医疗行业正以高于整体经济约 2.2 倍的速度采用人工智能，试点阶段已经结束，规模化落地正在发生。但一份行业分析指出，多数机构只是把智能工具”叠”在既有流程之上，而既有流程本身建立在”由人审阅、由人分派、由人审批”的旧假设之上——这个假设在新技术的包装下原封未动。该分析据此给出一个尖锐判断：把人工智能装进坏掉的流程，得到的只是”更快的坏流程”，而不是”正确的流程”。

真正的障碍是治理，不是技术

分析认为，技术从来不是瓶颈，真正的阻力来自组织治理。大型医疗集团并非铁板一块，而是由多个业务单元拼成，各自握有独立的利润表、供应商关系与权责边界。当流程的所有权被切分到四方，端到端的重构几乎不可能推进，人工智能项目因此长期停留在试点，即便其价值早已被验证，也没有人拥有”推倒重来”的授权。结果就是：智能工具被螺栓般焊在旧结构上，底层架构纹丝不动，问题持续累积。

一个常被引用的量化背景是：美国医院 2025 年的利润率中位数约为 1.1%，而麦肯锡预计今后五年利润压力最高可达 13%。面对这种结构性缺口，许多机构的应对方式与过去二十年如出一辙——而分析者本人的从业经历恰恰贯穿了这些阶段：上世纪九十年代的管理式医疗试图压低成本，二十一世纪初把工作离岸外包以赚取人力差价，2010 年代又靠共享服务中心合并职能、挤出冗余。他直言，每一个杠杆都只是把成本搬到了别处，而非真正削减。

复杂度税

分析进一步指出，真正的成本驱动项是内部架构：彼此分割的业务单元运行着平行流程，背负着冗余的系统，还与同一批供应商分别议价。这种复杂度像一笔”复杂度税”，从不在预算表里单独出现，却始终体现在利润、延误与那些”始终没能做出的决策”之中。一位曾负责某大型健康险企业共享服务的从业者提到，其管辖范围横跨健康险、药房与药品福利管理三大板块、约 3.4 万人，组织复杂度本身就是与外部市场同等重要的成本驱动；而当一桩 600 亿美元的并购在隔夜把规模翻倍，暴露出的正是复杂度本身。

该分析抛出一个关键问题：如果今天从零开始、且人工智能自始可用，人们还会不会建成现在这套模样？对几乎所有既有的医疗工作流诚实地回答，结论都令人不安。

对中国的参照

中国内地的医疗信息化同样长期受困于”系统林立、数据不通”的遗留架构：电子病历、医院信息系统、医保结算系统往往分头建设，标准不一、接口不通。人工智能落地时，常见做法也是”叠加”而非”重构”——把模型挂接在原有流程之外，而非重塑流程本身。近年来国家推动检查检验结果互认、建设统一的医保信息平台、推广电子健康卡，本质上正是从治理层面破解这一困局：先把数据通起来、把权责理清楚，再谈智能化的纵深应用。换言之，医疗人工智能要真正释放价值，前提可能不是更聪明的模型，而是对旧系统的勇气与权限。

从”要不要上”到”上了却没变”

文章作者观察到，两年前医生最常问的是”该不该用 AI”，如今这个问题几乎消失了。取而代之的现象是：一位医生在两位患者之间查一下 AI、读完答案、关掉标签页、继续看病——工具被”采用”了，诊疗本身却没有改变。

飞利浦（Philips）《Future Health Index 2026》印度报告（于当月发布）用数据勾勒了这层落差：71% 的印度医疗从业者表示 AI 提升了自己接诊更多患者的能力，高于全球 50% 的水平；在感受到提升的人群中，中位数达到每周多接诊 10 名患者。与此同时，78% 的印度医疗从业者曾纠正过 AI 生成的错误信息，86% 认为每一条 AI 输出都需要人工复核；58% 的临床医生报告每年节省至少 132 小时，其中约四分之三把这部分时间用于更充分的医患沟通。另有 45% 表示所在机构的 AI 培训有限或不成体系。

三个条件区分”采用”与”整合”

文章提出，区分”采用”与”整合”的有三个条件，且都与模型本身无关。其一是临床适配：在外部诊疗模式下训练出的系统即使准确，也可能因为药品目录、疾病谱、语言与本地不符而难以落地——对印度门诊而言，结核、登革热、抗生素耐药是日常，而非边缘案例。其二是可验证性：输出须能对照临床来源、且来源可见，信任来自系统架构而非宣传话术。其三是可转化的时间：节省的时间要真正流入诊疗，最明显的标志是医生不再”感觉到”技术在场。

整合是结构性功课

结论很清楚：采用是个体的举动，整合是结构性的改变——系统嵌进工作流、持有诊室里患者的上下文、改变做事的方式，而不是在原有流程上多加一步。尽管报告以印度为样本，”采用容易、整合困难”的落差在各国医疗体系中具有共性。整合阶段能走多快，最终由一个又一个门诊科室决定。