一句話結論
2026 年 9 月，美國醫療體系同時出現兩條由 AI 推著跑的曲線：醫院端用 AI 病歷工具多抓出「可計費的診斷」，讓保險公司多付了近 10 億美元；保險與政府端則用 AI 反過來審查與擋下給付，CMS 自家試辦的 WISeR 模型在德州初審就砍掉 38%。兩邊都說自己在省錢，帳單卻先變貴了。
兩件事，同一個星期
這不是單一事件，而是一組對照。把時間軸排出來，你會發現供給端（醫院）與付費端（保險公司、政府）在同一週各自出招：
| 日期 | 事件 | 主角 | 關鍵數字 |
|---|---|---|---|
| 2026-09-24 | 藍十字藍盾協會（BCBSA）發布白皮書 | 31 家獨立保險公司、涵蓋 1 億人以上 | 2023–2025 年給付多出近 10 億美元 |
| 2026-09-24 | CMS 署長 Mehmet Oz 在 Oracle 健康與生命科學高峰會發言 | 美國聯邦醫療保險主管機關 | 「短期內 AI 會是通膨性的」 |
| 2026-09-25 | 外媒報導川普政府用 AI 審核聯邦醫療給付的「災難性實驗」 | CMS 創新中心（CMMI） | 傳統 Medicare 受益人今年 1 月起在 6 州被要求事前審查 |
| 持續進行 | Humana／UnitedHealth 用演算法砍復健給付的集體訴訟 | 兩大 Medicare Advantage 巨頭 | 原告稱演算法錯誤率 90% |
| 2026-03-24 | EFF 對 CMS 提起 FOIA 訴訟（EFF v. CMS） | 電子前哨基金會 | 要求公開 WISeR 的演算法、測試報告與廠商付款機制 |
一句話總結：AI 在醫療裡第一輪創造的不是節省，而是「更多帳單」與「更多爭議」。
曲線一：醫院用 AI 讓帳單變高
BCBSA 的白皮書是本週最硬的一份文件。它代表的不是單一保險公司，而是 31 家獨立 Blue Cross Blue Shield 保險公司、覆蓋超過一億人，數據量足以當成產業訊號。
機制：AI 不是亂報帳，是「太會找」
美國醫院的給付金額與「診斷數量、複雜度」直接掛勾——同樣一位病人，主診斷之外若再記錄幾個次要診斷或併發症，整體給付就會往上跳。AI 的強項剛好就是在病歷、對話紀錄與歷史資料裡，把人類審查員容易漏掉的次要診斷全部翻出來。
於是出現一個很微妙的落差：
- 診斷數：明顯增加。
- 實際治療量：沒有同步增加。
BCBSA 產品與資料科學資深副總裁 Luke Chalker 的說法被多家媒體引用：「診斷與治療之間的落差，顯示 AI 找到的是更多『可計費的病況』，而不是更嚴重的病人。」
金額與傳導路徑
| 項目 | 內容 |
|---|---|
| 額外給付 | 近 10 億美元（2023–2025 年；另一版本說法是 2024–2025 年比前一年度多付近 10 億美元） |
| 主要來源 | AI 輔助醫院文件記錄（documentation）與語音轉錄工具 |
| 誰先付 | 保險公司 |
| 誰最後付 | 保費調漲後回到被保險人身上 |
| 保險業的解讀 | 這是「AI 助攻申報」而非「病人變嚴重」 |
這裡有個對產業的殘酷提醒：AI 若被接在一個「按件計酬」的流程上，它會把那個流程的效率放大——包括把它的缺點放大。 醫療帳務的計價單位是診斷與服務量，AI 的價值就是產出更多、更完整的文件，於是「效率提升」直接翻譯成「支出提升」。
曲線二：付費端用 AI 反過來擋
面對帳單上升，付費端（保險公司與政府）的直覺反應是：也用 AI 去審。這一側的代表作，就是 CMS 的 WISeR 模型。
WISeR 是什麼、跑多久了
- 全名是 Wasteful and Inappropriate Service Reduction Model（減少浪費與不當服務模型），由 CMS 創新中心主導。
- 2026 年 1 月 1 日起在 6 個州對傳統 Medicare（Original Medicare）受益人實施。
- 傳統 Medicare 過去幾乎不要求事前審查；相較之下，Medicare Advantage 光是 2024 年就做了近 5,300 萬件事前審查（KFF 統計）。WISeR 等於把商業保險那一套（最被詬病的那一套）搬進聯邦制度。
- 執行並非 CMS 自己動手，而是外包給 6 家健康科技公司：Cohere Health、Genzeon、Humata Health、Innovaccer、Vitrix Health、Zyter。
數據：初審被砍掉的比例高得不正常
| 指標 | 數值 | 對照基準 |
|---|---|---|
