Day 06｜資料都在系統裡，為什麼工作還是接不起來 | The Data Is All in the System. The Work Still Doesn’t Connect.

場景：白板中間，我們先空著

那是一場排計畫的會。品管室這邊坐了幾個人，資訊室的老周也在。

我在白板最左邊寫了兩個字：輸入。走到最右邊，寫上：輸出。中間一大片空著。

有人問：「中間放什麼？」

我說中間先不要填。先把兩邊填滿。

左邊很快就滿了：品管圈結案報告、事件通報的文字、稽核紀錄、指標月報。這些東西每個月都在產生，格式不一、長短不一，但它們確實存在，而且拿得到。

右邊卡住了。因為「輸出什麼」的答案不在資料裡，在誰要拿它去做什麼決定。給品質委員會看的東西、給單位主管看的東西、給品管團隊協調追蹤順序用的東西，是三種完全不同的東西。

大家卡了一陣子。後來老周走上去，在白板上補了一條線——從最右邊拉回最左邊。

周資訊室｜老周

「不然這條先畫。」

輸入

• 品管圈結案報告
• 事件通報的文字
• 稽核紀錄
• 指標月報

中間先不要填

輸出卡住了

• 給品質委員會看的
• 給單位主管看的
• 給品管團隊協調追蹤順序用的

那條線在你那邊也有，它叫 feedback loop。差別是在多數 pipeline 圖上，它是一條虛線，而且沒有人是它的 owner。

那條線就是今天整篇要講的東西。要說清楚它為什麼該先畫，得先看資料電子化之後，還有哪些工作留給人在系統之間銜接。

電子化、標準化、自動化，三層都要接上工作

醫院已經有 HIS、電子病歷與通報系統。AI 加進來時，面對的是既有的數位流程，以及流程之間尚未接好的環節。

第一層是電子化。病歷、醫囑、護理紀錄都能在系統裡查閱。但能查閱，不代表稽核小組已經拿到同一批、同一時間點、足以做判斷的資料。

第二層是標準化。作業規範與電子表單都有版本，仍要確認各單位用的是不是同一套定義，以及系統欄位能不能支援實際的交接。

第三層是自動化。AI、LLM、agent 開始接手讀取、整理與初判。它們產生的結果，要交到哪個單位、由誰複核、如何回覆，也都需要安排。

這三層經常同時存在，各自有不同的斷點：

	電子化	標準化	自動化
導入什麼	HIS、電子病歷與通報系統	作業規範、文件管制	AI／LLM
失敗長什麼樣	紀錄都在線上，仍需跨畫面查找、人工核對與轉填	規範有版本，單位對同一欄的理解卻不同	AI 分析做出來了，兩週後沒人開
要確認什麼	資料能不能在需要時被正確調閱	定義與現場流程能不能對上	結果由誰使用，能不能接著處理

以一個單位準備稽核回覆為例：病歷在電子病歷系統，相關的處理紀錄在另一個模組，前次回覆則存在電子報表。資料都找得到，但承辦同仁還得切換畫面、核對時間，再把同一件事的來龍去脈整理給稽核小組。

跨畫面查找、核對、轉填——這一段在你那邊叫做沒有 API 的整合：每一份資料都查得到，就是沒有一條 pipeline 把它們接起來，所以中間站著一個人。

這裡有兩種不同的負荷：一種是資料有了，卻沒有串起來；另一種是欄位有了，卻沒有說清楚下一步由誰處理。單位要確認紀錄，品管團隊要彙整差異，資訊單位要確認擷取範圍。光是多產生一張報表，不會讓這些交接自動完成。

於是電子化完成了資料儲存，跨單位的核對與交接仍然佔用人力。這正是 AI 進場時要接住的部分。

資料都在系統裡，工作卻仍卡在系統之間；多接一個 AI，不會自動接好那段交接。

你那邊也有類似的斷點：沒有人看的 wiki、沒有接進 on-call 的 alert、deploy 完就再也沒有人讀的 runbook。每一個都上線了，卻沒有接進人真正在做事的路徑。

