作者／張佩德 博士（產業市場分析師）、閻雲 醫師 博士、許芳齊 博士
如果分開看，前者是模型能力升級，後者是醫療合作。但把兩件事放在一起，看到的其實是一個更完整的布局：Anthropic一邊把模型能力往高風險的生物與化學領域推，一邊把風險評估提前放進產品開發流程；在醫療市場，則不急著自己搶醫師入口，而是透過既有平台把模型能力送進臨床工作流。
這可能是近期醫療AI策略值得注意的地方。它不是單純在做「醫療版Claude」，而是在嘗試建立一套從模型、風險管理到醫療分發的完整路徑。而這件事，其實已經做了三年。
/
生物醫學模型能力越強，安全門檻也跟著上移
Claude Opus 5.5這次受到關注的一個原因，是Anthropic特別把化學與生物能力拉升到檯面上，並將相關能力評定為CB-1。CB，也就是Chemical & Biological，是Anthropic針對模型化學與生物能力所設計的風險分級。按照公司的負責任擴展政策，模型在發布前需要經過化學、生物相關任務的評估，再依照風險程度決定相應的安全措施。
目前CB主要分成兩級。CB-1代表模型已能協助處理部分已知、非新型化生武器相關任務，因此需要額外管控；CB-2則代表模型可能進一步具備協助新型化生武器設計的能力，所需的安全措施也會大幅提高。目前Anthropic尚無模型達到CB-2。
這件事值得注意，不只是因為它代表Claude的生物醫學模型能力變強，而是Anthropic正在做一件和傳統AI產品開發不太一樣的事情：模型能力與安全門檻是一起往前走的。
這套思路並不是今年才出現。從2023年提出負責任擴展政策開始，Anthropic就一直在把模型能力與風險評估綁在一起。2025年的Opus 4系列首次啟動ASL-3安全等級，之後公司又持續投入生物領域的模型評測、生物分子等建模研究。所以，Opus 5.5比較像是前面幾年累積後的一次集中呈現。
Anthropic想證明的，不只是Claude可以處理更複雜的生物醫學問題，而是當模型開始進入這些高風險領域時，它有一套方法決定什麼能力可以開放、什麼能力需要被限制。
這對醫療市場很重要。因為醫療AI真正難的，從來不是模型能不能回答醫療問題。真正難的是醫院、藥廠、醫師和監管機構，願不願意讓它進入實際工作流程。
/
兩條產品線，從生命科學一路走向醫療
Anthropic的醫療布局也開始出現比較清楚的輪廓。一邊是Claude for Life Sciences，主要往藥物研發、生命科學研究和臨床前工作流走；另一邊則是Claude for Healthcare，開始往臨床、醫療行政與支付場景延伸。
這兩條線看起來不同，但背後其實是同一個思路：先處理專業人員每天大量消耗時間、但又不一定需要由人親自完成的工作。Claude for Life Sciences透過Benchling、10x Genomics、BioRender、Medidata以及ClinicalTrials.gov等資料與工具連接，切入文獻整理、實驗設計、臨床試驗與生物資訊分析等流程。Claude for Healthcare則進一步碰到預授權、申訴、ICD-10編碼與計費，以及PubMed文獻檢索等工作。
這個切入點其實很務實。Anthropic沒有一開始就把自己定位成「AI醫生」，也沒有把重點放在AI直接做診斷。相反地，它先從那些資訊量大、流程繁瑣、可以被標準化，但最後仍需要專業人員做決定的工作開始。這種路徑對醫療市場反而比較容易接受。畢竟醫院真正願意付錢的，未必是一個會「取代醫師」的AI，而可能是一個每天替醫師、護理人員、藥廠或行政團隊省下幾個小時的可信賴工具。
/
Anthropic真正想拿到的，可能不是產品，而是入口
9月22日，Anthropic與OpenEvidence宣布合作。按照雙方公布的合作內容，Anthropic提供模型、運算資源、工程支持與資金，OpenEvidence則負責產品和在地化，將臨床決策支援工具免費帶進約百個中低收入國家。
乍看之下，這是一個很漂亮的醫療公益故事。但從商業角度看，真正值得看的其實是另外一件事：Anthropic沒有自己去做一個全球醫師平台。
