醫療 AI Agent 給我的提醒：AI 產品值不值錢，常常不是看它多聰明

我一開始以為，醫療 AI Agent 最難的是技術。但聊完後我發現，真正關鍵的反而是：你把 AI 放在哪個位置。

前天跟一個在做醫療類 AI Agent 的老闆吃飯聊天。

原本我以為，他們做的是那種給一般使用者用的 AI 助理。

使用者打開 App，輸入自己的身體狀況，AI 幫你分析，然後推薦藥品、健檢、長照或相關服務。

聽起來好像很合理。

但我馬上想到一個問題：

如果服務對象是一般民眾，甚至包含中老年人，那這個產品其實會很難推。

不是每個人都會用 AI。不是每個人都知道怎麼描述自己的健康狀況。也不是每個人都願意為了一個 AI 工具直接付款。

更不用說，醫療、藥品、長照這類事情，本來就不是「AI 講了我就照做」這麼簡單。

所以我就問他：

「你們這個 AI 到底是給誰用？是給一般民眾自己用嗎？」

結果他的回答讓我覺得蠻有意思。

他說，這個工具本來就不是給一般民眾直接用的。

而是給服務他們的人用的。

也就是銷售、顧問、服務人員，透過 AI 更快理解客戶狀況，整理適合的藥品、服務、健檢、照護方案，再由人去溝通、判斷、成交。

我聽到這邊，突然覺得這個案例很值得記下來。

因為它真正有趣的地方，不是「醫療 AI 很猛」。

而是它沒有把 AI 放在最難推、最難教育、最難驗收的位置。

它把 AI 放進一個原本就存在的服務流程裡。

我原本以為 AI 是給客戶用，後來發現真正的使用者是銷售

這個差異其實很大。

如果 AI 是直接給一般民眾用，產品要面對的問題會非常多：

問題	為什麼麻煩
使用者不一定會操作	尤其中老年族群，AI 使用門檻可能比想像中高
使用者不一定會描述需求	健康狀況、家庭狀況、預算，其實都很難自己講清楚
使用者不一定會信任 AI	醫療相關內容不是「AI 說了算」
使用者不一定能驗收結果	他可能不知道 AI 推薦的方案合不合理
出錯成本高	醫療、藥品、長照都牽涉真實風險

