 大概是商管領域最老牌的 podcast 之一，每週二更新，專門找各領域的實務專家來聊管理和策略議題。這集的來賓是 Josh Tyrangiel，The Atlantic 的 staff writer，之前待過 TIME、Bloomberg Businessweek，也當過 Vice News Tonight 的製作人，拿過十二座 Emmy 和 Peabody。他最近出了一本書叫《AI for Good》，花了好幾年時間跑進醫院、學校、政府機構，看 AI 在真實場景裡到底是怎麼被用的。他的立場很中間，不是佈道者也不是末日論者，就是一個跑了很多現場的記者在講他看到的東西。

別再「為了 AI 而 AI」

Tyrangiel 開場就講了一個我覺得很精準的觀察：太多公司現在是在 solving for AI，而不是用 AI 來 solving for their problems。

這兩件事聽起來很像，但差很遠。前者是「我們公司需要有 AI 策略」，然後到處塞 AI；後者是「我們有一個具體的問題，AI 剛好可能是解法之一」。他說你看週日美式足球的廣告，全部都在跟掌管預算的高階主管推銷同一個幻覺：買我們的 AI 授權，軟體會自己在企業裡展開，然後你就變高效了。

這當然不對。軟體確實很好，但它需要一把手術刀等級的精準度去理解你要解決什麼問題，而且需要一種非常特定的人才，既懂你的系統又懂這個軟體。

老實說，這個觀察不新，但從一個跑了這麼多現場的記者嘴裡講出來，份量不一樣。

AI 實驗室是「實驗室」嗎？

這集最辣的一段，是 Tyrangiel 直接拆穿 AI 公司的話術結構。

他說這些公司自稱「lab」（實驗室），用科學的語言包裝自己，但上次我看，這些 lab 全部都是營利公司，有巨大的營收壓力和投資人回報期待。他們最擅長的事情是把自己投射成「智慧的持有者」。

然後他舉了一個例子：有個生技 CEO 見完 Sam Altman 之後被告知「你不會想錯過這班船的」。那個 CEO 出來之後的反應是：什麼船？

Tyrangiel 的回答很直接：那是他們的船。他們借了一大筆貸款買的船。他們需要你上船，因為他們要還錢。

這段我笑出來了。之前在Anthropic CFO Krishna Rao 那篇有聊過 AI 公司的經濟結構，Tyrangiel 講的是同一件事的另一面：這些公司的商業模式建立在說服你「AI 對你的企業不可或缺」之上。他們對模型訓練和微調非常在行，但對你的產業、你的客戶、你的人事系統，他們的理解可能還不如你公司一個中階主管。

Cleveland Clinic 的教科書級示範

整集最有料的部分是 Cleveland Clinic 的兩個案例。

Cleveland Clinic 的 CEO 是 Dr. Tomislav Mihaljevic，一位心臟外科醫生。Tyrangiel 去採訪的時候，Mihaljevic 一開場就擋住他：「我們的同行都在找魔豆，想把自己變成醫療界的 Microsoft。我們不會是醫療界的 Microsoft。我們只有兩個優先順序：給病患最好的照護和最好的結果，然後創造效率來把更多錢投回照護和結果。」

這個框架很重要。他不是在問「AI 能幫我們做什麼」，他是在問「我們的問題是什麼，AI 是不是解法之一」。而且每一個 AI 試點的負責人都是醫生或臨床人員，技術為醫療服務，不是反過來。

案例一：把醫院當電玩來玩

醫院的營運利潤率大概百分之二點二。大部分產業的人聽到這個數字大概會直接跳樓，但在醫療界這已經算英勇了。問題在於醫院本質上就是飯店，有員工、房間、床位、食物，但不同的是，醫院通常不知道客人什麼時候來、什麼時候走。你在混沌中經營一個系統。

