升融配资平台和睦家医疗用飞书，让 AI 跑通医院的复杂流程

一个没有技术背景的人，为什么能在医院里“带”一支数字团队？听听飞书企业 AI 架构师训练营创始班学员 Veronica 的故事。

在医院，AI 不是一种可以轻易推进的新技术。

它牵涉的不只是效率，也不只是系统接入，而是谁来判断、谁来负责、出了问题谁来兜底。越是高风险、强协作的场景，AI 越难直接落地。

按常理说，在这样的地方推进 AI，站在前面的应该是算法团队或者信息化部门。但在和睦家医疗北京区，同时推进多个 AI 项目的人，却是一位学社会学和经济学出身、负责战略管理的非技术背景管理者——Veronica Zan。

她不会写代码，平时处理的事情是医院里难以被看见的复杂性：谁参与，谁审核，流程走到哪里，信息流向哪里，出了问题由谁接住。

过去半年里，她用 AI 推进的项目已经排到了第 10 号。科室自动化排班、客服问答、销售支持、临床协同…… 这些项目看起来分属不同场景，难点却很相似：流程长，角色多，责任边界敏感，很多关键经验长期停留在 “大家都知道，但没人完整写下来” 的状态里。

01 一个“非做不可”的流程

2025 年，北京和睦家中西医结合医院开始逐步接入医保支付业务。

表面上看，这只是原有 “商业保险 + 自付” 之外，多了一种支付方式；但对医院来说，它意味着一整套协作关系都得重新搭起来。医生能不能接诊、患者如何报销、异常情况由谁处理、病案和财务怎么闭环，几乎每个环节都要重新确认。

在这之前，院内不少流程靠的是 “信息跟着人跑”。一线同事拿着材料去找不同部门，每到一个环节，都要重新解释背景、补充信息。谁该接手、缺了什么、卡在哪一步，很多时候都要靠人追着问。医保接入之后，这种协作方式的问题被进一步放大，因为一旦准入信息填错，影响的就不只是内部效率，还可能波及后续的报销与结算环节。

她很快意识到，这不是靠多加几个人、多开几次会就能补上的问题。真正要调整的，是流程本身。

刚好这时，飞书被引入和睦家。Veronica 本就有经济学与社会学交叉的组织研究背景，也在团队里做过不少协作工具的探索。飞书的出现，让她非常兴奋：“简直就是瞌睡来了递枕头，飞书就是那个枕头。”

在探索和推广飞书的过程里，她找到了一个非常“医院”的比喻：在住院病房里，患者不动，病历不动，轮到谁处理，谁就到床边来。她想把这种逻辑搬到协作流程里 ——信息不再跟着人跑，而是沉淀在同一个地方；到了节点，系统提醒对应的人处理。

围绕这个思路，她用飞书多维表格把医保资质准入流程重新搭了一遍。科室只需要提交一次关键信息，医生代码、工号、身份、账号等信息就能自动联动；流程走到某个节点，飞书会自动通知负责人；住院患者结账时，也不再靠人工临时协调，而是通过飞书一键拉群、集中处理。

Veronica 制作的医保资质准入流程示意图

这张表改变的不只是 “把流程线上化”，而是把原来分散在不同人手里的信息、动作和责任，收回到同一个结构里。谁提交了什么，卡在哪一步，接下来轮到谁处理，都能被看见。

她想做的，其实不是一个更复杂的系统，而是一个门槛更低的流程：把规则尽可能前置，让人只需要在自己的节点完成判断和处理，剩下的信息流转交给系统。

医保专项跑通之后，她确认了一件事。“在医院里，很多后来被称作 ‘AI 落地’ 的事情，前面其实先是流程重构。”

02 那些没人写下来的规则

接下来找上门来的，是排班。

起初，这件事看上去并不复杂。医保门诊准备正式开放，但各科室一直各排各的班，格式不同，也没有一张总表能清楚看出当天到底有多少医生出诊。一线同事最担心的是，大家各自排的时候都没问题，汇总后才发现门诊数量超过了诊室容量，现场就会很难协调。

Veronica Zan 很快用飞书多维表格做出了一个集成视图，把不同科室的排班汇总到一起。

但科室很快反馈，真正让人头疼的，是最开始那张班表怎么排出来。问题于是从 “怎么把排班看清楚”，变成了 “怎么把班排出来”。

她决定先从提出需求的麻醉科开始。麻醉科的排班要同时满足安全、合规、公平和效率：什么资质对应什么班型，夜班后休息多久，谁请假了谁来补，谁能跨院区支援，哪几种组合看上去能排、实际却行不通——每排一次班，都像在解一组彼此牵连的条件。

