編按：本文綜合整理自 CalMatters 原始調查、California Nurses Association／National Nurses United 公開訴求、AP 對 Kaiser 勞資爭議的報導與 Hacker News 討論，並加入 Siami 編輯部觀點與數據檢視。
美國大型醫療體系 Kaiser Permanente 的電話諮詢護理師指出，工作場所監控正把「通話速度」推到照護品質之前。七名現任或離職護理師向非營利媒體 CalMatters 表示，通話一旦超過約 15 分鐘，就可能被主管追問，甚至進入績效檢討；另一方面，Kaiser 否認以平均處理時間評估員工，強調接觸中心工具有人類覆核，目的在品質保證與病患安全。
這不是單純的「醫護反對 AI」故事。爭點至少包含三種技術：傳統的通話時間與產能指標、預測員工是否缺乏效率的演算法管理，以及曾用來判讀護理師語氣與同理心的 AI 測試。把三者混為一談，會錯過真正需要處理的問題——誰設定指標、誰能推翻系統判斷，以及錯誤成本最後由誰承擔。
15 分鐘之外，是難以量化的醫療現場
電話分流不是一般客服。護理師可能面對有多重慢性病的患者、剛得知癌症診斷的家庭、需要口譯的來電者，或正在自殺危機中的人。CalMatters 記錄一宗案例：護理師為等待警方抵達，陪伴一名有自殺風險的患者超過一小時；即使這是必要處置，她仍清楚知道，長通話會拖累數週的平均數字。
另一名匿名護理師曾接到剛得知末期癌症消息的年長患者。她原先擔心對方有自殺風險，後來判斷患者其實處於震驚、需要有人陪伴；但績效壓力讓她克制自己，不敢多說腳本之外的安慰。這種「預先自我限縮」未必會立刻留下醫療事故紀錄，卻可能改變病患在最脆弱時刻獲得的照護。
護理師描述的壓力包括：
- 超過約 15 分鐘的通話可能遭主管詢問或列入績效會議。
- 繁忙時，兩通電話之間可能只剩 30 秒左右，難以完成紀錄或從危機事件恢復。
- 涉及口譯的電話常需 30 分鐘以上，天然不利於單一速度指標。
- AI 語氣與同理心工具可能誤判文化、口音及情境差異。
- 專業判斷若與軟體建議不同，員工可能面臨較低評分或被要求解釋。
Kaiser 的立場則是，公司不以「平均處理時間」評估客服人員，也不執行通話時限；相關工具具有人工覆核與監督。這項否認很重要，但也留下待釐清處：如果平均通話時間不是正式考核項目，為何多名護理師仍一致感受到長通話帶來的檢討壓力？正式政策、主管實務與員工感受之間可能存在落差。
AI 評同理心：試驗已停，治理問題沒有消失
報導指出，Kaiser 在 2024 年夏季測試一套分析護理師與患者聲音、評估語氣和同理心的 AI 工具。護理師發起連署，要求病患隱私、技術透明、保留專業裁量，並主張部署前應納入前線人員意見。測試在 2024 年 11 月結束，但工會代表表示，管理階層未排除未來重新導入。
因此，精確說法不是「Kaiser 現在持續用 AI 替所有護理師的同理心打分」，而是該公司曾測試這類系統，工會擔心類似工具再次回到工作流程。這個時間差能避免把已停止的試驗誤寫成仍全面運作，也不代表治理爭議已經消失。
同理心評分尤其棘手，原因不只在模型準確率：
- 同一句話在危機處理、跨文化溝通與一般健康諮詢中，可能具有完全不同的意義。
- 「適合被記錄」不等於「適合被拿來考核」，資料用途需要明確界線。
- 模型輸出的分數看似客觀，主管卻可能忽略它只是估計，而非臨床事實。
- 若員工必須花時間證明模型誤判，錯誤成本實際上被轉嫁給被評量者。
影片呈現 2026 年 3 月 Kaiser 心理健康工作者與護理師對 AI 導入的勞資爭議。它不是 7 月調查的逐字影像，但提供事件延續背景：醫療人員要求的核心不是拒絕所有工具，而是確保 AI 不取代臨床判斷、工作保障與病患關係。
