位于加利福尼亚州帕洛阿尔托的斯坦福医疗中心正处在应用系统、工作流程及其支持团队的战略转折点上。多年来，医疗信息技术领域的主流叙事聚焦于成本控制：整合系统、减少应用数量、提升现有工具的使用效率。这些工作仍然重要，但已不足以应对当前挑战。
我们正进入一个"智能代理AI"——能够作为半自主协作者的AI——将从根本上重塑医疗工作方式的新时代。在斯坦福，我们正在演进应用战略以拥抱这一未来，这不是单纯的技术项目，而是以人员、工作流程和价值为核心的组织变革。本文阐述了我们如何为应用团队准备智能代理AI环境，如何重构与运营合作伙伴的关系，以及如何衡量这一进程中的成效。
始于自主权：应用团队的准备
我们的首要任务并非工具或平台，而是人员本身。
在提供关于医疗AI愿景的预读材料后，我们召集全体应用团队进行全天现场会议，要求他们提前思考未来可能的样貌及其工作影响。通过多轮讨论与实践练习，团队达成共识：未来将由"智能代理协作者"主导——AI代理与人类并肩工作，而非取代人类。在此模式下：
- AI代理承担更多常规性、重复性和规则驱动型任务
- 人类分析师与运营领导者专注于高阶问题解决、设计与监督，基于对临床运营工作流的深度理解
- "IT"与"运营"的边界变得更具渗透性，尤其在低风险工作流中，部分设计与执行可移出IT部门，辅以监管框架
我们还发现团队存在对AI的真实且合理的偏见，主要源于工作保障的担忧。我们并未回避这种恐惧，而是花时间剖析其根源。
核心信息明确传递给团队：
若我们拒绝变革，对工作的威胁将远大于拥抱AI。医疗领域对数字解决方案的需求近乎无限，制约因素在于我们的交付能力。若能利用AI提升该能力——解决技术债务、加速构建测试、通过优化工作流深化运营支持——我们将更具价值而非被取代。
这一认知至关重要。我们并非"自动化淘汰"应用团队，而是将其角色从系统构建维护者进化为"人机协作工作流"的共同设计者与守护者。
双轨并行：修复过去与设计未来
基于共同愿景，我们将工作分为两大主线：
- 运用AI解决技术债务：如同所有大型医疗系统，我们积累了技术债务：遗留配置、临时方案及不再反映理想诊疗流程的工作流。传统上，清理这些内容缓慢且手动，常被列为低优先级事项。
智能代理AI赋予我们规模化解决的新工具：
- 利用AI分析现有配置与工作流，识别冗余、不一致与风险
- 自动化部分构建、配置与回归测试，尤其针对低风险变更
- 部署AI作为首轮质量保证层，由人类分析师执行复核与认证
目标并非移除人类参与，而是改变其投入时间的方式与领域。分析师无需手动完成每个步骤，转而可监督、验证及优化AI生成内容，从而加速处理积压任务。随着团队熟练度提升，价值将通过历史问题的创新解决方式持续增长。
- 与运营部门协同设计智能代理工作流：第二主线面向外部：助力运营伙伴在自有工作流中部署智能代理工具。
我们正从"工具请求"思维转向"问题优先"思维。不再始于"我需要此技术"，而是询问：
- 您所在领域最需解决的核心问题是什么？
- 临床医生、员工或患者的最大痛点在哪里？
- 何种成效定义成功？包括提升处理量、缩短响应时间、减少错误与返工、释放更高价值任务时间、降低认知负荷等
随后共同绘制工作流并决策：
- 哪些步骤应由AI代理处理？
- 哪些步骤必须保持人工主导？
- 何处需人机协作，明确交接与监督机制？
这要求应用分析师深度嵌入运营工作流，不仅是技术实施者，更是流程再造伙伴。同时需从设计初期就规划监控与持续优化：如何追踪效能、检测偏差或失效、实现迭代改进。这也要求转向产品化思维——从小处着手并持续完善，而非追求"一劳永逸"的解决方案。
以人为本的AI与可渗透边界
战略的核心原则是"以人为本的AI"。我们并非为AI而部署AI，而是设计人机协作系统，产出超越任一方单独工作的更优结果。
这对工作结构产生多重影响：
- 端到端服务线团队内的可渗透边界：传统上，构建权限与领域归属边界严格。随着AI处理常规任务并提供首轮质控，这些边界可更灵活，尤其在低风险构建任务中。实践中，单一产品团队可构建全部组件，传统配置团队转而执行复核验证。
- 端到端跨职能产品团队：围绕具备完整技能组合的服务线组建团队，同时认知工具使个体贡献度提升。团队协作确保各领域考量周全，模糊临床与营收周期构建的界限。
- 以持续监控为安全网的同行复核：随着AI承担更多初始工作，同行输入仍至关重要。我们构想的模式是：人类团队定义问题与目标，AI提供初稿（配置方案、测试计划或工作流提案），人类专家验证修正。对智能代理工作者的持续监控至关重要：必须追踪效能、提供反馈调整、随价值变化扩展或终止能力。这需要新型管理技能——工作流理解、人员领导力与技术方案引导能力的融合。
- 角色演进而非消除：未来分析师不再是"工单接收者"，而是工作流架构师与AI监督者。需同时深入理解技术与临床/运营背景，才能设计安全有效的人机系统。
衡量成效：从工具到结果
为评估成功，我们正转变指标思维。传统讨论聚焦工具：采用率、构建数量、工单关闭量。这些仍重要，但在智能代理AI时代已不足够。
我们转向以下维度的衡量：
- 问题与结果导向：是否解决特定领域的核心问题？是否缩短工作流完成时间、降低错误率、提升处理量或减轻职业倦怠？
- 价值聚焦：每个智能代理工作流为患者、临床医生、研究者或机构带来何种价值？是否促进更高质量诊疗、更好可及性或更高效运营？
- 持续动态监测：智能代理系统非"设置即遗忘"。需持续监控效能、安全性与用户体验，随条件变化快速调整。
这也要求保持宏观使命视野。我们无法局限于单一工作流或指标。必须持续追问：这如何支持患者、临床医生、研究者？是否将有限资源投入最具影响的领域？
展望未来
数年前，医疗IT领导者的主导杠杆围绕整合与成本：更少应用、更多标准化、更紧预算。这些杠杆仍在，但已非全部。
智能代理AI赋予新杠杆：规模化提升能力、更激进解决技术债务、重构此前不可行的工作流。但释放此潜力仅靠技术不够，还需：
- 人机协作的清晰共同愿景
- 坦诚应对员工恐惧与偏见
- 围绕问题与结果的运营深度合作
- 治理、质控与衡量的新方法
斯坦福医疗中心在此旅程中仍处早期阶段，但我们致力于构建一个能迎接并塑造智能代理AI未来的应用组织。
核心要点
- 始于人员，而非工具：为团队准备智能代理AI，始于赋予其定义未来的自主权，直面恐惧与偏见，并将AI重构为提升价值的途径。
- 双轨并行推进：利用AI解决技术债务并加速构建/质控，同时与运营部门协同设计基于真实问题与结果的智能代理工作流。
- 为人机协作而设计：视AI为智能代理协作者，明确决策AI驱动、人工主导及复核监督的环节。
- 安全地拓展可渗透边界：随着AI处理常规任务与首轮质控，团队可在低风险工作流中跨越传统领域边界，同时保持强效复核机制。
- 衡量价值而非活动量：从工具中心指标转向与各领域核心问题挂钩的结果衡量——聚焦患者、临床医生与研究者的实际影响，并持续优化智能代理工作流。
【全文结束】
