AI资讯

OpenAI 公布医疗 computer-use 智能体评测,325 项任务 99% 判定安全

发布时间:2026年11月17日 13:00:00

11 月 17 日,OpenAI 公布医疗场景 computer-use 智能体的性能、安全与成本评估:在按医生输入设计的 EHR 收件箱任务中,GPT-6 Astra 完成并审查的 325 项任务有 99% 被评为安全,646 份医生评分中 93% 为「非常有用」以上,斯坦福 HealthAdminBench 上取得 94.3% 的评分。CVS Health、Abridge、Ambience、Cigna 等机构披露了早期部署情况。


事件:给「会点鼠标的模型」做体检

11 月 17 日,OpenAI 公布了面向医疗场景的 computer-use 智能体评估结果。

这类智能体的工作方式是:看屏幕、点鼠标、敲键盘,在多个应用之间来回操作。

评估项结果
任务集按医生输入设计的 EHR 收件箱任务
完成并审查任务数325 项
安全判定99% 被评为安全
医生评分646 份中 93% 为「非常有用」以上
HealthAdminBench得分 94.3%(斯坦福的行政事务基准)

已披露的早期部署方:CVS Health、Abridge、Ambience、Cigna。使用场景集中在转诊、出院计划、事前授权等行政流程。

为什么医疗是 computer-use 的最佳试验场

因为医疗信息系统恰好是 API 最差的那一类:

系统现实
电子病历(EHR)厂商众多,接口封闭
保险方门户多数没有 API
各州与联邦系统表单为主
内部工具大多是十年以上的老系统

对这类系统,「等 API」往往要等好几年。而 computer-use 不需要对方配合——它只是模仿人操作屏幕。

这也解释了为什么落地先发生在行政流程,而不是诊断:行政流程规则明确、可核验、出错代价可控。

99% 安全这个数字怎么读

「99% 安全」是一个值得追问的指标:

问题为什么重要
谁判定「安全」医生评审?内部标注?
「不安全」的 1% 是什么泄露隐私?误操作?越权点击?
325 项任务来自几家机构样本代表性
是否包含失败重试Agent 可重试会掩盖首次错误

1% 听起来很低,但在医疗行政场景里,一万次操作就有 100 次异常。所以这类系统的实际部署一定需要「人在环上」:关键节点(提交、发送、支付)必须人工确认。

成本才是这条路能不能走通的关键

医疗行政的价值不在于「模型多聪明」,而在于单位成本。

美国医疗行政成本约占总支出的 15%–25%,其中大量是人做重复录入。如果 Agent 的单次操作成本低于人工,替代就会发生。

这也是 OpenAI 把「成本」与「性能、安全」并列公布的原因——这是一个采购决策,而不是技术展示。

三层影响

对医疗机构:可以先从「转诊、授权、出院计划」三条流程切入。

对 EHR 厂商:如果 Agent 能绕过接口直接操作界面,「开放 API」的议价能力会下降。

对合规:审计日志、操作回放、权限边界会成为采购硬指标。

需要冷静看的几点

  1. 「99% 安全」的定义未在公开信息中细化,判定主体与标准需查原文。
  2. 样本规模有限:325 项任务不足以覆盖医疗行政的多样性。
  3. 部署方反馈偏正面:CVS 等属于早期合作方。
  4. HIPAA 等合规细节未在摘要中说明。

观察点

  1. 完整评估方法学(谁标注、如何判定不安全)。
  2. 长期运行中的错误率:短期评测与长期使用差异很大。
  3. 审计与回放能力的产品化程度。
  4. 非美国市场的落地:各国医疗系统差异极大。

一句话总结:这次发布真正说明的是——在 API 缺失的行业里,「会操作界面」的智能体第一次拿出了可以进入采购流程的数据:性能、安全、成本,三样都有数。