當在宅醫療成為國策——台灣準備好用 AI Agent 接住下一個十年了嗎？

健保 700 億缺口、護理師執業率五年新低、糖尿病人口直奔 300 萬。政策已經跑在前面，但執行政策的人，快不夠了。AI Agent 是這個結構性矛盾裡，還沒被認真討論的那個答案。

四個放在一起會讓人不舒服的數字

2024 年 7 月 1 日，健保署的「在宅急症照護試辦計畫」正式上路。挹注 3.5 億元，預估 5,400 人受惠。半年後，總統親自出席計畫啟動儀式，宣示要「整合公私部門力量，打造健康臺灣」。一切看起來是台灣醫療體系難得的好消息——直到你打開另外幾個數字。

• 2025 年，全台領有護理師執照者 30.9 萬人，實際執業僅 19.3 萬人。換算執業率 62.36%，是近五年新低。（公視新聞網）
• 2023 年護理師離職率 12.61%、空缺率 9.05%，雙雙創下近十年新高。新進護理師約三分之一在三個月內離職。（報導者）
• 健保 2025 年總額預算 9,286 億元，成長 5.5%——這是歷年最高的成長金額。但每年的財務缺口仍維持在約 700 億元，因為支出年成長 5%、保費收入成長只有 1-2%。（遠見雜誌）
• 2025 年台灣正式邁入超高齡社會，65 歲以上人口超過 20%。長者中 88.7% 至少罹患一種慢性病，51.3% 同時有三種以上。（國民健康署）

把這四個數字放在一起看，會得到一個讓人不舒服的結論：政策的方向是對的，但執行政策的人，快要不夠了。

「在宅急症照護」的設計很漂亮——讓肺炎、尿路感染、軟組織感染的失能長者留在家中接受治療，醫師三天內訪視一次，護理師每天訪視一次（健保署）。但「每天訪視一次」這六個字，背後需要的是一個我們已經沒有的勞動力。截至 2024 年底，這個計畫只收案了 1,300 人，距離原本預估的 5,400 人，連四分之一都不到。

問題不是政策不好，是執行政策的醫療人員，已經被結構性的疲勞推到臨界點。當第一線護理師月薪中位數只有 41,000 元（比薪水）、平均執業年齡來到 39.5 歲、新進護理師三分之一三個月內離職——你不能再要求他們「多做一點」。

這就是這篇文章想討論的：當政策已經跑在前面，產業要怎麼讓它真的落地？

為什麼「補人」與「漲健保費」都不是答案

每次討論醫療人力，預設解方都是「培訓更多人」或「提高薪水」。但兩者在當前的政治與人口結構下，都撐不起這個缺口。

衛福部預估 2030 年台灣需要增加 5.5 萬名護理人力（衛福部）。這個數字的意義是：以目前每年新進執業約 7,500 人、扣掉同期間離職人數的淨增加幅度，靠培訓填不上這個缺口。

漲健保費呢？健保 30 年來只調漲過 3 次，平均間隔 4-5 年。每位部長一旦決定漲保費，往往是任內最後一件事。現任部長已經明確表示「健保費 2 年凍漲」。

也就是說：人力不會大幅增加、預算不會大幅成長、需求卻會大幅暴增。 糖尿病患者超過 230 萬人（健保署）；18 歲以上高血壓盛行率 25.06%，每 4 個人就有 1 個（立法院）。

這是台灣醫療最深層的結構性矛盾。在這個矛盾裡，「再培訓一批護理師」是政治正確的答案，但不是數學上能成立的答案。

當需求曲線往右上爆衝、人力供給曲線打橫、預算成長受限——這個三角形的唯一可規模化解方，是讓現有的醫療人員每個人能服務更多病人。而這只能靠自動化中間層。

為什麼台灣的醫療 AI 對話被「Chatbot」綁架了

過去三年，只要走進任何一家醫院的數位轉型會議，你會聽到同一個問題：「我們要不要做一個衛教 Chatbot？」

這是錯的問題，而且錯了三年。

Chatbot 是被動的。病人問，AI 答。對失能長者、慢性病患、在宅醫療的病人，這個模式幾乎沒有意義。他們不會主動問問題，他們需要的是有人持續追蹤、有人主動發現異常、有人在醫護人員到場前就把資料整理好。

這就是 AI Agent 與 Chatbot 的根本差別：

國際上，Agent 已經是 2025-2026 醫療 AI 的主敘事。微軟 Copilot for Healthcare、Hippocratic AI、Abridge——這些拿到大額融資的公司，沒有一家在做 Chatbot。他們都在做「替醫護人員執行可標準化工作流」的 Agent。

