去年10月，肯尼亚总统鲁托启动了一项雄心勃勃的医疗改革。承诺很简单：让非正规就业者也能负担医保。八个月后，调查记者发现，这套系统正在把最脆弱的人群推向绝境。
算法怎么算出"穷人该多交钱"
肯尼亚社会健康管理局（SHA）的核心是一套预测性机器学习算法。它不做收入核查，而是用"代理资产测试"——通过屋顶材料、厕所类型、牲畜数量、家庭人口等生活指标，倒推一个人能承担多少保费。
这套逻辑听起来合理：穷人住铁皮屋顶、没自来水，富人住混凝土房。但调查揭示的偏差令人震惊。
系统持续高估贫困家庭的支付能力，同时低估富裕阶层。一位SHA志愿者描述她在内罗毕的走访：那些连饭都吃不饱的人，被算法判定为有能力缴纳占收入10%到20%的保费。
具体案例更刺眼。一位单亲母亲的月缴费额被定为3500肯尼亚先令，其他人则反映新保费较旧体系暴涨。这不是"稍微吃力"，是直接从生存边缘再割一刀。
正方：技术中立的效率承诺
鲁托政府推行这套系统，有其现实土壤。
肯尼亚非正规就业人口庞大，传统收入核查几乎不可能。代理资产测试是国际开发机构用了几十年的工具，核心假设是：物质条件比自我申报的收入更难造假。
算法的好处被反复强调：标准化、可规模化、减少人为腐败。超过2000万人完成SHA注册，这个数字本身被当作成功的证据——至少理论上，更多人被纳入了保障网。
政府将其包装为"人工智能驱动"，尽管调查明确指出，这并非生成式人工智能（如聊天机器人），而是经典的预测模型。这种修辞或许是为了迎合技术乐观主义，也可能只是政治话术。
反方：结构性偏差的代价
但数据不会说谎，或说，数据正在说出残酷的真相。
注册2000万人，常规缴费仅约500万。四分之三的注册者被保费吓退，或根本付不起。这不是"扩大覆盖"，是制造了一种新型的数字排斥。
更直接的后果在医疗一线显现。没有私人保险、又付不起SHA保费的人，面临被医院拒诊或收到高额账单的风险。调查记录了危重病人因系统判定"欠费"而错失治疗的案例。政策正在转化为具体的死亡。
医院的困境同样真实。大量报销款项拖欠，医疗机构陷入赤字。系统设计的资金流断裂了，而断裂点恰好压在服务提供者和最贫困患者身上。
这不是新技术的意外副作用。代理资产测试本身"长期被批评误识别救助资格"，批评声音在部署前就已存在。问题不是"AI出错"，是用一个已知有缺陷的工具，以更高速度、更大规模执行。
判断：当技术成为替罪羊
鲁托的"AI医保"是一个典型样本：技术被用来包装旧有的政策选择，同时为政治责任提供掩护。
核心矛盾不是算法是否聪明，是谁来定义"可负担"。屋顶材料和牲畜数量，能捕捉贫困的某些维度，但完全错过现金收入的波动、债务负担、突发支出。一个刚遭遇旱灾的农民，算法可能仍判定他"有牛=有能力缴费"。
更深层的问题在于单向度设计。系统只负责"评估支付能力"，没有给被评估者申诉、修正、参与模型定义的渠道。技术在这里不是中立的工具，是权力不对称的放大器。
肯尼亚案例的警示在于：算法 welfare 系统的风险，往往在部署后才被"发现"——而发现的代价由最无力承担的人支付。2000万注册者与500万缴费者的落差，本应是早期预警信号，却被注册数字的政治光环掩盖。
调查记者的工作揭示了关键事实：技术部署的速度，远超对其影响的审视能力。而"AI"标签的使用，既制造了虚假的先进感，也可能在未来成为推诿责任的借口——不是政策设计问题，是"算法需要优化"。
开放提问
如果肯尼亚的医保算法需要一次真正的修正，应该优先调整模型参数，还是重新设计谁有权质疑机器的判断？当技术系统的错误以生命为代价时，"迭代优化"的叙事是否本身就是一种暴力？
热门跟贴