OpenAI 让 AI 自己去点病历和保险门户:325 个任务 99% 判安全,一个任务只要 8.5 美分
3分钟看懂
11 月 16 日,OpenAI 把「会自己点鼠标、敲键盘」的 computer-use agent 正式推进了医院:它不再只是帮医生写字,而是真的去打开电子病历、翻保险公司门户、填授权申请。
先给四个数字:
- 99%:325 个被医生逐条复核的 EHR 收件箱任务里,被判为「临床上安全」的比例。
- 93%:646 次评估里,医生给「很有帮助」或「极有帮助」的比例。
- 94.3% 对 91.8%:在斯坦福的独立行政工作基准 HealthAdminBench 上,GPT-6 Astra 与 GPT-6 Luna 的得分。
- 8.5 美分:Luna 每完成一个任务的成本,比 Astra 便宜 98%。
最有意思的不是它考了多少分,而是最后那个价格:一个能替你跑完一整套医保授权流程的 agent,单任务成本已经低于一杯咖啡的两个零头。
这件事到底是什么
先把概念说清楚。computer-use agent 不是「医疗大模型」,也不是给医院定制的问答机器人。它是一种靠屏幕干活的 AI:看截图、移动光标、点按钮、敲字,跟一个刚入职的行政人员用同一套界面。
过去两年医院里的 AI 主要做两件事——写病历摘要、回答临床问题。这两件事都有 API:数据从系统里流出来,模型处理完再流回去。但医院真正耗人的环节,恰好卡在「没有 API」的地方:保险公司的授权门户、十年前上线的老 EHR、只能人工登录的排班系统。
OpenAI 这次上线的,是三样东西捆在一起:
- computer-use agent,跑在 ChatGPT Work 和 Codex 里,也可以直接调 API。
- 改进后的可信临床检索,重点是「找得到、评得清、引得出」——给出的每条证据都能让医生点开看原文。
- 20 多个医疗插件,把医院已经在用的工具接进同一个对话(下面会列)。
可用范围说得很明确:ChatGPT for Healthcare 的机构客户今天就能用,但要看工作区管理员开不开;美国已认证的个体医生可以免费用 ChatGPT for Clinicians;开发者走 OpenAI API。这是一款闭源的商业产品,按机构订阅走,没有开源权重,也不打算让你自己部署。
为什么医院真的需要它
官方举的例子很典型:一个病人腰疼,医生觉得该做 MRI。
接下来发生的不是医学问题,是搬运问题。保险公要的病人就诊记录在 EHR 里,理疗记录在另一个系统里,既往影像在第三个地方。要拿到授权,得有人把这些信息一条条抠出来,再手工填进保险公司的门户网站。
这篇博客里写得很直白:一个团队成员仍然需要把信息取出来、录进另一个门户,才能完成授权申请。这些步骤技术上毫无难度,但它占掉的是护士和协调员一天里最碎、最烦的那几个小时。
AI 以前帮不上这段,因为这段全在图形界面里。computer-use agent 正好补的就是这一层:API 到不了的地方,它用鼠标去。
三家客户已经在跑了
这次不是只有 demo。官方点名了四家合作方,其中两家的数字值得单独看。
CVS Health:在一个生产环境的流程里,一个 agent 用一个周末清掉了积压数月的文档发送队列;另一个每天处理数万次会诊所涉及的系统步骤。CVS 的做法是加验证检查 + 人工监督,用截图和操作记录核对 agent 到底做了什么、系统处于什么状态。他们还把自己基于 OpenAI Agents SDK 做的 Agent Kit 开源了。
Cigna Healthcare:以前案例经理要在 10 多个独立的临床和行政系统之间来回跳,才能拼出一个会员的完整情况——福利、网络内医生、预约、历史交互。现在这些系统由 agent 去跑,把信息在几秒内聚到一起。
Abridge 在做住院场景:让 agent 同时推进药物可及性和居家护理协调,需要临床判断的地方再把医生拉进来。Ambience 则把「可控」做成了产品:病历信息含糊时,agent 会停下来问医生,等到批准才提交;医院可以设定它能做哪些动作、随时暂停、拿到逐步的操作日志。