他們找了 Palantir 進來，用病患的健康數據和醫生的語音紀錄，建了一個預測模型，能告訴團隊病患大概還有多久會出院或轉院。聽起來簡單，但對一個做心臟手術的病患來說，知道他二十四小時後可以轉出去，意味著你可以提前安排下一個病患進來。

結果：轉院率大幅提升，急診等候時間砍了九十分鐘。用的不是什麼天價方案，而是先想清楚問題，再找技術夥伴針對問題來解。

案例二：用 AI 抓敗血症（sepsis），死亡率降百分之四十一

敗血症每年在美國殺掉大約三十五萬人，比攝護腺癌、乳癌、鴉片類藥物成癮加起來還多。早期發現用抗生素就能治，晚了就是死。

Cleveland Clinic 在二〇二一年看了自己的數據，發現一年光敗血症就死了三四千人，覺得不能接受。他們找了一家叫 Bayesian Health 的公司，做預測軟體，用紅黃綠三個燈號來標記敗血症風險。

第一版沒人用。原因很現實：在加護病房裡每台機器都在嗶嗶叫，醫生護士已經被警報轟炸到麻木了。你給他們一個紅燈黃燈綠燈，沒有任何解釋，在攸關生死的場景裡，沒有人會因為一台機器的燈號就採取行動。

後來他們加入了可解釋性，讓醫生能看到為什麼系統這樣判斷，結果就開始改善了。一年下來，死亡率降了百分之四十一，大概一千條人命。

但最後百分之十的案例，AI 就是抓不到。因為有些時候，護士或醫生光靠聞病患身上的味道、看皮膚的顏色，就能判斷出敗血症，而數據上完全看不出來。人類雖然是模式辨識機器，但我們生病的方式有時候就是不照模式走，機器可能永遠都學不會這個。

我覺得這個「最後百分之十」的故事比前面的成功數字更重要。它提醒你，AI 是工具，不是神。

給所有非醫療、非科技公司的人

Tyrangiel 最後給了幾個我覺得蠻實用的建議：

第一，別再把 AI 當成一個東西來講。 它其實是一堆不同科學技術的集合體。你跟團隊說「我們要準備好迎接 AI」，他們想的是「我在家已經在用 Claude 了，你到底要我幹嘛？」你需要更具體地說明你要解決什麼問題、用什麼技術。

第二，透明溝通，包括承認你不知道的部分。 員工問「AI 會不會取代我的工作」，答案必須是「可能會，我們不知道，但我們需要你參與這個過程」。不要假裝一切都在掌控之中。

第三，用研發心態而不是確定心態。 從來沒有過一次完美的 AI 部署，從來沒有。不管那些 AI 公司怎麼說。你要用 R&D 的精神去做，設定時間範圍，找人參與試點，邊做邊學。

第四，設預算，別喝醉。 他說過去一年像是在賭場裡的瘋狂，尤其是顧問公司，大家都在瘋狂丟東西給 Claude 看看會怎樣，然後帳單爆了。你不會對其他任何工具做這種事，為什麼對 AI 就可以？

第五，看你公司哪裡有「code」。 他說的 code 不只是程式碼，法律也是一種 code（一堆 if-then 的邏輯），數學也是。AI 天生擅長在 code 之間做翻譯。找到你公司裡有這種結構的地方，那就是 AI 最可能有用的切入點。

這些建議聽起來無聊嗎？確實。但 Tyrangiel 自己也說了，這是「dull, unglamorous advice」。問題是，無聊的建議通常才是對的。

之前在Glean 那篇報告聊過一個數字：八成七的人在用 AI、一週省十三小時，但只有百分之十三的公司因此明顯變好。原因就是大部分公司把 AI 當魔法而不是工具在用。Tyrangiel 這集講的是同一個問題的解法面。

如果你是在企業裡負責推動 AI 的人，這集值得聽完。如果你是被推動的那個人，也值得聽，至少知道合理的期待應該長什麼樣。

想看更多這類產業觀察的整理，歡迎訂閱 wilsonhuang.xyz，有新文章會第一時間通知。