| 德州 WISeR 初審核准率 | 62% | Medicare Advantage 平均 > 92% |
| 同一批申請經人工複審後核准率 | 84% | 等於約 22 個百分點是「機器判錯、人救回來」 |
| AI 拒賠上訴到聯邦行政法官（ALJ）後的撤銷率 | 約 90% | — |
「上訴後 90% 被推翻」這個數字最值得停下來看。它代表兩件事：第一，被擋掉的人確實有一大部分本來就該過；第二，真正能走完上訴流程的人只是少數——能申訴、會申訴、有時間申訴的人，永遠不是最需要醫療的那群人。
最被批評的一點：制度設計成「拒賠有獎金」
EFF 的訴狀與多家媒體都指向同一個結構性問題：外包廠商的報酬部分取決於它拒絕了多少服務，最高可拿到相關節省金額的 20%。
當「拒賠」被寫進分潤公式，演算法的最佳化方向就不再是「正確」，而是「能擋就擋」。美國醫院協會（AHA）的評論是：「我們的許多擔憂都成真了。」臨床端的回報則是拒賠率異常偏高、治療延誤、系統故障與沉重的行政負擔。
法律戰已經開打
| 案件 | 對象 | 主張 | 進度 |
|---|---|---|---|
| EFF v. CMS | CMS | 2026-01-29 提 FOIA 未果，2026-03-24 於加州北區聯邦地院起訴，要求公開 WISeR 演算法邏輯、測試報告、偏見稽核、廠商合約與付款機制 | 進行中 |
| 集體訴訟（nH Predict） | Humana、UnitedHealth | 用 Optum 旗下 naviHealth 的 nH Predict 預測復健天數、批次砍給付；原告指錯誤率 90%。86 歲原告 JoAnne Barrows 需要 6 週非負重，卻在 2 週後被取消給付 | Humana 主張法院無管轄權（未走完 Medicare 四階段行政救濟）；UnitedHealth 的聲請被法官駁回，案件繼續 |
| 參議院 PSI 報告（2024-10-17） | Medicare Advantage 業者 | 系統性拒絕復健後照護 | 已成為後續訴訟基礎 |
Humana 的回應很典型：它否認「單憑 AI 決定」，也強調原告沒有走完法定救濟程序。而 UnitedHealth 案法官的裁定更關鍵——法院認為這類指控值得進到實質審理，這對所有在理賠流程裡放演算法的公司都是警訊。
監管正在往「透明化＋時限化」走
美國現在有兩條規則線同時推進，方向對開發者其實很有參考價值：
已生效的 2024 年最終規則（CMS-4201-F） Medicare Advantage 的醫療必要性判定必須「依個別病人的具體情況」，不得單靠不考慮個人情況的演算法或軟體，且判定必須由醫師或合格醫療專業人員審查。
2026 年 4 月 10 日提出的 CMS-0062-P
- 事前審查 API 範圍擴及醫療給付項下的藥品，2027 年 10 月 1 日起適用。
- 壓縮決策時限：急件 24 小時、一般件 72 小時（Medicaid 7 天）。
- 拒賠必須給出具體理由（不得只說「不符合醫療必要性」）。
- 技術標準綁定 HL7 FHIR 與 Da Vinci 系列實作指引（含 CDex 用於附件交換）。
- 2028 年起要求保險人公開年度事前審查指標（核准／拒絕率、API 使用量）。
換句話說，政策方向不是「禁止 AI」，而是把 AI 塞回一套可問責的流程：要有理由、有時限、要能查、要有人簽名。
各方立場對照
| 角色 | 主張 |
|---|---|
| AMA（美國醫學會，2026 年 6 月年會新政策） | AI 只能是輔助工具，反對自主或半自主 AI 取代醫師的覆核角色；要求公開臨床邏輯與資料來源；主張定期稽核（模型、訓練資料或臨床指引重大變更時觸發）＋年度總檢 |
| AHA（美國醫院協會） | 事前審查造成高拒賠率、治療延誤與行政負擔，威脅病人安全 |
| BCBSA（保險端） | 醫院用 AI 墊高申報，成本最後由保費承擔 |
| 保險公司 | AI 用於自動化與反詐欺（產業估醫療詐欺每年最高 3,000 億美元、佔支出 3–10%），並稱最終裁決仍由人做出 |
| CMS 署長 Oz | 「短期內 AI 會是通膨性的，因為它會把現有帳單系統的效率再加速」；但「如果我們不在對抗疾病的壕溝戰裡用 AI，我保證我們會失去人命」 |
| EFF 與消費者團體 | 演算法透明、正當法律程序、不得黑箱剝奪醫療給付 |
值得注意的是，Oz 的長線解方是把給付從「按服務計費」轉向「按健康結果計費」（靠 ACO 責任照護組織）。邏輯上這是對的：只要付費公式獎勵「做更多」，AI 就會做更多；只有當公式獎勵「結果更好」，AI 才會往臨床效率走。但這條路很慢，短期帳單還是會先漲。
