人工智能系统应减少认知负担，澄清模糊性，并作为智能协作者与团队并肩作战，而非作为“黑箱”颠覆者。
斯坦福大学的一项新研究揭示了一个令人不安的现实：如果AI系统解决的是错误的问题，并疏远了本应支持的劳动力群体，那会怎样？尽管AI试点项目在行政和临床功能中迅速推进，但大多数仍建立在一个错误的假设上：将任务自动化等同于进步。然而，对于从事这些工作的人员——临床医生、护理协调员、账单专家——这并不是他们所期望的。
该报告《人工智能代理的未来工作》提供了迄今为止最详细的劳动力与AI互动分析。调查了104个职业的1500多名美国工人，并结合52名AI专家的评估，绘制了真实的人工智能自动化与增强版图。
对医疗保健行业而言，这些发现来得正是时候。医疗行业正面临疲惫的劳动力、不断上升的行政浪费以及对数字化工具的广泛不满。大多数医生报告称，文档负担是导致职业倦怠的主要原因，研究表明美国医生在文档任务上花费了过多时间。自大流行以来，护士流失率也一直是一个令人担忧的问题。
与此同时，人工智能的采用正在激增，大多数医疗系统正在进行或计划AI整合。然而，仍缺乏一致的框架来将这些技术与现实中的临床和运营动态对齐。结果是：投资错位、信任破裂以及来自本应帮助人群的抵制。
斯坦福大学的研究证实了这一点：医疗工作者希望自动化的大多数任务（如文档、索赔重做或预先授权表单生成）并非当前AI工具的重点。事实上，如今实际使用的语言模型（LLM）中，这些高需求任务的覆盖率不到2%。相反，注意力和风险投资往往集中在自动化人际沟通、申诉或分诊上。在这些领域，信任、细微差别和同理心至关重要。
这不仅仅是一个技术性疏忽，更是一个战略误判。
这项研究明确指出，医疗保健领域人工智能的未来不在于取代人类判断，而在于保护它。领导者必须从“不惜一切代价自动化”转向“设计增强型AI”。这意味着构建能够减少认知负担、澄清模糊性、并与团队作为智能协作者工作的AI系统，而不是作为“黑箱”颠覆者。
最重要的是，这意味着在部署前倾听员工的声音。
一种新的工作视角：自动化需求 vs. 技术可行性
斯坦福大学的框架为每项任务引入了两个强有力的过滤器：员工希望自动化的任务和AI能够完成的任务。这形成了四个象限：
- 绿灯（Green Light）：高员工需求 + 高技术可行性
- 研发机会（R&D Opportunity）：高需求 + 低可行性
- 红灯（Red Light）：低需求 + 高可行性
- 低优先级（Low Priority）：低需求 + 低可行性
这种方法在医疗领域尤为明显：
- 许多重复性、基于规则的流程（如索赔、资格验证、文档）位于“绿灯区”
- 需要判断或人际互动的角色（如分诊、申诉、行为健康）则位于“红灯区”或“研发机会区”
关键发现是：69%的员工表示，他们希望使用AI的首要原因是腾出时间去做更高价值的工作；只有12%的人希望AI完全接管某项任务。结论是：增强，而非替代。
医疗保健任务的分布
绿灯区（立即自动化）：
- 索赔重做
- CPT/ICD代码查询
- 预先授权表单生成
- 文档分类
研发机会区（投资下一代AI）：
- 医疗必要性审查
- 社会决定因素采集
- 转诊优化
- 出院协调
红灯区（谨慎处理）：
- 患者沟通
- 申诉管理
- 临终关怀规划
斯坦福大学的研究揭示了创业加速器与实际劳动力需求之间的显著脱节。具体而言，41%的Y Combinator支持的AI初创公司正在开发员工对自动化兴趣不大的任务——即所谓的“红灯区”或低优先级区域。这表明了一个巨大的错失机会：如果像Y Combinator这样的领先加速器能更好地与劳动力的真实需求和偏好对齐，AI创新就能在工作场所带来更大的价值和接受度。
人类代理尺度：AI作为队友
为了超越“自动化 vs. 不自动化”的二元思维，斯坦福研究团队引入了一个更细致的框架：人类代理尺度（HAS）。这个五层模型为评估AI代理如何融入人类工作流程提供了概念框架。它不再问某项任务是否应该自动化，而是问人类在多大程度上保持控制、决策如何共享、以及需要多高水平的监督。
该尺度从H1到H5，如下所示：
- H1：完全由人类执行——人类独立完成任务。
- H2：人类主导，AI辅助——人类主导，AI提供数据或洞察。
- H3：平等合作——AI与人类共同导航任务，各自贡献不同能力。
