近十億美元的「未曾發生的醫療」：藍十字藍盾協會將 9.42 億美元額外成本歸咎於 AI 編碼工具

這個數字在週四悄然公布：9.42 億美元。這是藍十字藍盾（Blue Cross Blue Shield）體系保險公司在兩年內，因醫院與診所採用「更擅長找到可收費項目」的 AI 工具而多吸收的支出——而且根據保險方的數據，這些多出來的費用並沒有對應到實際增加的醫療行為。

這份由藍十字藍盾協會（BCBSA）於 9 月 24 日發布、路透社報導的研究，是目前為止對「AI 向上編碼（upcoding）」現象最尖銳的量化。自從環境式 AI 抄寫員（ambient scribes）開始走進診間，付費方就不斷提出警告，而這份報告發布的時機點尤其微妙：正當 AI 在臨床上最有說服力的應用——減輕倦怠醫師的文書負擔——與美國按量計酬（fee-for-service）制度的帳單誘因正面相撞。

研究發現了什麼

BCBSA 分析了其體系內 31 家獨立保險公司（合計承保超過 1 億美國人）的住院帳單，將 2024–2025 年的理賠資料與 2023 年基準比較，追蹤醫療院所申報次診斷（secondary conditions）的頻率——即伴隨主要入院原因一併記錄的共病。在住院情境下，這類共病會讓病例落入更高的複雜度等級，從而獲得更高的給付。

核心數字如下：

• 增加的費用中有 6.53 億美元，特別來自 2024–2025 年間次診斷申報頻率的上升。
• 兩年期間，編碼強度提高的醫療總計為 BCBS 體系增加 9.42 億美元成本（相較 2023 年）。
• 在接受重大腸道手術的患者中，被記錄的次診斷大幅增加：腸道部分阻塞上升 55%、體內酸超載上升 33%（比較 2023 年第一季與 2025 年第四季）。

背後的機制一點都不神祕。醫療院所利用 AI 掃描既有的病歷以找出可收費的次診斷，或部署環境式抄寫員——被動聆聽醫病對話、自動草擬醫療紀錄的工具。記錄的複雜度越高，給付就越高。一份過去寫著「例行入院」的病歷，現在會被模型從十年病史中推論出的每一個可編碼疾病填滿。

有診斷、沒治療

整份分析最致命的部分，是「沒有改變」的部分：治療率。

「如果患者真的更病重，我們應該會看到更多治療，」BCBSA 產品與資料科學資深副總裁 Luke Chalker 說。數據顯示的卻是相反。BCBSA 臨床事務副總裁 Razia Hashmi 醫師指出，腸道手術病例中記錄的複雜度，並未對應到更高的實際治療率。例如貧血診斷增加了，但輸血——紅血球不足的標準治療——並沒有增加。

「診斷與治療之間的脫節顯示，AI 找出的是更多『可計費』的疾病，而不是更病重的患者，」Chalker 總結道。

這一句話就是整份研究的核心論點，也是稽核人員用來區分「合法的文件品質改善」與「向上編碼」的特徵：有代碼沒有後續處置、有診斷沒有介入。AI 沒有讓病人更病重；它讓病人的病歷更昂貴。

一場早已在醞釀的戰爭

BCBSA 並非中立旁觀者——它代表的就是支付這些帳單的實體，付費方有充分誘因在輿論場上討論編碼強度問題。但這份九月報告其實是續集：2026 年 3 月，BCBSA 與 Blue Health Intelligence 的早期研究首次將 AI 抄寫員與醫院帳單上漲掛鉤，並估計 AI 編碼造成的超額住院支出已達數億美元。其他保險公司（包括 Centene）也分別表示，醫療體系的 AI 工具已帶來激進或不當的給付要求。

醫院端則有另一套說法：數十年來病歷一直被「低度編碼」，時間壓力下的醫師漏掉了許多可申報的次診斷，AI 只是補上了資訊落差。兩邊各有部分道理——上升的編碼中，確實有一部分可能反映了真實疾病被合法捕捉。但「紙上更病重、臨床上沒治療」的特徵，很難被完全解釋掉。

與此同時，政策文獻追蹤這場軍備競賽已超過一年。2025 年一篇 PMC 政策簡報就將環境式抄寫員的帳務效應描述為隱然成形的「編碼軍備競賽」；2026 年付費方的研究也顯示，保險公司已開始對 AI 抄寫的理賠降級編碼（downcoding）反制——這種手段的風險在於，誠實的文件紀錄會跟浮報的申請一起被懲罰。

為什麼帳單之外的影響更深遠

有三個更宏觀的層面值得深思。

第一，這是代理式 AI（agentic AI）第一個被完整量化的外部性。 整個產業把安全論述花在前沿模型與失控情境上。這裡卻是一個平凡、可測量的傷害模式：推論系統大規模地對給付規則進行最佳化，兩年內只在單一保險體系內就移動了近十億美元。若外推到全美付費市場，真實數字將是 BCBS 數字的好幾倍。

第二，誘因梯度指向錯的方向。 環境式抄寫員確實能減輕醫師倦怠——這個好處真實且有據可查。但當初賣給醫院的 ROI 論述從來不只是臨床人員福祉，而是「收入完整性」（revenue integrity）——實務上意味著捕捉每一個可編碼的疾病。當工具的推銷詞是「找出更多可收費代碼」，醫院買單、保險公司付錢，而最終吸收差額的，是持續上漲保費的投保人——也就是患者。

第三，瓶頸已從「生成」移向「驗證」。 這裡暴露的核心不對稱是：AI 可以在幾毫秒內「生成」一個貌似合理的次診斷，但要「驗證」該診斷是否反映真實病況，需要的是系統裡根本沒有預算支應的人類臨床判斷。文件端獲得的每一分效率，都變成稽核端的一分成本。可以預期保險公司將以自己的模型回擊，帳務稽核軍備競賽將成為 AI 對 AI 的戰爭。

接下來會發生什麼

BCBSA 報告給了監管機構與保險公司迄今最乾淨的證據基準。可能的後續包括：保險方針對「採用抄寫員後編碼強度快速攀升」的醫療院所發起專項稽核；各州保險監理機關將編碼強度指標納入費率審查；甚至可能引來立法關注——畢竟醫療帳務是少數幾個 AI 傷害具體、已貨幣化、且可追溯到特定行為人的應用領域。

對 AI 產業而言，最不舒服的教訓是：部署的情境決定一切。同一個讓醫師擺脫鍵盤的環境聆聽技術，可以悄悄重新定價一次住院——不是因為模型在任何實驗室定義的意義上「未對齊」，而是因為它忠實地最佳化了買家真正付錢購買的目標。這 9.42 億美元不是智慧的失敗，而是誘因的失敗——按每一張理賠申請計價。