AI 的效益與風險

AI 可以協助完成哪些工作：為重要工作留出更多時間

如果 AI 在設計和治理中重視驗證，就能支援研究和臨床工作流程。它可以：

• 節省時間—加快發現、篩選與初步綜合

• 綜合資訊—將相關證據整合成更易於審查的視圖

• 擴展探索範圍—更快探索更大規模的語料庫和更廣泛的主題領域

• 支援決策—當輸出具備歸因且可追溯到來源時，可強化證據審查

• 透過治理改善結果—在證據不斷變化時，支援持續評估和更新

風險從何而來：哪些環節可能出錯

AI 輸出可能看起來有說服力且實用，但其可靠性取決於證據基礎，以及工作流程周圍的治理。

常見風險點包括：

• 過度依賴看似自信的答案—流暢的輸出可能掩蓋涵蓋範圍缺口或遺漏的脈絡

• 檢索不完整或存在偏見—系統呈現的內容可能取決於受治理的存取權限和內容選擇

• 可追溯性有限—若缺乏清楚的歸因和來源可見性，驗證會變得困難

• 隱私、IP 與中立性問題—控制不足可能造成合規與信任問題

• 品質與安全性風險—準確性和完整性需要持續評估，而不是一次性測試

Elsevier 的不同之處

Elsevier 透過將 AI 建立在可信賴的證據基礎與負責任的治理之上，協助機構實現 AI 價值。

Elsevier 致力於讓 AI 輸出以證據為基礎、透明且可治理，使使用者能夠驗證結果，並讓專家持續承擔責任。

關鍵能力包括：

• 可信賴的科學、醫學和健康內容—經過精選的知識，反映學術和臨床記錄

• 歸因和可引用來源—讓答案具備歸因，使使用者能追溯至原始出版品

• 人在迴路中的專業知識—支援專家審查與判斷，用於解讀和決策

• 負責任的 AI 治理—透過隱私、IP 保護、中立性考量和問責機制，支援安全且受治理的使用

成本與 ROI 考量

AI 的價值不只是取得工具存取權限。機構通常需要考量：

• 採用與上手培訓，包括 AI 素養和工作流程變革

• 治理設定，包括隱私、IP、歸因和可稽核性需求

• 整合工作，例如調整內容存取權限和使用者角色

• 驗證和評估，包括領域審查步驟和成功指標

• 持續監測，以便持續評估效能和風險

應關注的品質防護措施

只有將防護措施納入工作流程設計，效益才能真正落實。評估 AI 解決方案時，請關注能支援下列事項的能力：

• 輸出內建歸因和引文—將答案連結至原始出版品，方便使用者驗證證據並從來源繼續研究

• 可追溯至受治理的證據—以持續更新的精選科學和醫學知識為基礎生成答案

• 對來源與限制的透明度—更容易了解使用了哪些資訊，以及哪些部分的可信度可能有所不同

• 人工監督支援—讓專家持續參與解讀與決策的審查環節

• 對品質和風險的持續評估—隨時間持續評估準確性、完整性和潛在風險

• 隱私、IP 保護和中立性—支援負責任的資料處理，並落實治理期望，以降低合規和誠信風險