更麻烦的是，这些规则并不都写在纸面上，而是沉淀在科室的经验里：哪些岗位必须由特定资质的人值守，临时请假后谁补位更稳妥……这些“约定俗成”的知识，过去靠人记、靠人传、靠人兜底。

“人类有很多默会知识（指难以通过语言和文字明确表达的知识），是 AI 的盲盒”，她总结道。

所以她没有一上来就让 AI 写排班脚本。她先做的，是把这些原本散在不同人脑子里的经验，一条条往外拿。

她把排班拆成了几张基础表：班型表写清班次要求，人员表放医生资质和可排班范围，需求表对应不同时间段的排班需求，请假和例外情况再单独列出。原来靠口头确认和经验默认的东西，开始变成可核对的数据。

这些表搭起来之后，Agent 才开始介入。它会写出可反复运行的排班算法脚本，根据需求和人员条件生成初版排班脚本，再自动检查快照、资质、工时、夜班均衡和特殊限制。哪一步出了问题，也会有诊断脚本去追原因。

这样一来，排班不再只是靠 Agent 临时生成答案，而是变成一套低成本、稳定、可复用的自动化流程。

但这不是一个一蹴而就的过程。

很多排班规则一开始是模糊的，有些甚至彼此矛盾。她拿着历史排班一轮轮反推：为什么那个月这么排？这两个班为什么不能连着值？这个人为什么在那周被单独调班？只要系统结果和历史经验对不上，她就回到科室，和一线同事一起把规则重新捋清楚。

有些规则，也是在这样的反复讨论里，才第一次被真正说清楚。

她还把同一套系统写成两套说明书：一套给人看，尽量直接，让同事能理解；一套给 Agent 看，把字段、逻辑和校验关系写清楚，让系统先读懂规则，再开始执行。

给 Agent 看的说明书

给人看的说明书

飞书妙搭是项目的下一站。繁忙的医护人员需要的是简明界面查看科室和自己的班表，而不是到陌生表格里晕头转向。于是，她又推动妙搭界面的生产和内测，让大家一眼看懂排班，还能直接提交请假或预排班需求。

用飞书妙搭制作的自动化排班平台

（数据与形式均为模拟）

这套排班系统沉淀的代码行数接近 6 万行。到最后，过去要花几天时间反复协调的排班，可以在 10 分钟内生成初版；系统会同时列出校验清单，计算每个人的工时和完成度，把藏在经验里的不平衡和例外，一项项摊到明面上。

今年 4 月内部分享时，只有 2 个科室跑通这套排班。如今已在 5 个科室/部门（含行政部门）落地，还有 20 个在接入的路上。在 Agent 和治理架构的支撑下，这套体系不再依赖某一个人——即便项目经理只有一位，也能稳定、可持续地运转。

但在她看来，最重要的变化还不是“几天变几分钟”，而是那套原本只能靠少数人记住、经验兜住的规则，第一次被拆开、写下、放进系统里。

03 在医院里 “带” 一支数字团队

随着项目越来越多，Veronica Zan 面对的问题也变了。

每个项目内容不同，但拆到最后，总会落到几件相似的事上：定义问题，拆开流程，讲明规则，找出例外，再决定哪些步骤交给系统，哪些判断留给人。

这些事情她已经越来越熟练，但人的时间总有上限。等项目排到第 10 号，再沿用原来的方式，就很难继续往前推。她开始意识到，真正稀缺的不是某个工具，也不是某段代码，而是那套“先把规则说清楚，再决定交给谁”的方法本身。

于是，她尝试把自己的工作方式拆开：哪些事情需要先定义问题，哪些适合先搭表、搭字段、搭自动化，哪些地方要专门挑错、反证，哪些环节必须盯住权限、合规和可持续性，哪些知识需要及时沉淀。她把这些原本连在一起的动作慢慢拆成不同工作流，放进 Harness，用系统的治理架构来“一步驱动”。

