美國藍十字藍盾協會（Blue Cross Blue Shield Association, BCBSA）於二〇二六年九月二十四日公布住院申報分析，指醫療機構以人工智能掃描病歷或使用環境聽寫（ambient scribe）識別次要診斷後，藍十字體系在二〇二四至二〇二五年相對二〇二三年基準，估計多出約九億四千二百萬美元支出；其中約六億五千三百萬美元來自把申報推高至較高複雜度級別的次要診斷。來源真實性已核對路透社九月二十四日報道、TechCrunch 九月二十六日跟進，以及多家專業媒體對同一白皮書數字的交叉引述。本文整理機制、醫院業反駁，以及對企業導入臨床／申報 AI 的管治含義。

路透／TechCrunch／BCBSA：保險業指醫院 AI 編碼兩年推高約九億四千萬美元支出——次要診斷與治療脫節

BCBSA 是美國三十一家獨立藍十字藍盾保險公司的協會組織，代表覆蓋逾一億人。其產品與數據科學高級副總裁 Luke Chalker 對路透表示：「若病人真的更重病，我們預期會看到更多治療。」協會臨床事務副總裁 Razia Hashmi 醫生亦指出，以貧血為例，診斷增加並未伴隨輸血等常見治療同步上升。Chalker 總結：「診斷與治療之間的落差，顯示 AI 正在識別更多可計費的病況，而非更重病的病人。」來源真實性已驗證。

須先釐清性質：這是保險業協會以申報數據完成的白皮書分析，並非同儕評審醫學期刊論文；醫院業則反指住院病人確實更年長、慢病更多，且更佳文書只是補回過去漏記的診斷。雙方皆未公開足以逐案裁定的病歷級審查。讀者應把數字理解為「保險端以編碼密度與治療強度脫節為證據的成本估算」，而非已定讞的詐騙指控。

一、核心事件：AI 文書如何把住院單「寫得更複雜」

技術細節與可核對節點

發布與來源：BCBSA 於二〇二六年九月二十四日（周四）發布住院場域分析；路透社同日報道；TechCrunch 於九月二十六日（太平洋時間下午）以「保險公司聲稱 AI 已在推高醫療成本」為題跟進，並引述《紐約時報》將該分析視為 AI 推高醫療支出的最新跡象。
總額：相對二〇二三年基準，二〇二四至二〇二五年「更密集照護／編碼」為藍十字體系帶來估計約 九億四千二百萬美元 額外成本。
次要診斷貢獻：同期醫療提供者更頻密申報次要病況（secondary conditions），為藍十字公司推高約 六億五千三百萬美元。
量級細節（專業媒體交叉引述）：Medical Daily／Fierce Healthcare 等引述指，約逾 五萬五千 宗申報因次要診斷進入較高付費級別，平均每宗額外複雜個案約 一萬一千 美元量級；個別報道亦提到住院複雜個案佔比約由百分之三十七升至約百分之四十——此類細項宜以協會正式文件為準，本文僅作量級參考。
AI 路徑：BCBSA 指機構以 AI 掃描既有電子病歷，或使用 ambient scribe（診症期間被動收音並起草病歷），自動標出並存檔次要／共存診斷。
支付機制：住院個案一旦被記錄為更高臨床複雜度，保險支付級距上調；次要診斷正是把個案「推向」更高級距的常見槓桿。
臨床錯配例子（路透）：重大腸道手術相關次要病況中，如部分腸道阻塞、體內酸負荷過高等，自二〇二三年第一季至二〇二五年第四季分別上升約百分之五十五與百分之三十三；貧血診斷上升但輸血未見對應增加。
產業雙方口徑：保險端（含 Centene 等）警告醫療體系 AI 工具導致積極甚至不當的申報；醫院端（如美國醫院協會相關論述）強調人口老化、慢病上升與個案組合指數上升，並指保險端本身亦有編碼與拒賠 AI 攻防。TechCrunch 引述 AI 病歷新創 Abridge 創辦人 Shiv Rao 醫生指，業界可能走向「機械人對機械人、代理對代理」的對峙，但也可能用 AI 降低摩擦與成本。

二、技術原理深度解析：從語音稿到 DRG／嚴重度分級

臨床 AI 文書鏈大致分為三層：

擷取層：ambient scribe 把醫病對話轉成草稿；或批次掃描歷史病歷、檢驗與藥物清單，用命名實體識別與知識圖譜標出可能共存的診斷碼（如 ICD）。
編碼層：自主／半自主編碼引擎把診斷與處置對應到可申報代碼，並依醫院分級系統（如影響支付的嚴重度／合併症組合）建議「完整」文書。
支付層：保險方以同樣結構化代碼決定支付級距、事前授權與審核抽樣。當供應端 AI 優化「可發現的診斷覆蓋率」，需求端 AI 優化「可否證成必要性」時，雙方目標函數並不一致——前者傾向提高文書完整度與級距，後者傾向壓低不合理給付。

關鍵技術爭議不在「語音轉文字準不準」，而在：模型建議的次要診斷，是否有對應的臨床評估、處置或監測紀錄。若系統以「歷史庫中曾出現」或「統計上常共現」為由寫入當次住院，就會出現保險端所稱的「編碼與治療脫節」。反過來說，若過去人力編碼長期漏記真實共存病，AI 補齊反而可能提高病歷真實性——這正是醫院業的核心反駁，也是為何缺少病歷級金標準就難以單方面定調。