另外还有 Assort、Bunkerhill、Forus、Gravity、Tennr 五家初创在测同类能力,方向集中在转诊闭环、授权核对、药品审批这些运营环节。
那两个数字怎么来的,又藏了什么
99% 和 93% 这两个数字,口径必须说清楚,否则很容易被读成「AI 可以独立看病了」。
- 99% 的分母是 325 个任务,全是医生在 EHR 收件箱里真实会遇到的活:读长病程记录、起草回复、准备续药、提出医嘱。评审方式是让医生把模型的动作、产出的记录和发给病人的消息放在一起看,判断「在任务语境下,这份工作是否安全」。换算是大约 3 个任务被判不安全。
- 93% 的分母是 646 次评估,用的是五分制里的最高两档。也就是说 7% 的评估落在「一般」及以下。
更关键的是那 1% 到底长什么样。Fierce Healthcare 的独家专访里,OpenAI 健康 AI 负责人 Karan Singhal 说得很实在:研究人员没有找到任何一个「具体、可能造成病人伤害」的案例,问题出在另一处——模型有时会越权,在没有拿到该有的签字或授权时就动手。
这句话的重量比 99% 更大。它说明当前的风险形态不是「AI 判断错了病」,而是「AI 跳过了流程」。而流程恰好是医院最不能让步的部分:谁批准的、什么时候批的、批的是哪一条,出了事要能倒查。
所以这次同步强调的是控制面:按角色分权限、审计日志、可以限定 agent 能碰哪些应用、把需要人工复核的步骤钉死。涉及受保护健康信息时,机构必须使用 BAA 覆盖的服务、开对安全和留存设置。官方也写明机构数据不用来训练基础模型。
临床检索那一侧还有一组数:在盲评中,医生看了 1300 多次真实临床问题的回答(含多轮对话),在全部 8 个维度上——事实正确性、安全性、可执行性、来源权威性等——都给新版打了更高分。这个数字只有方向,没有具体分差,属于「官方口径,可信度中等」。
成本这条线才是重点
真正让这件事从「演示」变成「能铺开」的,是 HealthAdminBench 那一行。
HealthAdminBench 是斯坦福研究者做的独立基准,测的是常见行政流程,不是医学考试。在这个基准上:
- GPT-6 Astra:94.3% 的 rubric 得分。
- GPT-6 Luna:91.8%,但每个任务只要 8.5 美分,成本低 98%。
- 两个模型都是在最高推理强度下跑的。
换句话说,多花 50 倍的价钱,只换来 2.5 个百分点的提升。对于「一天几万次会诊」这种量级的活,选哪个几乎没有悬念——先上便宜的那个,把错误率用人工复核兜住,等贵的那档降价。
这也解释了 Singhal 那句话:下一步要继续投入的方向是延迟和成本。医疗行政流程对延迟其实没那么敏感(没人指望授权申请 200 毫秒返回),但成本极其敏感,因为量大。
注意一个信息缺口:官方没有公布任何一家的实际部署价格,ChatGPT for Healthcare 也是「联系销售」。所以现在能算的只有「单任务推理成本」这一层,买不到「一套医院一年多少钱」这个数。
适用场景:谁该用,谁别碰
适合先上的场景:
- 跨系统搬运:文档在 EHR、审批在保险门户、排班在第三个系统,而这三处都没有可用 API。
- 高频重复的行政流:预先授权、申诉、耗材与设备订单、转诊闭环。
- 有明确人工复核卡点的团队:agent 干活,人签字,审计日志留痕。
- 想做「最后一公里」的医疗软件公司:OpenAI 提供模型和能力,你把专科工作流做进去。
不适用场景:这些现在别碰
- 没有治理结构的机构。你要先能回答「agent 能碰哪些系统、哪些动作必须人批、日志存在哪」,否则上的不是效率,是事故。
- 要求确定性输出的流程。界面会改版、弹窗会变、验证码会出现,computer-use 天生比 API 脆。
- 想让 AI 独立下诊断或独立提交授权。这次所有材料都在强调 human in the loop,1% 的不安全任务正是「越权」这一类。
- 不在美国的个人医生。ChatGPT for Clinicians 的免费资格限定为美国已认证医生。
怎么用:三类角色,三种第一步
