一套 AI 排班系統，如果真的可以把主管原本花很多時間處理的班表縮短到兩三個小時，聽起來幾乎就是醫院最需要的工具。
護士不用一直等班表。
主管不用反覆補洞。
醫院也能更早知道哪些時段缺人、哪些班需要更有經驗的護士。
這正是美國大型醫療集團 HCA Healthcare 對 Timpani 的描述。
但同一套系統到了部分第一線護士嘴裡，故事卻完全不同。
有人說自己原本選好的班次經常被改掉。
有人遇到連續三天、每天 12 小時的班。
有人為了把不適合的班換出去，又得花更多時間找同事、提出申訴。
甚至有護士開始擔心：
如果某一班人數不夠，或整個團隊都太資淺，最後影響的就不只是「班表好不好看」。
而可能是病人照護。
Timpani 原本就是為了解決一個真的很麻煩的問題
醫院排班不是把名字塞進空格而已。
不同病房需要不同人數。
不同護士有不同經驗。
有人只能上白班。
有人偏好夜班。
有人有指定休假。
同時還要預估病人數量，避免到了最後才臨時找人補班。
HCA 表示，一個護理部門過去每月可能花 8～15 小時處理班表。
於是 HCA 和 Palantir 一起開發 Timpani。
它會利用病人量預測、人員可上班時間、技能程度與單位需求，先自動產生一份班表。
從 2023 年開始推廣後，Timpani 現在已經進入 HCA 旗下超過 130 家醫院、1,200 多個護理部門。
HCA 自己公布的結果也相當漂亮。
每輪排班時間可以縮短到約 2～3 小時。
公司也表示，超過 98% 的班次會混合不同經驗程度的護士，完全由初階護士組成的班次不到 2%。
使用 Timpani 的部門還出現約 6% 的離職率下降。
如果只看這些數字，很容易得到一個結論：
AI 排班有效。
但護士看到的卻是另一套數字
WIRED 最近訪問多名 HCA 護士。
其中一名佛羅里達州加護病房護士 Amber Retzloff 說，過去四個月，她提出 50 個自己希望工作的 12 小時班次。
超過一半最後被 Timpani 排到其他日子。
她說自己經常被排成連續三天 12 小時班，精神上的疲勞反而更重。
她也不是要求「每一次都一定照我的偏好」。
真正讓她不滿的是：
在以前由管理者排班時，如果真的必須改掉某個偏好，通常還有人可以提早溝通。
現在很多問題是在班表出來後，才由護士自己想辦法補救。
AI 省下的時間，可能只是從一個人搬到另一個人身上
這正是整件事最值得看的地方。
對管理者來說：
AI 少花幾個小時排班，是效率提升。
但如果班表出來之後，護士開始需要：
找同事換班、
提出 Appeal、
重新安排家庭行程、
處理原本已經排好的醫療預約，
那「省下來的時間」就不一定真的消失。
它可能只是從排班主管身上，
搬到了第一線員工身上。
WIRED 訪問的護士就表示，他們現在反而花更多時間處理換班與申訴。
所以同一個系統完全可能同時出現兩句都成立的話：
「管理者排班變快了。」
以及：
「部分護士覺得自己的生活更難排了。」
更敏感的問題是：班表不只是生活品質
如果今天只是餐廳或辦公室排班，班表不好可能讓員工很不爽。
醫院卻多了一層。
經驗搭配。
Retzloff 向 WIRED 描述過一個班次：
除了她之外，另外四名同事都是較資淺的護士。
她表示，自己因此必須花時間協助較資淺同事處理較輕症患者，導致最嚴重病人的照護被延後。
這是她自己的經驗陳述。
目前不能把它寫成：
「Timpani 已被證明造成病人受傷。」
WIRED 訪問的護士提出的是安全疑慮與第一線經驗，不是已經建立完整因果關係的臨床研究。
但它仍然指出了一個 AI 排班特別難處理的問題：
「人數夠了」不一定等於「這一班真的安全」。
HCA 說：最後決定的人仍然是護理主管
HCA 並不同意「AI 正在取代護理判斷」這種描述。
公司向 WIRED 表示：
最後的排班決定仍由護理管理者負責，不是 Timpani 自己決定。
HCA 的目標是讓正確的人、正確的技能與經驗，在病人真正需要的時間出現在現場，同時盡可能考慮護士自己的班次偏好。
公司也表示，正在根據護士回饋持續改善 Timpani。
換句話說，HCA 看見的是：
更快完成排班、
減少臨時補人、
減少契約護士、
改善不同資歷護士的搭配。
而部分受訪護士看見的則是：
自己的偏好被打亂、
連續長班增加、
申訴變麻煩、
部分班次仍可能出現經驗配置問題。
兩邊不一定是在回答同一個問題。
真正的問題可能是：AI 到底被要求優化什麼？
假設你叫 AI 排一張班表。
你給它的目標是：
每一班人數都要夠。
不要花太多加班費。
減少臨時人力。
平均分配週末班。
兼顧技能等級。
盡量符合員工偏好。
每一項都合理。
問題是：
這些條件互相衝突時，誰排在前面？
如果「填滿所有空缺」的重要性高於「避免連續三天 12 小時班」，
AI 可能交出一張非常完整的班表。
但那不代表第一線的人覺得它是一張好班表。
這就是很多 AI 自動化真正困難的地方。
AI 很會優化你交給它的指標。
但它不會自動知道：
哪一個沒有寫進 KPI 的東西，其實才是現場最重要的。
這件事其實不只跟護士有關
假設明天你公司也開始用 AI：
排客服班表、
分配業務名單、
安排物流路線、
自動分派案件、
決定誰先處理哪一個客戶。
主管看到的 Dashboard 可能非常漂亮。
平均處理時間下降。
人力利用率提高。
空班減少。
成本下降。
但第一線可能同時發生另一件事：
更多例外要人工收拾。
更多客訴集中到同一批人。
更難的工作全部排給少數資深員工。
大家花更多時間修改 AI 的結果。
所以判斷一個 AI 工作流程有沒有成功，不能只問：
「AI 省了多少時間？」
還要再問三個問題：
省了誰的時間？
麻煩被轉移給了誰？
AI 最難衡量、卻最不能出錯的是什麼？
HCA 與護士對 Timpani 的爭議，真正值得一般人記住的就是這件事。
AI 能把班表排出來，
不代表它已經理解一個「好班表」真正需要保護什麼。
AI 工作流三層檢查
如果你自己的工作也開始把排班、分派、客服或行政交給 AI，我整理了一個最簡單的檢查方式：
省誰的時間／增加誰的負擔／哪一步一定要人工確認。
留言「流程」，先用這張 AI 工作流三層檢查表，看看你的 AI 自動化是真的把工作拿掉，還是只是把麻煩從一個人移到另一個人身上。
推薦閱讀
AI 商業案例｜2026/07/24：居家照護服務怎麼用 AI？從訪視紀錄、家屬回覆到排班交接，減少重複行政
照護工作很適合讓 AI 減少行政，但哪些事情可以交給 AI、哪些仍然必須由照護人員判斷，這篇提供另一個實際角度。
當醫療 AI 開始用「省多少錢、提高多少效率」證明價值時，真正值得繼續追問的是：這些漂亮數字最後有沒有轉化成病人與第一線真正得到的好處。
