讓診所敢把第一線對話交給 AI

1ContextLINE 已經是診所的半自動入口

在做 1.Talk AI Agent 之前，我們訪談了一間已使用舊版線上預約的診所。診所已透過 LINE（台灣與日本常用的通訊軟體）Rich Menu 提供預約入口，體感約一半病患會從 LINE 開始預約。

但線上入口不代表流程已經自動化。很多病患會先在 LINE 詢問、確認狀況，再請櫃檯協助安排。對診所來說，LINE 已經是半自動入口：前段像自助，最後一步仍仰賴真人。

這也讓我看到一個重要問題：LINE 裡的訊息不是同一種難度。有些是高頻、標準化問題，例如門診時間、地址、預約方式；有些則需要真人判斷，例如自費療程排診、床位安排、健保規則、客訴或 VIP 客戶對話。

這讓我意識到，LINE 不是單純的客服入口，而是一個混合了查詢、預約、判斷與風險處理的工作入口。

2InsightAI 的價值不在回答更多，而在判斷每一種對話該怎麼處理

從訪談和後續 AI Agent 需求討論裡，我們發現診所真正擔心的不是 AI 會不會聊天，而是它能不能判斷每一種對話該怎麼處理。

門診時間、地址、預約方式這類高頻問題，可以由 AI 先承接；但自費療程排診、床位安排、健保規則、投訴或 VIP 客戶對話，就不能讓 AI 自由發揮。

也因此，診所要的不是一個 FAQ bot，而是一個能穩定分類、正確回覆、控制風險，並在不確定時交回真人的系統。

這個 insight 讓設計問題變得很清楚：AI 不能只會回答，它必須知道什麼時候該回、該停、該引導，或該請真人接手。

3Design challenge讓 AI 可以被信任地進入真人工作流

要讓診所願意把第一線對話交給 AI，我需要解決三個設計挑戰：

1. 資訊不能錯：門診時間、醫師姓名、費用與療程資訊不能編造，也不能模糊帶過。
2. 能力不能假裝有：AI 不能承諾它做不到的事，例如「我會轉達」「會安排專人回覆」「會保證處理」。
3. 診所要能拿回控制權：不同診所有不同工作模式，有人想全天開，有人只想下診後開，也有人只想讓 AI 處理初診或預約問題。

4Strategy把信任拆成一套產品系統

因為問題不是單一畫面或單一功能，我把解法拆成四個部分：

1. 定義 AI 邊界：先說清楚 AI 能說什麼、不能說什麼。
2. 建立人機交接：讓診所能暫停 AI、切回真人、處理高風險對話。
3. 建立測試閉環：把 AI 每次可能不同的回答，變成可以重測、追蹤、修正的案例。
4. 轉譯使用價值：把 Prompt、視覺身份與成果數據，轉成診所和病患看得懂的語言。

這四件事串起來，才讓 AI 從「會回答」變成「可以被診所放心使用」。

5Solution 1先定義 AI 能說什麼、不能說什麼

第一層信任，是先管住 AI。

我主筆了 AI 初版行為規格書（Global Prompt），核心原則只有一句：寧可少說，不可說錯。

這個原則落在幾個具體規則裡：

• 不編造：電話、網址、醫師姓名、營業時間，查得到才說，查不到就明說查不到
• 資訊零容錯：醫師姓名、門診時間、療程資訊不能猜，也不能用相近資訊代替
• 不假承諾：不能說「我會幫您轉接」「會安排專人回覆」，因為系統當時沒有主動通報診所端的能力
• 高風險情境要收斂：重大投訴、醫療爭議、情緒強烈的對話，優先道歉、提供診所電話，必要時導向真人或外部協助

案例 A：門診時間零容錯

訪談中，診所提到門診表其實已經放在 LINE 選單裡，但病患仍反覆詢問特定醫師的門診時間。對櫃檯來說，這是重複問題；對 AI 來說，卻是不能答錯的高風險資訊。

所以我把這個痛點寫進 AI 行為規格：醫師姓名必須與資料庫逐字一致、查不到就明說查不到、不得編造門診資訊。後續在測試資料庫裡，「診療時間查詢」也成為每間診所都要驗證的測試項目。

一個第一線的重複問題，變成一條 AI 規則，再變成可重複驗證的測試案例。這條追溯鏈就是這個產品的做事方法。

案例 B：高風險投訴不能假承諾

另一次測試中，AI 面對一位遭遇騷擾的病患時，回覆「會將情況轉達給診所」。語氣看起來貼心，但問題是：系統其實沒有這個功能。

這類回覆不是語氣問題，而是能力邊界問題。第一版我先在 Global Prompt 裡收斂 AI 的說法：不承諾轉達、不建立內部通報假象；面對重大投訴時，先承接情緒、道歉，並提供診所電話。

這次判斷也讓我更確定：不是所有問題都該用更好的話術解決；有些問題需要被推進成產品機制。

6Solution 2控制權不是一個開關，而是一組工作流選擇

AI 上線後，診所每天都會遇到需要人工判斷的對話。只讓診所完成設定還不夠；他們還需要在任何時候都能暫停 AI、切回真人處理。

因此，我沒有把控制權設計成單一開關，而是拆成三層：

1. 全域開關：必要時一鍵停止所有自動回覆。
2. 單一聊天室開關：針對特定對話關閉 AI，覆蓋全域設定，且記憶先前狀態。
3. 真人接手訊號：當 AI 判斷需要真人協助時，聊天室會顯示「真人招手」的 emoji 動態，讓櫃檯知道這段對話需要接手。