- H4：AI主导，人类监督——AI处理大部分任务，但由人类监控或纠正。
- H5：完全自主的AI——任务完全委托给AI，几乎或完全不需要人类干预。
斯坦福大学的研究揭示了各行业的一个明显趋势：大多数员工——尤其是在医疗保健领域——更偏好H2或H3。总体而言，45.2%的任务分析倾向于H3安排，即AI作为协作伙伴。而在医疗保健领域——判断、同理心和情境细微差别是基础——H3更为关键。
在护理协调、使用审查和社会工作等角色中，任务通常需要实时决策、人类同理心和风险分层。在这些背景下，完全自动化的系统（H5）不仅会被抵制——它还可能导致不安全或伦理问题。相反，需要的是能够提供相关信息、适应任务演变、并响应人类引导的AI代理。
梅奥诊所平台总裁John Halamka在2025年2月强化了这种协作思维：“我们必须使用AI，”他说，并指出环境监听工具是“解决许多商业问题”的方式，且风险相对较低。他提到梅奥诊所的住院环境护理解决方案“100%处理了护理记录，而护士无需触碰键盘”，但明确表示这些工具“都是增强人类行为，而非取代人类”。
这些见解反映了一个更广泛的劳动力趋势：没有代理权的自动化不太可能成功。临床领导者不希望AI独立制定护理路径或处理复杂的申诉。他们希望AI能减少摩擦、揭示盲点、扩展认知能力，而不抹去专业身份或判断。
因此，设计HAS 3级（平等合作）正成为医疗智能系统的黄金标准。该模型在速度和效率与可解释性和监督之间取得平衡。它还提供了一个优先考虑人类信任的治理和绩效评估框架。
构建HAS 3级AI需要超越预测准确性的功能。系统必须具备：
- 持久记忆：AI能够保留上下文并与长期护理流程对齐。
- 任务分解：允许代理分解复杂问题并智能处理各部分。
- 可解释性：确保用户理解AI为何推荐特定行动路线。
- 适应性：代理可根据新信息或意外情况调整，而无需重新训练。
医疗保健不需要一刀切的自动化。它需要的是基于透明度并由人类专业知识指导的大规模协作。
这些观点与斯坦福大学的研究结果完美契合：员工并不害怕AI——他们害怕被AI边缘化。解决方案不是放慢AI发展，而是以清晰的方向、与依赖它的人共同设计、并不仅根据输出，还要根据给专业人员带来的体验和赋权来评估AI。
- 为协作而非代码重新培训技能
正在升值的技能不仅仅是技术性的。沟通、系统推理和伦理决策对于与AI合作的团队至关重要。培训必须随之演变。
- 根据员工情绪审计任务
在部署AI之前，调查你打算支持的团队。如果你的员工希望减轻文档负担，却获得试图引导临床对话的工具，预期会遭到抵制。
- 为HAS 3级设计
构建H3（平等合作）需要代理型AI功能：持久记忆、任务分解、可解释性和实时适应能力。仅靠语言模型是不够的。
- 超越合规的治理
治理必须超越监管清单。随着代理型AI系统越来越具适应性，监督必须确保实时问责、可解释性和与临床目标的一致性。动态验证而非静态规则，将决定长期信任和安全部署。
- 衡量真正重要的指标
AI的真正投资回报率是信任、缓解和时间的回归。诸如“处理的索赔”或“生成的笔记”等结果并不足够。指标应跟踪认知负担减少、回归患者护理的时间以及员工对AI建议的信任。
虽然吞吐量仍然是一个必要的基准，但这些以人为本的结果提供了AI是否改善医疗体验的最清晰信号。衡量框架必须是纵向的，不仅要捕捉初始生产力，还要关注长期运营弹性、临床医生满意度和可持续价值。只有这样，我们才能确保AI兑现其提升医疗绩效和使命的承诺。
克利夫兰诊所首席数字官Rohit Chandra博士在2025年6月对此观点进行了阐述：“它让他们的工作轻松了许多。患者互动也变得更好，因为现在患者真的在与医生互动，”他说，指的是目前使用AI抄写员的4000名医生。“我希望我们能继续在迄今为止取得的成功基础上，将文档负担真正降至零。”
与员工共建，而非为员工而建
这一时刻太重要，不能错位。斯坦福大学的研究提供了一个蓝图。
对医疗领导者而言，信息很明确：如果你想让AI规模化，就要以员工为中心来构建。优先考虑“绿色信号区”。投资增强型系统，而非覆盖人类。将AI视为值得信赖的合作伙伴，而非生产力引擎。
医疗保健领域AI的未来不会由模型的大小决定。
它将由团队合作的质量来定义。
【全文结束】