三層都需要回頭查核

品質改善有一個形狀：計畫、執行、查核、行動，走完一圈回到起點。PDCA，教科書第一章。

你不需要記這四個字，只要知道它是閉環的——這是它跟一般專案流程唯一的差別，也是全部的重點。

而這個環在現場最常斷在同一個地方：查核。

原因不難理解。查核花的力氣跟執行差不多，但它不產生任何看得見的成果。它永遠在 backlog 的最下面，是那張沒有人認領的票。做完一輪改善，圈員想的是下一輪的主題，單位主管想的是這一季還有幾份稽核回覆沒交——沒有人想的是回頭確認上一輪到底有沒有效。於是現場的 PDCA 常常變成 PD、PD、PD。

你們的版本叫做「這次先上，測試下一版補」。

Check 跟 Study 不是同一件事

品管圈的電子範本寫的是 PDCA，但改善科學那一支用的是 PDSA——第三個字母不是 Check，是 Study。

一個字母，差的是整件事。

Check 可以在會議上三十秒結束。Study 不行，因為它要求你在動手之前先寫下你預期會發生什麼，事後再回來對。沒有那份預測，就沒有東西可以對照，於是 Study 只能退化成 Check。

這三層都可能出現同一種省略：

• 電子化做完系統驗收就結束了有上線嗎？有。沒有人回頭問「當初說交班會變快，後來呢」
• 標準化做完文件查檢就結束了有程序書嗎？有。沒有人回頭問「當初說這份程序書會改變現場行為，後來呢」
• 自動化正在做同一件事模型跑出來了嗎？跑出來了。然後就結束了

三層都可能做完 Check，卻沒有接著做 Study。

這件事在你那邊有一個一模一樣的形狀：上線後的 postmortem 你會寫；上線前寫下的那個預期指標，多久之後有人回去對過一次？

場景：六個月後那一格是空的

一份品管圈結案報告的最後有一張表，叫效果維持追蹤。欄位很簡單：改善後三個月的數字、六個月的數字、一年的數字。

三個月那一格通常有數字。六個月那一格，常常是空的。

不是有人偷懶。是六個月之後，那個圈調走了兩個成員，圈長換了人，而新一年的主題已經在選了。會議上要討論的是今年做什麼題目，不是去年那一題後來怎麼樣。上一輪的效果確認沒有被誰否決過——它只是一直沒有被排進任何一次議程，直到沒有人記得它還開著。

順安圈那份報告，六個月那一格也是空的。

	改善後三個月	六個月	一年
順安圈	有數字	空的

這就是查核被砍掉的樣子。它從來不是一個決定，是一連串沒有人反對的省略。

而這件事在 AI 進來之後不會變好，只會變嚴重——因為 AI 讓「執行」那一段變得非常便宜，查核那一段卻沒有。當你一個晚上可以跑完過去三個月的工作量，唯一還留在原地的，就是確認它跑對了的那個環節。

比例一旦失衡，你會得到一個產出量暴增、但沒有人知道對不對的系統。在品質這個領域，那不是進步，那是把風險規模化。

這就是為什麼那條從右邊拉回左邊的線要先畫。

自動化這一層，要怎麼接回日常工作

先講一件跟模型能力完全無關的事：什麼時候一個 AI 用法才算一條流程。

我的判準是三樣東西有沒有離開對話框：

1. 判準有沒有離開對話框它要有一個 commit 記錄，而不是承辦同仁每次重打一遍、每次都有點不一樣的那段話。順帶說，我們的稽核條目現在就是後面那個樣子：正式版存在文件管理系統裡，實際在用的那一版在幾個資深委員的腦子裡
2. 輸入有沒有離開剪貼簿它要是一組固定的、每次都用同一批的通報單與結案報告，而不是「我上次好像是貼這幾份」
3. 輸出有沒有離開螢幕它要 diff 得起來，而不是審閱者讀完就關掉、沒有留下處理紀錄的視窗