數據解讀：目前證據能證明什麼、不能證明什麼
CalMatters 透過七名現任及前任護理師描繪具體工作經驗，這足以證明前線存在一致且值得調查的風險訊號，但不能直接推論所有 Kaiser 電話中心、所有主管或所有病患都遭遇相同情況。報導也指出，2024 年向加州管理式醫療照護部門提出的公共紀錄請求，沒有發現病患因通話時間對 Kaiser 提出的申訴。
「沒有申訴」不能自動等於「沒有傷害」。電話結束後，接線護理師通常無法追蹤患者結果；患者也未必知道通話匆促與內部績效制度有關。反過來說，現有資料同樣不足以證明這些指標已造成可量化的醫療事故。合理結論是：目前有可信的工作流程風險，但仍需要可稽核的結果資料。
一份 2024 年、超過 2,000 名護理師參與的 National Nurses United 調查，提供更廣泛但仍屬自陳式的背景：
- 約一半受訪者表示，雇主用演算法分析健康紀錄。
- 約三分之二表示，自己的臨床評估曾與電腦預測不一致。
- 約六成不相信雇主在使用 AI 時會把病患安全放在第一位。
這些比例不能直接套用到 Kaiser，更不能當成演算法錯誤率。它們衡量的是護理師的接觸經驗與信任，而不是臨床效能。真正有判別力的稽核，應比較長短通話的轉診正確性、急症漏判率、重複來電、病患結果、語言差異，以及護理師推翻建議後究竟是改善還是惡化結果。
為什麼這件事重要
Kaiser 是加州最大私人雇主，在州內服務逾 900 萬人，另服務約 300 萬名其他州居民。大型整合醫療體系採用的管理方式，很容易成為供應商的成功案例，進而被其他醫院與保險體系複製。這使此次爭議不只關乎一間公司的勞資談判，而是醫療 AI 如何從「輔助工具」滑向「管理權力」的早期案例。
最需要區分的是 AI 幫誰工作。若工具替醫師轉錄病歷、即時翻譯、找出高風險患者，並由專業人員決定是否採納，它可能把時間還給病患。若同一套資料被拿來壓縮通話、推測情緒、排名員工，甚至懲罰推翻系統建議的人，它就從臨床輔助變成演算法管理。技術名稱相同，權力方向與風險完全不同。
Siami 編輯部認為，可執行的底線不應是「醫療全面禁用 AI」，而應包括：
- 病患與員工知道何時被錄音、分析，以及資料會被用於何種目的。
- 模型部署前公開適用範圍、已知限制與不同語言、口音群體的誤差。
- AI 建議必須允許臨床人員推翻，而且不得因合理推翻而遭報復。
- 高風險績效決定必須有具名人類負責，不可只引用模型分數。
- 勞方、臨床人員與病患代表應能參與導入、停用和申訴機制。
- 評估成效時同時檢查病患安全與照護品質，不能只看每小時處理量。
加州議會已討論多項相關規則，包括要求雇主揭露自動化系統、限制以 AI 推測員工情緒，以及保障醫護推翻自動建議不受報復。法案是否通過仍有變數，但政策焦點已從「能不能用 AI」轉向「能用 AI 對誰做什麼」。
網路回應：反對監控，不等於否定所有醫療 AI
Hacker News 討論形成兩條清楚路線。一派認為，用機器衡量人類同理心本身就荒謬，尤其醫療逐字稿與摘要可能在語意、藥名或情境上出錯；另一派提醒，原始調查的主要矛盾其實是通話指標與配給照護時間，而 2024 年的同理心測試已停止，不宜用「AI」一詞遮蔽傳統管理問題。
也有臨床經驗指出，選擇性使用轉錄與摘要可以讓醫師少盯著鍵盤、多看著病患。這些看似衝突的意見，實際上指向同一原則：
AI 若減少文書負擔、保留專業裁量，是工具；若把複雜照護壓成單一分數並成為懲罰依據，就是監控。
因此，這場爭議最值得追蹤的不是下一套模型叫什麼，而是 Kaiser 與工會在新合約中，能否把通知權、資料用途、人工覆核、推翻權及病患安全稽核寫成可執行條款。只有當責任可以被指認、結果可以被查核，醫療 AI 的效率承諾才不會由護理師與患者默默承擔代價。
網友熱門留言 (4)