So 當他跟我說，這個工具不是直接給一般民眾，而是給銷售和服務人員用，我反而覺得這個方向比較合理。

因為銷售本來就要理解客戶。顧問本來就要整理方案。服務人員本來就要協助溝通。

AI 在這裡不是取代人，而是幫人更快進入狀況。

它可以先整理資料、比對條件、列出可能方案，但最後還是由人來解釋、判斷、確認。

這種 AI 看起來可能沒那麼炫，但我覺得更接近真實世界。

技術不一定超難，但放對地方就會變得很有價值

這邊最讓我有感的是，它技術上不一定是什麼超級複雜的 AI。

你可以想像，它可能做的是：

收集客戶資料
整理需求狀況
比對藥品、健檢、服務方案
依照預算、家庭狀況、照護條件，幫銷售快速找到比較適合的選項

如果只從技術角度看，有些工程師可能會覺得：

「這不就是資料整理加推薦嗎？」

但問題是，AI 產品值不值錢，不是只看技術難度。

而是看它有沒有放進一個真的有人會用、有人會買、有人能驗收的流程裡。

這位老闆本來就是做相關藥品與服務銷售的。

所以他不是突然做一個 AI，然後再想辦法找客戶。

他本來就知道客戶在哪裡。也知道客戶會遇到什麼問題。更重要的是，他本來就有銷售和服務流程。

AI 只是加進去，讓原本的流程變得更有效率、更細緻。

這件事對做 AI 產品的人重要

很多 AI 產品做不下去，不是因為 AI 不夠強。

而是因為它一開始就沒有接到真實需求。

Demo 很漂亮。功能很多。簡報看起來很猛。

可是做完之後才發現，沒有人知道為什麼要用它。

反過來，有些 AI 應用看起來很普通，可是它剛好放在一個已經有客戶、有信任、有交易場景的地方，就有可能真的產生價值。

這不是技術不重要。

而是技術如果沒有接到場景，很容易只剩展示。

醫療 AI 最怕的不是不聰明，而是被放錯角色

這裡我想講清楚一點。

我不是在說 AI 可以直接幫人決定吃什麼藥、做什麼療程、買什麼服務。

醫療相關的事情本來就有很高的風險。

AI 如果直接面對使用者，很容易被誤解成醫療建議。使用者也可能沒有能力判斷它講得對不對。一旦出錯，問題就不是「工具不好用」而已。

所以我反而覺得，醫療 AI 比較合理的位置，是輔助角色。

它可以幫忙整理資訊，但不能取代專業判斷。它可以幫服務人員快速理解狀況，但不能跳過人的確認。它可以幫銷售準備方案，但不應該把 AI 的輸出當成絕對答案。

這種定位比較務實。也比較不會把 AI 推到一個它不該負責的位置。

AI 產品到底要先做技術，還是先找場景？

我們在聊天的過程中，也聊到一件很現實的事。

很多人做出來的 AI 很屌，但沒有客源。

有些應用其實很簡單，甚至你會覺得很常見，可是因為它剛好接到一個有需求、有銷售、有信任關係的場景，反而比較容易收錢。

這件事有點殘酷，但很真實。

做 AI 產品不是只要問：

這個模型強不強？
這個 Agent 能不能自動跑？
這個 Demo 看起來炫不炫？

更應該問：

這個東西幫誰省時間？
它是不是放在一個真的有人願意付錢的流程裡？
使用者有沒有能力驗收 AI 的結果？
AI 出錯時，有沒有人可以接手判斷？

如果這些問題沒有答案，那功能做越多，可能只是越亂。

我自己現在看 AI 工具，也越來越不只看它有多少功能。

我會更在意它能不能放進日常流程。

如果一個 AI 工具看起來很強，但我不知道什麼時候會用它，或不知道怎麼驗收它，那它對我來說就還只是玩具。

But 如果一個工具只是幫我處理一段很明確的流程，例如整理資料、產出初稿、比對方案、檢查規格，即使它不炫，也可能很有用。

從醫療 AI 聊到機器人，其實問題是一樣的

後來我們也聊到機器人。

他們問我一個問題：

「如果要訓練機器人，是不是給它瘋狂看影片就可以學會？」

我當下第一個反應不是回答技術，而是反問：

「你希望機器人做什麼？」

因為這個問題比「怎麼訓練」更前面。

如果你希望機器人用在長照，那它到底要做什麼？

長照機器人任務	需要的能力可能不同
陪伴聊天	語音互動、情緒理解、長期記憶
提醒吃藥	排程、通知、身分確認
偵測跌倒	感測器、影像辨識、即時警報
幫忙拿東西	手部操作、路徑規劃、物件辨識
協助移動	力學控制、安全防護、人體支撐
上門照護輔助	任務拆解、環境辨識、錯誤處理

每個目標需要的能力都不一樣。

你不能只說「我要做一個長照機器人」。

這太大了。

如果什麼都想做，最後很可能變成什麼都不夠好。

我不確定我這個觀點是不是完全正確，但我目前會這樣理解：

機器人不能先從「我要做一台很厲害的機器人」開始。而是要先從「它要完成什麼任務」開始。

任務會決定資料。資料會決定訓練方式。訓練方式會決定硬體。硬體又會反過來限制它能做什麼。

AI Agent 也是一樣，不是先問能做什麼，而是先問要幫誰做什麼

這件事放回 AI Agent，其實也是同一個邏輯。

很多人現在一聽到 Agent，就會想做一個很聰明、很自動、什麼都能處理的系統。

但我覺得比較健康的問法不是：

「裝備了 AI 後，我們更應該問：「它要幫誰完成什麼事情？」

它可以是：

幫銷售整理客戶資料
幫顧問產出方案比較
幫客服整理常見問題
幫課程老師整理學生卡關點
幫工程師檢查 PRD 有沒有漏規格

任務越明確，AI 越容易落地。

任務越模糊，AI 越容易變成展示品。

這也是為什麼我覺得，AI 產品不一定要從最複雜的地方開始。

有時候你只要抓到一個很小、很明確、很常發生的流程，就已經有機會做出有價值的東西。

真正難的不是把 AI 接起來。

開展 AI 應用之前，你要知道，它到底該被放在哪裡。

這次聊天給我的最大收穫

這次 6/15 跟朋友吃飯聊天，內容其實蠻散的。

從醫療 AI Agent，聊到銷售流程，聊到長照，後來又聊到機器人。

但整理完後，我覺得它們其實都在講同一件事：

AI 應用不一定要很複雜，重點是它有沒有被放在對的位置。

如果你把 AI 做成一個直接給所有人用的工具，你可能要面對：

教育成本
付款門檻
信任問題
使用習慣問題
驗收能力不足

But 如果你把 AI 放進一個已經存在的商業流程裡，它就比較容易產生價值。

醫療、長照、銷售、健檢、上門服務、器材、預約，這些每個都是很大的場景。

一開始可能只是藥品或服務推薦。後面可能延伸到健檢安排、長照服務、居家設備、上門照護、預約管理。

但前提是，它一開始就要放在對的流程裡。

我覺得這種 AI 反而比較值得研究。

不是因為它技術最炫。

而是因為它比較接近真實商業。

結語：位置對了，簡單的 AI 也可能很有價值

這次聊天讓我重新整理了一個觀點。

AI 產品值不值錢，不只是看模型多強，也不是看 Demo 多漂亮。

而是看它有沒有回答幾個更現實的問題：

它要幫誰？
它放在哪個流程？
它解決哪個具體問題？
它的結果誰來判斷？
它有沒有辦法變成服務或生意？

很多 AI 應用看起來很簡單，但只要放對地方，就會很有價值。

很多 AI 產品看起來很炫，但如果沒有客源、沒有流程、沒有信任關係，最後可能也只是 Demo。

所以我現在看 AI 產品，會越來越少問：

「這個 AI 強不強？」

我會先問：

「這個 AI 被放在哪裡？」

因為位置對了，簡單的 AI 也可能變成有價值的服務。

位置錯了，再強的 AI 也可能沒人用。