OpenEvidence已經有醫師使用者，也已經存在於醫療資訊檢索的工作流程中。對Anthropic來說，與其從零開始建立一個醫師產品，不如把自己的模型能力放進一個已經有使用者、有場景的平台。
這是一個很典型的平台合作邏輯：OpenEvidence掌握醫師入口，Anthropic提供底層演算能力。
這對 Anthropic 而言有一個相當直接的好處——產品的分發與在地推廣可以交由合作夥伴承擔，Anthropic 則能將更多資源集中於模型能力與基礎設施的持續投入。更重要的是，若這項計畫未來落地，免費開放至約百個國家的醫師，意義並不只是擴大產品的全球觸及，更可能讓中低收入國家的醫師有機會接觸、使用並逐步建立對Anthropic 與 OpenEvidence 醫療 AI 輔助工具的信任與使用習慣。從更大的角度來看，這也具有超越商業拓展的公共價值：透過降低醫療 AI 的使用門檻，讓資源相對有限的醫療體系也能接觸先進的 AI 輔助工具，進一步縮小不同國家之間在醫療資訊與 AI 能力上的落差。
醫療AI還沒有形成非常穩定的市場標準。在這個階段，如果一個工具能夠先進入大量醫師的日常工作，慢慢建立使用習慣，它所累積的不只是使用量，也有可能是未來的市場位置。
當然，這裡還有一個不能跳過的問題：醫師願意使用，不代表臨床結果就一定會變好。今年《Nature Medicine》刊登的一項肯亞整群隨機對照試驗中，ChatGPT-4o 輔助組的治療失敗率為 2.2%，對照組為 2.0%，兩組之間沒有出現統計上顯著的差異；研究也沒有發現與 LLM 介入相關的嚴重不良事件。換言之，這項研究並未顯示 ChatGPT-4o 輔助能在短期內帶來更好的治療結果。
然，治療結果沒有顯著差異，不代表 AI 對臨床現場沒有幫助。醫療 AI 的價值不能單看醫師願不願意使用，也不能只用短期治療結果來衡量；更重要的是，它能否在不增加臨床風險的前提下，幫助醫師更有效率地取得證據、判讀資訊，並做出更有依據的臨床決策。
所以，醫療 AI 的競爭，不能只看誰先進入醫師的工作流程。入口是一回事，證據是另一回事，責任與風控則是第三回事。對 LLM 基礎模型廠商（如 Anthropic）而言，真正決定其能否長期穩固醫療市場底層地位的，不只是模型能力或工作流滲透率，而是能否把安全性與風控（如 CB-1）從模型開發和實驗室評估，推進到真實醫療場景，並主動與學術醫療中心或 CRO 合作，持續累積真實世界證據。進一步而言，若醫療用 LLM 能協助合作夥伴（如 OpenEvidence 或藥廠）通過 FDA/CE 等法規認證（如 SaMD 軟體醫療器材），證明其底層模型不僅能省時，更能實質改善臨床終點，模型本身就能從「AI 工具」逐步轉化為具備臨床、法規與商業可信度的基礎設施。屆時，競爭門檻就不再只是誰先卡位醫師的工作流程，而是誰能建立最深的臨床證據、法規能力與責任承擔機制，這也將成為防範競品差異化競爭的決定性防線。
/
不一定要搶品牌，但一定要搶模型在醫療工作流中的位置
OpenAI 目前明顯往 ChatGPT Health、ChatGPT for Clinicians 等產品走，直接面向消費者與醫師；Google 則把 DeepMind、Med-Gemini、Isomorphic Labs 與 Google Cloud 等資源串聯起來，強攻研究與生命科學；Microsoft 更重視醫院工作流程，從 MAI-DxO 到 Dragon Copilot，都在往既有醫療系統深入；Amazon 則將雲端服務、醫療行政自動化與 One Medical 結合。
相較之下，Anthropic 採取的是一種「隱身於後台」的策略：不急著建立直接面向終端醫師的醫療產品，而是透過 API 與 Infrastructure，切入大型醫療網路或整合現有的 SaaS 平台（e.g. OpenEvidence and EPIC），讓 Claude 成為既有醫療產品與工作流程背後的模型能力。