把 AI 從玩具變成流程的，不是模型換得更強，是判準、輸入、輸出這三樣東西從對話框裡搬出來。

搬出來之後才會多一個新的能力：你可以問「這個月跟上個月一不一樣」。搬出來之前，這個問題連問都問不了，因為沒有東西可以比——而不能比，就不可能有 Study。

所以我不用「AI 幫我做了什麼」來衡量進度。我用的是另一個問題：

這件事我今天能不能不在場，它照樣跑完，而且跑完之後我看得出來它跑得對不對。

能，才叫自動化；不能，那只是我用得比較熟練而已。

這 30 天的路線，三行

那條線就是這 30 天的骨架：

• 第一到第三週往右走定義（把判準寫下來）→ 找問題（把一個月的通報單與病歷全量掃一遍）→ 分析（挑出來的少數案子往下挖）
• 第四週就是那條線驗證。它不排在第三週後面，它從右邊拉回第一週——放在最後的驗證只剩下 sign-off，放在中間的驗證才有機會改掉前面的設計
• 第五週落地真的上線，讓它每個月自己跑一次，而且監控得到它有沒有悄悄變了

就這樣。這 30 天我不會再貼第二次目錄。

三件我刻意不做的事

不做全自動決策。所有模型輸出都停在「建議」，最後一格永遠是人——可能是品質委員會，也可能是 7B 的陳護理長。而那個人會有意見、會不同意，而且他不同意的理由通常跟模型準不準無關。一條沒有考慮過「使用者會不同意」的自動化流程，在醫院裡活不過三個月——那就是自動化沒有接上現場的失敗長相。

不用真實資料調 prompt。理由昨天講過了。這帶來一個很硬的問題：沒有真實資料，你怎麼知道判準在真實資料上不會塌？第四週給解法。

不追求「不用人看」。目標從來不是取代複核，是改變複核的抽樣方式——把有限的專家時間，從隨機的那一小撮，移到最可能有問題的那一批。一樣是每個月看二十份病歷，差別在於看的是哪二十份。

這條線會在四個層次壞掉

最後給一個框架，接下來 24 篇都會用到它。

這條流程不是「會壞」或「不會壞」。它會在四個不同的層次壞掉，而每一層的徵狀完全不一樣：

層	壞在哪	徵狀	落在哪幾篇
判準層	spec 有歧義，同一條有兩種讀法	換一個模型結論就變，而且變的方向不一致——不是全部變嚴或全部變鬆，是各往各的方向跑	Day 8 Day 21
理解層	判準沒有歧義，模型把它讀成另一個意思	理由跟判準對不上，但結論看起來很合理。最難抓，因為結論看起來對的時候，沒有人會去讀理由	Day 14 Day 17 Day 19
穩定層	flaky	同一份輸入重跑，結論不一樣。不重跑，你不會知道手上這個結論是不是擲一次骰子的結果	Day 20 Day 23
漂移層	drift	上面三層都過了，但模型換版之後標準整體位移。單看每一份都對，統計起來分佈變了	Day 26

這四層不是憑空分的。它是把一條稽核條目從草擬到上線之間、實際會出事的位置排出來：第一層在我寫條目的當下就決定了；第二層要到我去讀模型給的理由才看得見；第三層要重跑一次才知道；第四層要等三個月的統計圖才浮出來。

4漂移層等三個月的統計圖才浮出來

3穩定層重跑一次才知道retry 只測得到這層

2理解層去讀模型給的理由才看得見

1判準層寫條目的當下就決定了

這四層有一個很重要的性質：

下面的層次沒清乾淨，上面的層次就量不到。

一個判準還有歧義的系統，你去量它的漂移，量到的只是噪音。所以順序不能顛倒——這也正是這五週為什麼是這個順序。

而大部分團隊只在第三層做過檢查，因為只有第三層可以用 retry 測到。retry 綠了，大家就當它過了。那是 Check，不是 Study。

你明天可以做的一件事

不是裝什麼工具。

去把上一份品管圈結案報告、上一次 postmortem、上一季那份 OKR 收尾文件翻出來，找到「後續追蹤」那一欄，看六個月之後那一格填了沒有。

如果是空的，那你跟我一樣，跑的是 PD、PD、PD。而你現在要加上去的 AI 流程，也可能在同一個地方斷掉。

AI 不是取代品質管理，AI 是品質管理的新對象。

這 30 天做的事，是拿一套用了幾十年的老工具去管一個新的東西——而那套工具要做的第一件事，就是把查核那一段搶回來。

明天進入第二週的主題：當你只能看百分之二的時候，你其實在放棄什麼。