對工程與風控團隊而言，可落地的控制點包括：次要診斷必須綁定當次就醫的證據物件（檢驗、用藥、會診）；高影響代碼需人工複核；對模型輸出做「有診斷無處置」的異常偵測；以及把提示詞、模型版本與覆核軌跡留存，以備付款爭議與合規審計。

四、日常應用場景

1. 開發者與技術團隊

若在醫院資訊系統、RCM（收入周期管理）或病歷 AI 產品中接上編碼建議，應把「建議碼」與「已確認碼」分開建模，並記錄誰在何時接受建議。評估指標不宜只看召回率（找到多少碼），更要看 陽性預測值 與「被接受碼是否在七日內出現對應醫囑／處置」。對代理式工作流，需限制其不得在無臨床用戶確認下直接寫入正式問題清單。

2. 企業與隱私敏感行業

醫療、保險、藥企與處理健康數據的 BPO／外包團隊，導入生成式 AI 起草病歷或申報說明時，須同時滿足私隱、醫療器械／軟件風險分級與合約中的數據出境條款。香港團隊若服務美國或跨境保險客戶，應預設對方會要求：模型與提示不可用真實 PHI 做外部微調、輸出需可追溯，以及對「自動升碼」設業務規則熔斷。

3. 一般用戶

病人較少直接接觸編碼引擎，但次要診斷會出現在保險結算單與往後共享的病歷中。若發現自己從未討論或接受治療的病況被寫入，應向院方要求解釋或更正——這關乎後續核保、慢性病標籤與臨床決策，而不只是帳單數字。

4. 香港與亞洲市場視角

香港公營與私營醫院同樣推進語音病歷、臨床決策支援與申報自動化；本地自願醫保與保險公司審核亦日趨數據化。BCBSA 爭議提醒亞洲採購者：評估「AI 病歷／編碼」不可只看生產力簡報，而要看 診斷—處置一致性監控、人工覆核比例、以及付款爭議升級路徑。對要在港部署企業級醫療或保險 AI、又必須數據不出境的機構，私有化模型與全託管流水線往往比直接把病歷送進公有聊天機械人更可控。

五、專業評價與潛在考量

優勢

路透等通訊社同步引述協會具名發言人與明確美元數字，便於獨立交叉核對，資訊密度高於純社交媒體傳聞。
把抽象的「AI 推高醫療通膨」落到可觀察的申報機理（次要診斷、嚴重度級距、ambient scribe），對產品與合規設計有操作價值。
同時呈現醫院業反駁與保險端利益立場，避免單方面敘事。

需要留意的地方

利益衝突：白皮書由有誘因壓低醫院給付的保險協會發布；方法以申報為主而非病歷審計。
因果強度有限：「AI 使用」與「編碼上升」的對應，部分依賴廠商公開說法與醫院問卷，而非逐院 AI 日誌對帳。
雙向 AI 軍備競賽：保險拒賠與利用率管理同樣大量使用自動化；只譴責院方文書 AI 會低估系統性問題。
地域外推：數字僅反映美國藍十字住院樣本，不能直接等同香港或亞洲市場的絕對金額。

結語

BCBSA 九月二十四日的分析，把「醫院 AI 文書／編碼」推上保險成本辯論的中央：協會估計兩年約九億四千二百萬美元額外支出，並以次要診斷與治療脫節作為核心證據；醫院業則強調病人結構真實變重與文書改善。無論最終法院或監管如何定性，企業若在臨床、保險或健康數據場景部署生成式 AI，已不能只優化吞吐量，而必須把證據綁定、覆核與審計軌跡寫進系統。

如需在香港以數據不出境的方式部署領域模型、審核代理或私有 API，可參考 YSK Limited 的企業私有 LLM 全託管（年費 HK$88,000 起，Dataset → QLoRA／LoRA → 私有 API）：https://ysk.hk/services/ai-automation

參考來源

Reuters，AI tools generated nearly $1 billion in extra costs, Blue Cross insurers say，2026-09-24：https://www.reuters.com/legal/litigation/ai-tools-generated-nearly-1-billion-extra-costs-blue-cross-insurers-say-2026-09-24/
TechCrunch，Insurers claim AI is already increasing healthcare costs，2026-09-26：https://techcrunch.com/2026/09/26/insurers-claim-ai-is-already-increasing-healthcare-costs/
Blue Cross Blue Shield Association／相關分析公開討論與專業媒體引述（Rising Coding Intensity 白皮書路徑；Medical Daily 等對 55,000 宗／約 $11,000 細項之交叉報道）：https://www.medicaldaily.com/blue-cross-ai-coding-medically-complex-hospital-records-479102
PYMNTS，AI-Generated Medical Coding Adds Nearly $1 Billion to Blue Cross Costs（轉述路透與 BCBSA 口徑），2026-09-24：https://www.pymnts.com/healthcare/2026/ai-generated-medical-coding-adds-nearly-1-billion-to-blue-cross-costs/