病人走進診間前，已經被四個 AI 看過
GPT-5.6 上線第二天，我坐在一場 Galderma SKIN 的皮膚科會議裡，聽 Summer 老師講 AI。「病人找到你以前，已經做過什麼？」
GPT-5.6 上線第二天，我坐在一場 Galderma SKIN 的皮膚科會議裡，聽 Summer 老師講 AI。
她問台下的醫師：
「病人找到你以前，已經做過什麼？」
答案很直接。
他先到 Google 搜一輪，再問 Gemini、ChatGPT，最後可能又去問 Claude。等他真正推開診間的門，坐到醫師面前，四個 AI 已經替他看過一次，也可能順手推薦了醫師、診所與治療方式。
接下來那句，才是整場課最現實的問題：
「這四個 AI 的答案裡，有你嗎？」
你的醫術可能很好，病人也信任你。但如果網路上找不到你的專業內容，AI 沒讀過你的文章，也不知道你平常怎麼處理病人的疑問，那麼當有人問：「高雄酒糟要找誰看？」或「這種雷射適不適合敏感肌？」AI 自然沒有理由提到你。
輸在這裡，確實有點冤枉。
高鐵還沒到站，兩百美元已經燒完
Summer 的演講方式很特別。
台上的大螢幕沒有播放整理好的簡報，直接投影她自己的電腦。瀏覽器上方排著十幾個分頁，右下角還掛著一行小字：
Spend limit reached
她笑著說，來會場的高鐵上，兩百美元的 AI 額度已經被她燒完，只好再刷一次。
這句話讓台下笑了，也很準確地說明現在使用 AI 的分水嶺。
很多人還停在每天問 ChatGPT 幾個問題，她已經把 AI 當成一間公司在經營。她要的不只是回答，而是讓機器接到工作後，自己執行、檢查，完成後再回報。
她的螢幕上有一張組織圖，標題是：
「Summer 的 AI 公司」
裡面有二十九個 AI 員工，每一個都有名字和職務。管薪水的叫「薪仔」，記帳的叫「算算」，旁邊還拉出一個 Claude Code 工作區。
其中有一隻叫「迷你夏天」，負責統整其他 AI 員工的工作，每天還會寫日記。
那天的日記很有意思：
「昨天我出生，今天我已經帶二十九個員工了。」
最後寫著：
「先喝咖啡，再拯救世界。」
看著有點好笑，但那張圖背後，其實是一套完整的管理思維。
客服、公告、廣告、記帳與薪資，可以分給不同的 AI 處理；每個 AI 要做什麼、幾點開始、產出了哪些東西，最後再交給「迷你夏天」統整。老闆不需要逐一詢問二十九個員工，只要看一份工作日誌。
這已經超過「請 AI 幫我寫一篇文章」的階段了。
AI 正從對話工具，走向真正的執行者。
算薪水這件事，Summer 盯了三個月
但她沒有把 AI 講成魔法。
例如算薪水，機器可以做，老闆卻不能第一天就放手。她讓 AI 跑了三個月，持續比對、檢查，確認規則沒有錯，才逐步交出去。
這個細節很重要。
越接近金錢、醫療、法律與個人資料的工作，越不能因為 AI 做得快，就直接相信它。
AI 不會因為算錯薪水而向員工道歉，也不會因為提供錯誤的術後衛教而承擔責任。它甚至可能用非常篤定的語氣，把錯誤講得像正確答案。
所以她反覆提醒：
凡是 AI 產出的內容，最後一定要有人看過。
因為 AI 不扛責任。
她也談到廣告。過去廣告投下去，常常靠感覺判斷效果。現在可以把資料接起來，看一塊錢廣告費究竟帶回多少營收。
如果一塊錢能換回十三塊九，繼續投放大概沒有太大爭議；如果只能換回兩塊錢，就該停下來想想，繼續買流量比較重要，還是回頭把產品和顧客服務做好。
數字把原本需要「通靈」的決定，攤在桌面上。
