对话安永吴晓颖：中国医疗AI落地的真正难点在哪？

今年的世界人工智能大会（WAIC），医疗健康依然是那个最拥挤的展区。医疗大模型、AI辅助诊断，各家企业的展台前，技术演示一场接一场，热闹程度丝毫不减。

但走完整条展厅，一个微妙的变化开始浮现：和去年相比，围着“模型能做什么”打转的观众和投资人明显少了，取而代之的追问变成了——“这套系统到底帮医院省了多少钱，或者说，救了多少人？”

这种氛围的转变，和安永大中华区咨询服务主管合伙人吴晓颖近期的观察不谋而合：医疗AI正在从“技术验证”走向“价值验证”这个关键拐点。

WAIC期间，我们和吴晓颖做了一次深入对谈。从企业高层关注点的迁移，到药企研发范式的重构；从医院规模化复制的难题，到资本市场评估标准的转向；再到中国医疗企业的全球化短板，以及“AI First”战略背后真正的组织变革——归根结底，问题只有一个：当技术的新鲜感退潮，医疗AI到底靠什么活下去、走下去？

以下是这次对谈的核心内容。

从“模型能做什么”到“项目值不值得投”

今年WAIC上，AI医疗依然是顶流话题。从战略咨询的角度来看，今年企业高层关注的核心，和往年相比，有哪些质的变化？是不是意味着行业正从“技术验证”迈向“价值验证”的阶段？

吴晓颖：今年最明显的变化，是企业高层开始更务实地关注AI项目的业务价值了。过去注意力更多集中在模型准确率和演示效果上；现在高层关心的是，它到底改变了哪个经营指标，相关的风险能不能被有效管理。今年WAIC对应用落地和商业模式的关注度，也确实比往年高了一个台阶。

而医疗行业的价值验证，又有它独特的特殊性。如果普通行业的AI项目搞砸了，损失可能主要体现在效率和成本上。但医疗场景一旦出错，涉及的是患者安全、临床责任和严格的监管要求。所以企业高层现在思考的问题，已经延伸到AI可以参与哪些决策、哪些判断必须由医生保留、结果出了偏差又该如何追溯。

行业确实到了价值验证的关键节点。这里的“价值”，既要看财务回报，也要看临床质量、医生体验和风险成本。未来能够持续获得资源投入的项目，通常都得把这些维度基本讲清楚。

AI转型的“坑”与关键胜负手

现在，越来越多的药企、械企和医院把AI纳入核心战略。从安永的咨询实践来看，企业在推进AI转型时，最容易踩进哪些误区？真正决定AI项目成败的关键因素又是什么？

吴晓颖：我们在项目中看到，企业最容易犯的错误，就是只盯着技术和模型，其他因素考虑得太少。买了模型、搭了平台、做了一批试点，最后才发现没人对业务结果负责。医疗行业的流程非常复杂，单靠技术团队，很难推动医生、研发、市场、合规和IT部门一起改变工作方式。

另一个常见问题，是选择了最容易展示的场景，而不是最值得解决的问题。比如生成一段病历、回答一个医学问题，演示效果很直观。但企业真正愿意持续投入的方向，往往是那些能缩短临床试验周期、提高研发决策质量、降低质控风险、改善医院运营效率的项目。这些场景难度更高，但也更接近真实价值。

AI项目成败的关键，在于有没有把业务问题定义清楚，有没有明确谁来为结果负责，有没有能力把AI嵌入到原有的工作流程里。数据治理、人工复核、效果评估和模型更新，这些都需要从一开始就设计好。另外，很多项目的问题出在上线之后没有反馈机制，结果导致模型很快和实际业务脱节。

AI重塑研发范式：中国Biotech的“超车”机会

创新药是AI最活跃的应用领域之一。从全球视角看，AI对研发、临床和数据的改变，最大价值在于“降本增效”，还是在于重塑整个研发范式？对中国Biotech而言，AI有没有机会缩短与全球头部药企的创新差距？