對台灣的三個類比觀察
這則新聞離台灣並不遠，因為台灣的健保與商業保險有結構上相似的環節：
- 健保事前審查若導入 AI，關鍵不是模型而是流程。美國的教訓很明確：初審把關、人工複審、具體拒賠理由、上訴可達性是四根柱子，少一根就會出現「機器擋掉、人救回來」的荒謬落差。健保署對高價新藥與特殊醫材的審查若要用大數據輔助，這四件事必須同時到位。
- 生成式 AI 病歷與 DRG 編碼的「申報膨脹」風險。台灣醫院若普遍用 AI 協助病歷撰寫與編碼，同樣可能自動帶出更多次要診斷、拉高申報點數。這不是道德問題而是計價誘因問題——需要對稱的 AI 稽核機制，否則點值會被稀釋。
- 商業醫療險的自動化核賠必須保留 human-in-the-loop。台灣保戶對「AI 拒賠」的容忍度不會比美國高。可預期未來金管會與評議中心會更在意：拒賠理由是否具體、是否由具資格人員實質審查、申訴管道是否有效。
如果你在做醫療相關 AI 產品，這是四個可以直接抄的設計原則
- 決策必須留痕且可解釋：每一次拒絕都要能回答「依據哪一條規則、哪一份臨床資料、由誰覆核」。CMS 已經把這一條寫進法規，客戶會跟著要求。
- 不要讓獎勵函數直接獎勵「拒絕」：WISeR 被批評最兇的不是 AI，而是 20% 分潤。如果你是廠商，主動反對這種 KPI 反而是長期護城河。
- 初審可以是 AI，終審必須是人：而且要看得出兩者的差異（像德州那樣，初審 62%、複審 84%，這種落差本身就是產品缺陷）。
- 準備好被審計：AMA 的主張是「模型、訓練資料或臨床指引有重大變更時就要觸發稽核」。也就是說，版本控管與可回溯的決策日誌，是醫療 AI 的標配而非加分項。
延伸閱讀
- AI Agent 灌爆公共服務：「代理人泛濫」84 案例曝光 — 同一類「自動化決策大規模上線、人類監督跟不上」的結構問題，換成公部門版本。
- AI 幻覺差點引爆美中軍事衝突：美軍分析官誤判中國貨船載「核武組件」 — 當 AI 的判斷被當成事實，代價可能不只是帳單。
- AI 三巨頭罕見同桌談安全：AEF-1 第三方評估標準出爐 — 本文提到的「誰來稽核 AI」在模型層的對應段落。
資料來源
- TechCrunch 2026-09-26〈Insurers claim AI is already increasing healthcare costs〉：techcrunch.com
- 《紐約時報》2026-09-24 相關報導（付費牆）：nytimes.com
- Healthcare Dive〈AI will inflate healthcare costs before lowering them, Oz says〉：healthcaredive.com
- TechRadar Pro〈Hospital AI use is causing medical bills to soar, with Blue Cross estimating $1 billion in extra insurance costs〉：techradar.com
- Medicare Rights Center 2026-09-24〈New Records Show Medicare WISeR AI Prior Authorization Model Causing Inappropriate Denials of Care〉：medicarerights.org
- EFF v. CMS 起訴狀（加州北區聯邦地院，2026-03-24）：eff.org
- Ars Technica 2026-09-25〈Trump admin using AI to deny medical care for seniors in disastrous experiment〉：arstechnica.com
- Fierce Healthcare〈Humana seeks dismissal of case that alleged it used AI in claims denials〉：fiercehealthcare.com
- AMA 新聞稿〈AMA policies to ensure AI supports—not replaces—physician judgment〉：ama-assn.org
- CMS 2026 互通性與藥品事前審查提案（CMS-0062-P，2026-04-10）：cms.gov
- KFF〈Medicare Advantage Insurers Made Nearly 53 Million Prior Authorization Determinations in 2024〉：kff.org