真人接手必須直接出現在櫃檯的工作現場，而不是另開一個系統，因為櫃檯沒有時間切畫面。

上線後的真實使用也印證了這層設計：有診所日常營業就開著 AI，讓櫃檯在人工與 AI 之間切換；也有診所選擇「下診才開啟」，讓 AI 承接休假時段的訊息，隔天再由櫃檯接續處理。後續訪談也出現更細的需求，例如希望 AI 只回覆初診或預約相關病患，避免影響 VIP 客戶體驗。

這些回饋讓我們更確定：AI 的控制權不該只有開或關，而要能對應診所真實的分時段、分情境工作流。訪談中診所也明確說，自費療程因為床位和醫師現場判斷，必須人工排診。所以我們沒有追求「全自動」：human-in-the-loop 是設計，不是妥協。

7Solution 3把 AI 行為變成可重測的 QA 系統

有了邊界與控制權，下一個問題是：我們怎麼知道 AI 真的照規則運作？

傳統 QA 測「按下按鈕會不會壞」；AI 產品的測試是「它在這個情境會不會說出不該說的話」，而且每次回答都可能不同。

我設計了一套測試管理系統的結構與流程，與 QA 協作運營，把分散在對話、截圖、文件裡的測試回饋收斂成結構化資料庫。系統記錄測試情境、預期與實際結果、失敗原因、優先級、負責人與重測狀態，讓團隊能追蹤每個案例從 Failed 到 Pass 的修正過程。

測試分類包含身份認同、服務範圍、語氣風格、回覆規則、情境判斷、工具使用、邊界情況與安全性。實際攔下的問題包括：多輪對話中 AI 助理身份漂移（P1）、資料庫衝突時輸出系統符號、回覆風格三種語氣的呈現不符預期，以及 RAG 回覆資料正確性需要獨立驗證。

測試不再是一次性的驗收，而是這個非確定性產品持續校正的機制。

8Adoption把 Prompt、視覺與成果轉成診所看得懂的語言

當 AI 的邊界、控制權和測試機制都建立後，下一個問題是：診所和病患要如何建立使用信心？我的做法不是讓使用者理解 AI 技術，而是把它轉譯成他們看得懂、用得上的語言。

首先是 Prompt 設定的轉譯。早期測試發現，診所會混淆「知識庫」和「提示詞」：前者決定 AI 有什麼資料可以答，後者決定它怎麼答、何時轉真人。這不是使用者的錯，而是概念本身就太工程。因此我把 prompt engineering 拆成診所熟悉的設定：助理名稱與歡迎詞定義身份，回覆風格讓語氣可被選擇，AI 提示詞補充診所希望 AI 遵守的規則，而「更新知識庫」則獨立處理資料更新。對診所來說，這不是在設定 prompt，而是在教一位新櫃檯：它叫什麼、怎麼說話、知道哪些事、遇到不確定時該怎麼停下來。

其次是 視覺身份的轉譯。初期我們討論過是否要讓 AI 助理直接使用各診所的 logo，但我選擇先讓病患辨識「這是一位 AI 助理」，而不是把它完全包裝成診所本人。因為產品初期仍在校正，清楚的 AI 身份能降低誤解，也讓病患對偶發的不完整回覆有更高容錯。

在角色形象上，我們一開始延續公司吉祥物「熊」的概念，把它當成 AI 助理的分身；後來和行銷團隊討論後，決定讓 AI Agent 有更獨立的產品意象。後續由另一位設計師接手角色視覺，我協助判斷與收斂：將設計中的 spark 閃光點轉化成眼鏡反光，既保留 AI 的智慧感，也暗示「博學、多聞、能協助判斷」的角色特質。當熊的意象被進一步簡化，整體角色也從可愛吉祥物，變成更精準的產品代表。

此外，診所也已經可以自行替換角色圖像，讓 AI 助理在保有清楚身份的前提下，仍能銜接各診所自己的品牌視覺。

9Outcome從測試功能到主力產品

1.Talk AI Agent 從 2025 年 5 月的測試功能，成長為公司主力產品。

診所開通

44 家

到 2026 年 1 月，已有約 44 家診所開通，且逐月加速。

AI 回覆準確率

87.7%–94.1%

高用量診所近 7 天 AI 回覆準確率達 87.7%–94.1%。

每日節省人工回覆時間

120+ 分鐘

成功案例診所導入後，AI 過濾 80% 以上重複性訊息，平均每日承接 80+ 則訊息、協助 35+ 位患者，並節省 120+ 分鐘人工回覆時間。

更重要的是，這個產品讓團隊建立了一套可以持續擴充的 AI 導入方法：先定義行為邊界，再讓診所保有控制權，最後用測試和數據持續校正。 這套方法後續也成為日本診所導入時的基礎，讓團隊能用同一套行為規格、測試情境與風險邊界，對齊不同醫療市場的使用需求。

10Reflection從回答問題，到協助完成任務

這個專案讓我重新理解 AI 產品的設計範圍。AI Agent 的設計不只在 UI，也在規則、測試、失敗處理和人機交接這些「看不見的產品介面」裡。

1. AI 的設計也包含「它不該做什麼」

真正影響信任的，不只是 AI 回得多自然，而是它能不能在不確定時停下來，不編造、不假承諾。

2. 醫療場景裡，邊界比自動化更重要

有些對話可以標準化，有些必須保留真人判斷。好的 AI 設計不是追求全自動，而是讓 AI 和真人能安全交接。

3. 下一步是從回答走向協助完成

未來 AI 可以先收集資訊、判斷條件，再交由櫃檯確認，或完成低風險任務，逐步成為診所工作流裡可靠的協作者。