回頭看台灣，絕大多數的「醫療 AI」案子，還停留在「智慧客服」「衛教問答」這種 2022 年的框架。這不是技術落後，是產業對問題的定義跑偏了。

當你的政策目標是「在宅醫療每天訪視一次」，你需要的不是一個能回答病人問題的機器人，而是一個能在訪視之間的 23 小時裡持續代理醫護工作流的系統。這兩件事不是程度差別，是物種差別。

Agent 在醫療場景能解開的三個結

從第一線實際導入經驗來看，Agent 真正能解開的不是「酷的功能」，而是三個讓醫護人員每天加班的瓶頸：

結 1：文書作業吃掉一半工時

很多人以為醫護人員的瓶頸是「看不完」。實際進場才會發現，他們最大的時間損耗在事後文書——飲食紀錄整理、營養素試算、衛教報告書寫、出院摘要、健保申報。一位醫護人員的時間分配大概是「面對病人 30%、寫報告 50%、其他 20%」。

Agent 把這個比例顛倒：AI 先擬報告，醫護人員專注在判讀、調整、最終簽核。這不是省一點時間，是把同一個人的有效產能放大 3-5 倍。

結 2：在宅醫療的「23 小時黑洞」

「在宅急症照護」要求護理師每天訪視一次。但訪視之間的 23 小時，病人發生什麼事，醫療團隊是看不到的。傳統解方是電話追蹤——但這是被動的，而且電話本身就是一份額外的人力負擔。

Agent 的價值在於讓病人用最低門檻（拍一張餐點照、回覆一則訊息、按一個按鈕）就能持續產生資料，AI 在背後判讀、異常時主動通知醫護人員。這把「每天訪視一次」的政策設計，補上了中間的 23 小時——而且不增加醫護人員的負擔。

結 3：護病比上路後的「合規焦慮」

衛福部 2024 年 3 月正式上路三班護病比，要求醫院依規配置護理人力，截至 2025 年 1 月底已撥付逾 30 億元補助金（衛福部）。這個政策方向絕對是對的，但對醫院端來說，它創造了一個新的合規成本——當人力本來就不夠，合規本身就是壓力。

Agent 可以介入的點，是把護理師原本「必須親自做、但其實可以代理」的部分（基礎評估表單、藥物提醒、衛教追蹤）交出去，讓護理師專注在真正需要她在床邊的工作。這不是違反護病比精神，是讓護病比真的能撐得起來。

Agent 進入醫療場景的最大門檻：責任邊界

寫到這裡，必須誠實面對最關鍵的問題：醫療場景的 AI 出錯了怎麼辦？

這也是為什麼，Agent 在醫療業真正的護城河不是模型，是責任設計。

可用的設計範式有幾個共同特徵：

1. 信心分層：AI 對自己每一次判讀打信心分數。高信心直接通過、中信心進入人工審核佇列、低信心強制由人類處理。
2. 稽核軌跡：每一個 AI 的決策都留下完整紀錄——何時、為何、根據什麼資料做出這個判斷。
3. 人類最終簽核：所有發送給病人、進入病歷、影響治療決策的內容，必須有具備執照的醫療人員簽核。
4. 失效安全預設：當 AI 無法判讀或不確定時，預設是「停下來等人」，不是「猜一個」。

這個設計範式在法律上呼應《醫師法》第 11 條「醫師親自診察原則」與《營養師法》的執業規範。AI 不是診斷主體，是工作輔助。

台灣醫療 AI 產業如果想做大，必須集體把「責任邊界設計」當成基本功，而不是當成可以省略的合規負擔。

結語：把政策變成現實的，永遠是人加上工具

回到一開始的問題：當在宅醫療成為國策、健保財務承壓、護理人力斷崖、慢性病人口暴增——台灣準備好接住下一個十年了嗎？

答案是：我們有政策框架，缺的是執行工具。

AI Agent 不是萬靈丹。它沒辦法解決健保費率不漲的政治問題、沒辦法替代護理師的同理心、沒辦法讓 51.3% 同時有三種慢性病的長者不再生病。

但它能做一件事：讓每一個還在堅守的醫療人員，能服務更多病人、寫更少報告、準時下班一次。

如果這件事做成了，政策才有機會真的落地、健保才有機會撐過下一個十年、第一線人員才有機會找回對這個產業的信心。

這個議題太大，不該只由少數團隊在前線摸索。期待更多產業、政策、學術界、第一線醫療人員的同行加入這個對話。