這些內容主要是講給診所經營者聽的。我沒有二十九個 AI 員工，連一隻都還沒有養。坐在台下，有一段時間比較像在旁聽別人怎麼經營公司。
但接下來談到的幾件事，搬回我的桌上，明天就可以用。
毛囊蟲變成吉祥物那天
Summer 示範一支工具，把毛囊蟲畫成吉祥物。
她說，再令人不舒服的東西，只要換一種方式呈現，也能變得可愛。
螢幕上的毛囊蟲戴著帽子，張著大眼睛，對鏡頭微笑。我看到那張圖時，真的停了一下。
毛囊蟲是我在酒糟門診裡經常盯著看的東西。顯微鏡下的牠，和「可愛」通常沒有什麼關係。對我來說，重點是牠的數量、密度，以及它與發炎之間的關係。
到了她的螢幕上，同一隻蟲卻成了品牌角色。
她抓的是品牌，我抓的是發炎。
握法不同，素材是同一隻毛囊蟲。
這也提醒我，很多醫療知識之所以沒有走到病人面前，未必是內容不重要。可能只是醫師仍用論文的語言說話，病人卻站在另一扇門外，根本不知道該從哪裡走進來。
AI 最有用的地方之一，是幫醫師把專業重新翻譯。
它可以把一段艱澀的機轉，改寫成病人看得懂的衛教；也能將門診裡反覆解釋的內容，整理成圖、文章或短片。
但翻譯以前，醫師得先把正確的知識交給它。
這就帶到整場課裡，我認為最值得醫療工作者記住的三個英文字：
RAG
機器人很容易做，讓它真的像你，才是難題
RAG 的全名是 Retrieval-Augmented Generation，中文通常翻成「檢索增強生成」。
名字聽起來有點硬，概念其實很直白。
一般的 AI 回答問題，是根據它過去讀過的龐大資料，推測下一句最可能出現什麼。它知道很多事，但不知道你這間診所的規則，也不知道張醫師平常會怎麼回答。
RAG 做的事情，是在 AI 回答以前，先讓它回到指定的資料庫裡找答案。
這個資料庫可以放醫師寫過的衛教、診所流程、治療前後注意事項、常見問題，以及病人真正問過的話。
病人問：「雷射做完今天晚上能不能洗臉？」
AI 不需要憑印象回答，也不用到網路上東抄一段、西撿一句。它會先從診所自己的資料中，找出醫師核准過的術後說明，再根據那份內容組織答案。
簡單說，RAG 是替 AI 指定一本它回答問題前必須先翻的教科書。
那本書如果是你的，回答才可能接近你。
Summer 說，做出一個問答機器人並不難。現在困難的是，怎麼讓它不只是一個普通的機器人，還能成為「你的小幫手」。
她建議現場的醫師，回去以後先做一件看起來很笨、其實最重要的事：
把病人曾經問過的問題，一題一題記下來。
病人怎麼問，同仁怎麼回答，最後醫師認可的答案是什麼，全部留下。
可以寫在 Google 文件、試算表或任何用得順手的地方。工具不是重點，留下紀錄才是。
因為網路上的資料不是你的。
它可能不符合你的治療方式，也可能根本不正確。就算花錢請廠商做一個很漂亮的客服機器人，如果廠商沒有把診所多年累積的問答、判斷與流程放進去，那個機器人依舊只是套著診所名稱的公版客服。
它會說話，卻不像你。
RAG 真正累積的，也不只是資料。
一位病人問：「這個治療會不會反黑？」醫師回答以前，腦中通常已經快速判斷膚色、治療能量、病灶種類、術後照顧與過去反應。病人只聽見最後兩分鐘的說明，前面那一串臨床判斷往往沒有被記錄。
如果能把這些問題和回答慢慢留下，診間裡原本說完就消失的經驗，才有機會變成真正屬於診所的知識庫。
RAG 的價值，就在這裡。
它讓 AI 的答案少一點「網路通常這樣說」，多一點「這位醫師在這種狀況下會怎麼判斷」。
病人最想問問題的時候，往往已經下班了
Summer 提到一個很貼近門診的場景。
病人接受治療時，醫師和護理人員都在旁邊，他可能一時想不到問題。真正開始緊張，通常是回到家以後。
