事件概述
OpenEvidence,一款以生成式 AI 驅動的醫學資訊平台,在美國醫界的擴張速度已打破典型新技術採用曲線。根據哈佛醫療政策教授 Anupam Jena 的數據,這項工具在七個月內將採用率從 50% 推升至 65%(2026 年 4 月),覆蓋約 65 萬名執業醫師,在近 2,700 萬次臨床互動中被使用。Jena 形容這是「指數型成長」,並指出「每個人都在使用它」。
為什麼這個數字違反常識
新技術在專業領域的採用通常遵循 S 曲線:初期緩慢(早期採用者),中期加速,後期趨緩。但 OpenEvidence 的軌跡不同——它是在已有基礎(50% 醫師已用)後,繼續以接近指數的速度增長。這意味著什麼?
通常,新工具採用率超過 50% 後會進入「確認偏誤困境」:已採用者鞏固習慣,未採用者更難改變。但 OpenEvidence 卻在此時加速,說明採用動力不來自「時髦」或「同儕壓力」,而來自更深層的問題:醫師面對的認知負債實在太大,工具解決的痛點實在太痛。
核心:資訊不對稱如何變成臨床風險
OpenEvidence 的價值主張很簡單:讓醫師快速檢索跨越其專科範圍的臨床證據。根據 Jena 分析的 9,000 萬筆查詢,60% 的搜尋與臨床決策直接相關——也就是說,醫師實時遇到超出訓練範圍的判斷困境,才去查詢。
Jena 舉的例子很具體:外科醫師精於手術,但不一定懂得何時能停用某種降血壓藥物。在 OpenEvidence 之前,醫師的選項是: 1. 憑記憶與直覺 2. 翻找舊教科書(浪費時間) 3. 電話諮詢其他科別醫師(費時費力) 4. 出錯後才修正(代價最高)
OpenEvidence 把選項變成:輸入病患特徵 → 獲得實時醫學證據 + 同儕審查論文連結。成本從「數十分鐘或臨床風險」降到「幾秒鐘」。
隱形的長期痛點為何一夜成為集體行動
這裡的關鍵是:OpenEvidence 解決的不是新問題,而是被醫學訓練體系『正常化』的老問題。
醫學教育本身就知道:沒有任何醫師能掌握所有治療知識。實習醫師被教導「要懂得查資料」,資深醫師被教導「要依賴臨床經驗與直覺」。這套教育邏輯在電腦搜尋出現前是合理的(因為查資料成本太高)。但當工具降低查詢成本到零,這套邏輯就變成了隱形的職業風險。
OpenEvidence 的採用率爆炸,反映的是:當一個工具能以接近零的認知成本暴露「我原本不知道的事」時,醫師會理性地採用——不是因為害怕被淘汰,而因為害怕下一次遇到類似病患時會決策失誤。
為什麼是「資訊不對稱的臨床消解」
Kenneth Arrow 在 1963 年的論文《不確定性與醫療經濟學》裡就指出:醫療市場本質上存在嚴重的資訊不對稱——患者不知道自己需要什麼治療,醫師掌握資訊優勢。但 Arrow 沒預測到的是:醫師與最佳證據之間也存在資訊不對稱。
OpenEvidence 的出現,正在消解這一層「醫師層級的資訊不對稱」。每次查詢都是一次「我不確定」的供認,但同時也是一次風險消除。當足夠多醫師發現「原來我可以實時縮小知識盲區」,從 50% 跳到 65% 採用率的加速就不奇怪了。
隱憂
七個月 15 個百分點的增長不是福音,也帶來了風險:
1. 依賴風險:當醫師習慣了一鍵查詢,臨床判斷力會不會逐漸萎縮? 2. 準確性風險:生成式 AI 的幻覺(hallucination)問題在醫學領域是致命的。OpenEvidence 附上論文連結,但有多少醫師會逐個驗證? 3. 決策加速的陷阱:快速查詢可能鼓勵倉促決策,而醫療的複雜性往往需要沉思。 4. 市場集中風險:65 萬醫師依賴一個平台,一旦平台出錯,涉及面將極為廣大。
本質反思
OpenEvidence 的崛起教我們一個反直覺的真理:最快的技術採用,往往不源於技術的優越性,而源於痛點被工具徹底暴露。在 OpenEvidence 之前,醫師的知識盲區是「沉默的」——沒人說出來。一旦工具讓盲區變得「可見」且「可填補」,採用就變成了理性選擇,而非時髦追隨。
這在醫療以外的領域也在重演:當 Slack 讓企業發現「我們花 40% 時間在無效溝通」時,採用率也爆炸了。當 Figma 讓設計師發現「我們花 50% 時間在交接協作」時,也一樣。
共同點是:工具本身不新奇,但它把長期被忽視的成本。