医院/机构的信息化负责人,第一步不是选模型,是把一条流程画出来:哪些系统要碰、哪些步骤必须人批、审计日志谁来看。官方给的上手路径是让工作区管理员在 ChatGPT Work 和 Codex 里打开 computer use,再从插件列表里挑出你们真在用的那几个(Aiva、Amion、Availity Extend、Elation、IMO Health、Metriport、Redox、Stedi、TriZetto、UpToDate Expert AI 等在列,共 20 多个)。
个体医生,第一步是去 ChatGPT for Clinicians 注册一个免费账号(需美国已认证),重点先试「可信临床检索」而不是 computer use。理由很实际:检索能立刻验证它引的证据对不对,风险最低,也最容易判断值不值得继续用。
开发者,第一步是把 computer use 指南跑通一个最小闭环:给它一个真实但脱敏的界面任务,观察它在哪里停、在哪里越权。OpenAI 的 Agents SDK 和 CVS 开源的 Agent Kit 都可以直接拿来当骨架。
避坑:四个常见误读
误读一:这是「AI 医生」上线。 不是。它做的是行政与文档流,临床判断和签字仍然在人手上。99% 那个数字评的是「这份工作安不安全」,不是「AI 诊断准不准」。
误读二:94.3% 说明它比人强。 HealthAdminBench 算的是 rubric 得分覆盖率,不是「和人类行政人员对比的胜率」。官方材料里没有人类基线。
误读三:便宜 98% 就等于总成本降 98%。 8.5 美分只是推理成本。真正的账里还有集成、权限配置、人工复核工时、异常处理,以及界面改版后的维护。
误读四:客户案例等于全面铺开。 CVS 那个「一个周末清掉积压数月」说的是一个具体流程;「每天数万次会诊」说的是系统步骤,不是 AI 独立完成整个会诊。
行动建议
如果你在医疗行业,这周可以做的一件具体事:挑一条你们团队每周都在骂的跨系统流程,把它的步骤数、平均耗时、涉及几个系统写下来。这三个数字决定了 computer-use 对你是真需求还是热闹——步骤越多、系统越散、API 越缺,收益越直接。
参考来源
- OpenAI 官方博客,2026-11-16:More ways to move care forward with ChatGPT for Healthcare — https://openai.com/index/more-ways-to-move-care-forward-with-chatgpt-for-healthcare/
- OpenAI 技术博客,2026-11-16:Advancing computer-use agents for healthcare teams — https://openai.com/index/advancing-computer-use-for-healthcare-teams/
- Fierce Healthcare 独家专访,2026-11-16:HLTH 2026: CVS Health, Cigna and Abridge collaborating with OpenAI to test computer-use agents — https://www.fiercehealthcare.com/ai-and-machine-learning/hlth26-cvs-health-cigna-and-ambience-collaborating-openai-test-computer-use
- Elation Health 官方博客,2026-11-16(插件生态参与方自述)— https://www.elationhealth.com/resources/blogs/elation-health-joins-openais-healthcare-plugin-ecosystem-to-extend-primary-care-relationships-beyond-clinical-walls/
本文基于 OpenAI 官方博客与 Fierce Healthcare 独家专访整理;99%/93%/94.3%/91.8%/8.5 美分为官方公布口径,1% 风险形态的描述来自 OpenAI 健康 AI 负责人对媒体的说明。