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。