但复杂的项目，仍然需要 Agent 的“专岗专编”。沿着排班项目的思路，她开始给 Agent 分工，组织了一支“女娲团队”。

Veronica Zan 的女娲团队

这支团队通过飞书 CLI 串联。Logos 负责定义问题和抽取规律，Pragma 负责把想法落到表格、字段、步骤、代码和自动化动作上，Krisis 负责批判和用证据说话，Nomos 负责提醒权限、安全、合规和可持续性，Mneme 负责沉淀知识，避免项目因为某个人离开或会议结束又重新归零。

在这支“女娲团队”的支持下，排班、客服这些项目，也逐渐长出了自己的专属 Agent。

它们不再只是一个个临时被调用的工具，而是被放进了各自熟悉的业务现场里：排班 Agent更懂规则和约束，客服 Agent 更懂问题和话术。每个 Agent 负责一块更具体的事情，能力也因此变得更聚焦、更稳定。

Veronica 并不把它们当成“万能助手”，反而更像在管理一支边界清楚的团队。每个 Agent 都知道自己擅长什么，也知道什么时候该把任务交回给别人。她真正做的，不是把任务一股脑扔出去，而是像带真人团队一样，分工、协作、审核、复盘。

这也是这些 Agent 未来更有价值的地方：一个流程跑通之后，里面的方法、规则和经验可以被沉淀下来，再迁移到新的项目里。AI 不只是帮她完成眼前的任务，也在帮组织把一套可复制、可调整、可持续运转的方法慢慢搭起来。

从今年 4 月开始，同时进行的项目最高峰达到 8 个，她开始给正在推进的 AI 项目逐一编号，如今已经排到 10 号。对她来说，编号不是为了整齐，而是因为这些项目开始像一个持续运行的系统，而不再是一件件零散冒出来的事。

她很清楚，如果没有 Agent 的参与，这些项目不可能同时往前推进。

但她也始终提醒自己，AI 可以执行、校验、提醒、沉淀，却不能替代人去承担业务里的最终判断：哪些规则不能突破，哪些风险必须被看见，哪些结果需要人来兜底，最后仍然要由人负责。

04 尾声

回过头看，她过去一年做的事情，并不是简单地把飞书和 AI 引入业务流程，而是先把那些原本依赖经验维持的流程重新说清楚，再决定哪一部分可以交给系统。

某种意义上，AI 进入医院，不只是一次技术接入，也像一次对组织本身的追问：哪些规则从来没有被完整写下，哪些经验一直掌握在少数人手里，哪些流程看似在运转，实际上靠的是不断返工和人工兜底。复杂场景只是把这些问题放大了，也让它们更早暴露出来。

同时，它也让人和 AI 的关系变得格外清楚。

很多人以为，AI 会让人从流程里慢慢退场；在医院这样的地方，事情恰恰相反。AI 进入得越深，谁来定义规则、谁来处理例外、谁来承担最后的责任，就越不能含糊。

AI 没有让人消失。相反，它让人第一次不得不更清楚地出现。

下载“北京日报”客户端阅读体验更佳哦

扫描二维码下载手机客户端

-->

分享到

发布评论文明上网理性发言，请遵守评论服务协议

未登录

0/200发布发布全部评论

0条

点击加载更多

欢迎下载“北京日报”客户端发表评论

相关阅读热门报道换一批推荐阅读换一批精彩视频换一批猜你喜欢滚动企业北京国内国际北晚社会文娱体坛旅游文史阅读深度产经调查互联网美食北晚健康消费北晚行业北晚网摘网站地图新闻评论深度理论视频图库悦读互联网财经文化体坛科教消费矩阵网摘东城区政府网站西城区政府网站朝阳区政府网站海淀区政府网站丰台区政府网站石景山区政府网站门头沟区政府网站房山区政府网站通州区政府网站顺义区政府网站大兴区政府网站昌平区政府网站平谷区政府网站怀柔区政府网站密云区政府网站延庆区政府网站市人大市政协市监察委市高级人民法院市人民检察院市政府办公厅市发展改革委市教委市科委市经济信息化局市民族宗教委市公安局市民政局市司法局市财政局市人力社保局市规划自然资源委市生态资源局市住房城乡建设委市城市管理委市交通委市水务局市农业农村局市商务局市文化和旅游局市卫生健康委市退役军人事务局市应急管理局市市场监督管理局市审计局市政府外办市国资委市广播电视局市文物局市体育局市统计局市园林绿化局市地方金融监管局市人防办市信访办市知识产权局市医保局京报媒体矩阵北京日报北京晚报北京青年报北京商报音乐周报新闻与写作北京日报客户端长安街知事艺绽北晚在线北京深读空间