吴晓颖：AI对药物研发更深的影响，其实是在研发决策上。传统研发里，很多关键判断依赖少量实验、阶段性数据和专家经验。但AI可以把文献、组学、实验、临床和真实世界数据持续放在一起分析，让研发团队能更早发现错误假设，也更快找到值得继续投入的方向。这会改变药物研发相对线性的推进方式。

未来，在AI的加持下，可能会形成一个持续循环：模型提出假设，实验验证结果，数据再回到模型，临床继续修正靶点和患者选择。这样研发速度会明显提高。

对中国Biotech来说，AI确实提供了缩短差距的机会。中国有较强的工程化能力、临床执行效率和完整的研发服务体系，能比较快地从计算设计走到实验验证。但话又说回来，如果对疾病机制的理解、全球临床设计和监管经验存在短板，单靠算法恐怕是不够的。

医院推进AI：最难的不是技术，是复制

今年不少医院展示了医疗大模型和智慧医院成果，但大规模推广依然面临挑战。结合安永服务医疗机构的经验，医院推进AI的最大难点在哪里？

吴晓颖：从我们服务医院的经验来看，医院推进AI一个比较大的难点，是现有数据和流程基础差异太大。很多AI产品在样板医院效果不错，但换到另一家医院，数据口径、病历质量、系统接口、医生习惯全都变了，复制成本就会随之上升。医疗AI真正难的地方，恰恰在于规模化复制。

所以医院需要先明确哪些场景最值得做，谁对结果负责，以及效果如何量化。能直接改善病历质量、患者周转、临床决策或运营效率的项目，更容易获得持续投入。数据治理、流程改造和医生参与，这些也必须同步推进。

医疗器械的“AI军备竞赛”：最终拼的是什么？

AI正在深刻影响医疗器械行业，从影像到机器人，从IVD到可穿戴，“AI能力”几乎成了标配。未来核心竞争力将如何演变？最终比拼的是硬件、算法，还是“硬件+算法+软件+持续服务”的综合能力？

吴晓颖：医疗器械不同赛道的竞争力会有差异。影像和IVD更看重算法对诊断准确性和工作效率的提升；手术机器人更依赖硬件、控制系统与临床操作的深度融合；可穿戴设备则要解决长期数据质量、患者依从性以及医疗服务如何接续的问题。但每个方向都需要临床证据和真实使用数据来支撑。

未来领先的企业会形成一种持续学习能力：让设备在真实场景中产生高质量数据，数据用于优化算法，算法再推动产品和服务迭代。这样的体系也更容易建立客户黏性和持续收入。

投资风向变了：从“看故事”到“看财报”

AI正推动医疗行业新一轮投资并购。从安永服务资本市场的经验看，当前投资机构评估AI医疗企业时，标准与前两年相比有什么变化？

吴晓颖：前两年，投资机构容易先看模型能力、团队背景和市场空间。但现在看得更实际了：收入从哪里来？客户为什么愿意付费？项目能不能复制？毛利和现金流能不能持续？

医疗AI的估值正在回到几个非常具体的问题上：医院或药企有没有持续采购和复购，产品能不能进入日常流程，单个项目结束后还能不能扩展到更多科室、病种或机构。临床证据、数据合规和监管路径也越来越重要，因为这些因素直接决定了企业的收入能不能真正做大。

投资机构现在也会区分“项目收入”和“产品收入”。如果每进入一家医院都要重新定制、重新训练、重新实施，规模扩大后成本可能会同步上升。真正有吸引力的企业，通常是那些能够沉淀标准化产品，同时保留解决医疗复杂场景能力的企业。

中国医疗AI的全球化：优势与短板

近年来，中国创新药和械企持续推进全球化，AI被视为提升国际竞争力的重要工具。基于安永全球网络服务企业的经验，中国医疗健康企业在AI时代有哪些独特优势？还需要补齐哪些短板？