晚上洗澡前，他看著鏡子裡的紅腫，才想到：
今天可以洗臉嗎？
保養品還能不能擦？
這樣的熱和刺是正常的嗎？
明天能不能上妝？
偏偏這個時候，診所通常已經下班。
如果診所建立了經過醫師審核的 RAG 知識庫，機器人就能先回答固定、低風險的術後問題。病人不用抱著手機一直等，同仁隔天上班時，也不會一打開 LINE 就看到幾十個重複問題。
遇到超出範圍的狀況，機器人則應該停下來，把問題交回真人。
這也連到 Summer 課堂上談的「停止條件」。
AI 不能只知道怎麼開始工作，還要知道什麼時候該停。
如果病人只是問洗臉方式，可以根據核准過的內容回答；如果出現呼吸困難、快速腫脹、劇烈疼痛或其他警訊，AI 就不能繼續用安撫語氣陪聊。
它必須停止，明確請病人聯絡診所、回診或就醫。
RAG 決定 AI 根據什麼回答；停止條件則替它畫出不能跨過的線。
兩件事缺一個，醫療機器人都不完整。
提示詞除了五根手指，還需要知道何時喊停
Summer 把提示詞拆成「黃金五指」：
角色、目標、背景、限制、輸出。
角色，是要 AI 扮演誰；目標，是這次要完成什麼；背景，提供它判斷需要的資訊；限制，說清楚哪些事不能做；輸出，規定最後要交出什麼格式。
她認為最重要的是「限制」那一指。
聽到這裡，我真的覺得很巧。
就在上課前，break空檔，黃輝鵬院長剛好來找我聊 AI 寫作。我當時和黃院長談到的，正是「限制」。
很多人使用 AI，只會不斷告訴它想寫什麼，卻沒有交代哪些話不能寫、什麼方向不要碰，以及資料不足時不能自行補完。
結果 AI 為了完成任務，開始猜答案、補情節，最後交出一篇讀起來很完整，裡面卻藏著錯誤的文章。
所以我跟黃院長說，要讓 AI 寫得像自己，除了提供範例與背景，更重要的是把不喜歡的寫法清楚列出來。哪些句型不要用、哪些形容太空、哪些內容沒有證據就不能寫。界線畫得越清楚，AI 才越知道該往哪裡走。
沒想到才剛聊完，會場就聽見 Summer 說，黃金五指裡最重要的也是「限制」。
我坐在台下，心裡只有一句：也太巧了。
當天她又多加了一根：
停止條件。
要告訴 AI，碰到什麼情況必須停下來，回頭詢問，或者交給人處理。完成以後，還可以要求它用「紅隊」的角度重新檢查，刻意扮演找漏洞的人，看看自己的答案哪裡可能出錯。
這對寫作也很有用。
AI 很會繼續。只要不喊停，它可以把一篇文章加上摘要、表格、結論、行動呼籲，再補一段看起來很完整、其實沒有必要的話。
寫東西的人常常需要的，不是更多內容，是知道哪一句寫完就該停。
我自己也常常忘記喊停。
AI 推不推薦一位醫師，看的不只是醫術
課堂中還有一段，談到 AI 怎麼決定要不要推薦某位醫師。
Summer 把它拆成幾個部分。
第一，內容有沒有精準對到病人真正的痛點。
病人搜尋的通常不是「酒糟最新治療進展」，而是「臉一直紅又刺，到底是過敏還是酒糟」。如果文章沒有回答他腦中那個問題，寫得再專業，也可能沒有被看見。
第二，內容有沒有清楚的脈絡。
醫師怎麼從症狀走到判斷，為什麼建議這個治療，又在哪些情況下會選擇別的方法。這些推理如果沒有寫出來，AI 只能看到一堆結論，讀不到背後的臨床思考。
第三，當然還是要有證據。
參考文獻、研究資料與可查證的來源都必須保留。但在醫療內容裡，有證據只是門檻。真正拉開距離的，是醫師能不能把證據放進病人正在經歷的情境。
網路上已經有很多人寫過的東西，再重寫一次，搜尋引擎未必需要你。能留下來的，往往是從自己的診間、治療經驗與病人問題長出來的角度。