這樣不太一樣的打法，一方面可以避開直接面對終端醫師所需的行銷與獲客成本，另一方面也讓 Anthropic 不必在每一個醫療場景中建立自己的終端品牌。若 OpenEvidence 面對醫師、Veeva 面對藥廠、其他醫療 IT 平台面對醫院，而 Anthropic 提供底層模型與安全能力，那麼 Anthropic 就不需要贏下每一場終端品牌戰，卻有機會讓自己的模型進入更多醫療 AI 工作流程。
但這種「後台化」策略真正的准入門檻，並不只是模型能力，而是資訊安全、隱私保護，以及臨床資料的回饋機制。Anthropic 必須確保在不違反 HIPAA 等隱私法規的前提下，能夠將臨床場景中產生的高價值交互數據，以安全且合規的方式回饋至底層模型的持續預訓練與 Alignment。換言之，模型要真正進入醫療場景，不只是「能不能用」，而是能否在實際工作流程中被部署、被信任，並形成合規的一環。
因此，Anthropic 的下一步可能並不是一次推出一個完整的「Claude for Healthcare」，而是在某一兩個具體且高價值的工作流程中，將 LLM 深度推行並率先達到安全與合規規範，再以此作為切入更大型醫療系統與SaaS 平台的起點。這也是 Anthropic 與其他 AI 巨頭之間，一個很有意思的差異。
它沒有急著把所有醫療入口都變成「Claude」，也沒有試圖把每一個終端產品都收回自己手上。相反地，它更願意讓 Claude 出現在其他品牌的產品背後，透過合作夥伴進入醫師、醫院與其他醫療專業人士已經在使用的工作場景。這看起來不像典型的消費者品牌打法，但對一家基礎模型公司而言，反而可能更具延展性。醫師看到的是誰的品牌，和最後提供底層模型的公司，未必是同一家。品牌可以在前台，模型可以在後台；但真正不能缺席的，是進入醫療場景的能力。
/
下一場醫療AI競爭，可能不是模型排行榜
所以，如果只用「Claude又變強了」來解釋Anthropic這幾年的醫療布局，其實還不夠。
真正值得看的，是AI公司能不能把模型能力帶進真實醫療場景，而且同時處理好幾個問題：安全風險能不能跟上、臨床證據是否成立、能不能嵌入既有工作流，以及醫師是否願意長期使用。
這幾件事缺一不可。
也因此，下一階段的AI醫療競爭，關鍵可能不再只是誰的模型分數最高，而是誰能真正跨過安全、臨床證據、工作流整合與醫師信任這幾道門檻。
這也讓Anthropic未來的醫療路線變得更值得觀察。與其直接把資源押在取代臨床端工具，Anthropic更合理的策略，可能是持續往生命科學（Life Sciences）與醫療研發的上游走。
原因很簡單：相較於面臨預算與導入限制的臨床醫療院所，藥廠在研發階段對前沿AI模型的付費意願，往往可能更高。尤其是在蛋白質結構預測、代謝路徑模擬、化學生物模擬等需要大量模型能力與運算資源的場景裡，AI的價值不只是「幫醫師省時間」，而是能直接進入新藥研發與科學研究的生產流程。
換句話說，Anthropic真正值得搶的位置，未必是醫師每天打開的那個介面，而可能是醫療研發背後那一層持續被調用的AI能力。
因此，Anthropic若要進一步深化醫療布局，與生命科學垂直工具的深度API整合，可能會是一條更具戰略價值的路線。透過API把模型嵌入研究軟體、資料庫與分析工具，Anthropic可以先從研發端建立存在感，而不是一開始就直接挑戰高度敏感、監管更嚴格的臨床決策場景。
這種「以研究協助臨床」的路徑，還有另一個優勢：它能讓醫師與醫師科學家在低風險、研究導向的場景裡逐步建立使用習慣。當模型先被用於臨床研究、流行病學研究或醫療政策研究，再進一步串接臨床軟體、資料庫與其他研究工具，AI就有機會從一個單點工具，逐漸變成醫療工作流中可以持續調用的一層基礎設施。
這也是Anthropic與單純「做一個醫療聊天機器人」之間最大的差別。它不一定需要成為醫師每天看到的那個AI品牌，而是可以成為更多醫療AI產品背後持續使用的模型與基礎設施。前者爭奪的是使用者介面，後者爭奪的則是整個工作流裡不可或缺的位置。從這個角度看，下一階段的醫療 AI 競爭，不再單單是誰最常出現在醫師面前，而是誰能真正深入醫療各個環節。真正值得爭奪的，是醫療工作流中持續被使用的那個位置。
/
資料來源
https://www.nature.com/articles/s41591-026-04503-6
/