吴晓颖：中国医疗健康企业在AI时代有几项很现实的优势。第一，研发和工程化效率高，从算法设计、实验验证到临床推进，链条相对完整；第二，医疗场景丰富，患者规模大，能够较快积累真实世界数据；第三，中国在制造、供应链和成本控制上的能力，也有利于把AI和药物、器械、诊断产品结合起来。这些优势能帮助企业缩短开发周期。

但要转化成全球竞争力，还需要补几块能力。最突出的就是全球临床设计和与国际监管的沟通能力。很多企业前端研发很快，但到了海外多中心临床、数据标准、注册申报和医学证据建设时，节奏就容易慢下来。

数据合规和AI治理也会成为全球化的门槛。数据来源得可追溯，模型更新得可解释，跨境使用得合规，这些都会影响海外合作和监管审查。企业需要从项目早期就按全球要求设计数据和治理体系，避免到了申报或交易阶段再补救。

展望未来：AI将率先重塑哪些环节？

展望三到五年，您认为AI将率先重塑医疗产业链的哪个环节？同时，市场对AI医疗有哪些过高预期需要理性看待？

吴晓颖：未来三到五年，AI会率先重塑研发和运营这两类环节。它们的数据基础相对更好，流程也更标准化，效果容易量化。药物发现、临床试验设计与入组、医学信息检索、病历质控、医院运营管理，都有机会较快形成规模化应用。

临床诊疗的变化会比较谨慎。因为医生的判断涉及患者安全和责任承担，AI进入这一环节需要更充分的临床证据，也需要清晰的使用边界。未来更可能看到AI先承担信息整理、风险提示和决策支持，医生仍然得负责最终判断。

市场目前容易高估两件事：第一是期望AI在短期内显著提高新药研发成功率；第二是期望一个通用医疗大模型能覆盖大量的专科场景。但医疗行业的数据复杂、场景差异大，模型效果很依赖具体疾病、机构和人群。

“AI First”的真正考验

众多企业提出“AI First”战略。在您看来，对于医疗健康企业，AI究竟是一项新技术，还是未来竞争力的基础设施？如果一家医疗企业未来三年未能完成真正的AI转型，它可能失去什么？

吴晓颖：AI会逐步成为医疗健康企业的基础能力。它会进入研发、临床、生产、商业化和管理决策，作用就类似今天的数据平台和信息系统。

真正的AI转型，也不是简单地多部署几个工具。它要求企业重新整理数据、流程和权限，把AI放进真实工作中，并建立起清晰的责任和评估机制。做到这一点，企业的知识会沉淀得更快，研发和经营决策也会越来越有积累效应。

未来三年如果没有完成这一步，企业会失去决策速度和组织学习能力。因为同行会更快筛选管线、更早识别风险、更准确理解医生和患者需求。同样一批人和资金，产出会逐渐拉开差距。

所以“AI First”真正考验的，是企业有没有能力把AI变成日常工作和运营的方式。工具可以买，模型也可以合作引入，但数据基础、组织习惯和持续学习能力，是需要企业自己长期建设的。

从这场对谈里能清晰感受到，医疗AI这一轮的分野正在变得清晰：一部分企业还停留在“模型能力”和“演示效果”的叙事里，另一部分已经被迫转向更具体也更麻烦的问题——谁来为结果负责、复制成本能不能压下去、临床证据够不够支撑监管审查。这两条路径未来的差距，可能会比现在看到的更大。

吴晓颖反复提到的几个词——追溯、复购、闭环——本质上都是在给“价值”这个字眼祛魅。医疗AI不缺故事，缺的是能在财务报表、临床质量和监管合规三条线上同时立住的项目。至于哪些企业能真正做到这一点，WAIC的展台给不出答案，接下来一两年的业绩和事故记录，会给出答案。