AI 可以幫忙把專業整理成民眾找得到、看得懂，也願意繼續讀下去的內容。
前提是，那份專業要先存在。
四千萬人每天拿 ChatGPT 問健康，醫師已經不再是第一站
課堂上有三個數字，讓我停了很久。
全球每天約有四千萬人使用 ChatGPT 詢問健康問題。
AI 處理複雜病例時，被引用的診斷準確率約四成九。
接近一半的人，看醫師以前會先上網查資料。
這些數字不代表 AI 已經可以取代醫師。四成九的另一面，是還有大量錯誤、遺漏與無法承擔的風險。
它真正改變的，是病人取得醫療資訊的順序。
以前是身體不舒服，先去看醫師；現在可能是先搜尋、再問幾個 AI，讀完網友的經驗，帶著一個已經成形的判斷走進診間。
醫師面對的不再只是一個症狀。
還要面對病人手機裡那四個 AI 剛剛說過的話。
這時候，單純告訴病人「不要相信網路」已經沒有太大意義。病人會查，也一定會問。醫師真正需要思考的是，能不能讓可信的醫療內容也進入那一輪答案裡。
如果 AI 早晚都要回答，至少讓它有機會讀到正確的東西。
AI 算得出風險，卻扛不起責任
Summer 最後一張投影片寫著：
AI 算得出風險，卻給不出承諾，也扛不起責任。信任和真實，是我們最後的護城河。
這句話放在醫療裡，分量特別重。
AI 可以幫我讀資料、整理文獻、寫衛教，甚至在病人回家以後，先回答一些固定問題。
但簽在病歷上的名字是我。
需要在風險和效益之間做決定的是我。
病人坐在診間裡，抬起頭看著的也是我。
機器可以預測下一個字，卻不知道一個人聽見診斷時，手指為什麼突然抓緊椅子的邊緣。它能列出副作用的機率，卻不能替醫師說出：「如果真的發生，我會陪你處理。」
那句承諾背後有責任。
這是 AI 現在給不了的東西。
GPT-5.6 昨天才上線，下個月很多細節可能又變了
走出會場時，我一直在想，GPT-5.6 才上線第二天，今天聽到的許多工具與操作方式，也許下個月就被新的版本取代。
追工具沒有終點。
Summer 自己也提醒大家，不要陷入工具焦慮。今天學會一套介面，過幾週按鈕可能就換了位置；剛做好的工作流程，也可能被下一個模型直接包進去。
真正能留下來的，是知道 AI 現在做得到什麼，哪裡容易出錯，什麼事情一定要由人負責。
還有，把自己的資料留下來。
這堂課給診所院長的，可能是一整間由二十九個 AI 員工組成的公司。給我的，則是幾個可以立刻放進寫作與病人衛教裡的動作。
把提示詞的限制寫清楚。
替 AI 設定停止條件。
開始整理自己的 RAG 知識庫。
其中最重要的，也許是最後一件。
回去以後，把病人這幾年真正問過我的問題，一題一題寫下來。連同當時怎麼回答、哪些地方需要判斷、什麼狀況必須回診，也一起留下。
工具會一直換。
這些從診間裡慢慢累積下來的問題與答案，才是帶得走的東西。
浪已經打過來了。站著不動，確實很容易被埋掉。
我持續學，圖的不是每一套工具都會用。只是希望自己站在浪裡時，還知道該伸手撈哪一樣東西。
學不完沒關係。
撈得到，就好。
（本文為 Galderma 皮膚科會議 Summer 老師 AI 課程之個人聽後心得，課程內容版權屬講者。）
其實，這堂課還有很多內容沒有分享出來。
可惜的是，真正留下來聽課的人，似乎比早上少了一半以上。會後的 Q&A 反而非常精彩，沒聽到的人實在太可惜了。
不過，那一段我也不會寫出來。
哈哈哈哈哈。
本文僅供衛生教育參考，不能取代專業醫師的診斷、治療或處方。實際用藥種類、強度與療程需由醫師依個別病況判斷。若症狀急速惡化、大面積起水泡、合併發燒或傷口化膿，請立即就醫。