案例背景
2026年10月，多家互联网与科技大厂密集加码“AI医生”：腾讯、阿里、百度、字节等先后推出面向C端的AI问诊、AI健康管家，以及面向B端的辅助诊疗系统，部分产品已进入医院门诊、基层医疗与互联网医院场景。资本与技术的集体涌入，让“AI医生”从概念验证走向规模化落地的前夜。
与热潮形成对照的是三道尚未解开的难题：谁付费——患者、医院、医保、商业保险还是药企？值多少——AI给出的建议究竟应按次数、按效果，还是按节省下来的医疗成本计价？谁负责——一旦出现漏诊误诊，责任在开发者、部署医院、使用医生还是模型本身？这三个问题共同决定了AI医生究竟是一门生意，还是一项公益。
核心分析
一、需求侧：信任品市场的采纳难题
医疗服务是典型的信任品（credence good）：即便服务已经完成，患者也难以判断其质量优劣。这一属性使得技术接受模型（TAM）中的“感知有用性”不足以解释采纳行为，真正的关键是信任与感知风险。AI医生要跨过信任门槛，至少需要三重背书：监管准入（医疗器械认证、互联网诊疗资质）、专业背书（临床指南、医生署名），以及可验证的准确率数据。
值得注意的是，用户对AI健康类应用的采纳还受情境风险调节：在轻问诊、慢病管理、报告解读等低风险场景中，用户容忍度较高；在急重症、手术决策等高风险场景中，任何不确定性都会被放大。因此理性的产品策略是从低风险高频场景切入，向高风险场景渐进，而不是一开始就挑战临床决策的核心地带。这也解释了为何当前落地最快的AI医疗产品，多集中在预问诊、随访与影像初筛，而非独立出具诊断结论。
二、付费方：一个多边市场的定价难题
AI医生商业化困难的根源，在于它身处一个多边市场：使用者（患者）、决策者（医生）、采购者（医院）、支付者（医保与商保）与间接受益者（药企、体检机构）彼此分离。多边市场理论告诉我们，平台必须选择补贴一侧、收费一侧，并通过网络外部性让两侧同时增长。但医疗的特殊性在于：最终支付方追求的是总成本下降，而不是单次服务价格的最低。
这给出了三条可行路径。其一是按效果付费：AI若能证明降低了再入院率、减少了重复检查，便可分享节约下来的费用，这与“价值医疗”的支付改革方向一致。其二是向B端收费、向C端免费：医院购买AI辅助诊疗以提升效率与均次服务量，患者免费使用以贡献流量与数据。其三是间接受益者付费：药企与保险机构为精准的患者分层和健康管理买单，本质上是把AI医生变成健康管理的获客与风控基础设施。
无论哪条路径，共同的挑战是价值的可测量性。没有可信的对照数据与卫生经济学评价，任何定价谈判都缺乏锚点，最终只能退化为按成本加成的低价竞争。
三、责任界定：委托代理与算法问责
责任问题可以借委托代理理论拆解：患者（委托人）把健康决策委托给医生（代理人），AI作为工具或替代者介入其中，形成多层委托链。信息不对称与努力不可观测，使得责任边界天然模糊。若把AI定位为“辅助”，责任仍在医生，厂商只需承担产品责任；若AI实际主导了决策，厂商就必须直面医疗过失的归责。
可行的制度设计有三类：其一，风险分层监管，按应用场景的风险等级设定不同的准入与责任标准，高风险场景强制人工复核；其二，责任保险与赔偿基金，把不确定的个体损失转化为可精算的集体成本，这是新技术扩散的常见配套；其三，可追溯的算法日志，让每一次建议的输入、依据与模型版本都可审计，为事后追责提供事实基础。
从组织角度看，企业还需要建立独立的AI治理架构：独立于业务线的模型评审、不良事件上报与召回机制。这看似增加成本，实则是把合规能力转化为竞争壁垒——在强监管行业，牌照与责任体系本身就是护城河，后来者即便模型更强也难以短期追赶。
管理启示
AI医生的竞争，最终不是模型准确率的竞争，而是支付结构、责任结构与信任结构的竞争。三点启示：第一，在强监管、高信任门槛的行业，准入资质与责任方案要先于产品功能设计，否则产品越成功、风险敞口越大；第二，商业化设计必须回答“谁因为这件事省钱或赚钱”，否则再高的技术水准也无法变现；第三，学会把不确定性定价——通过保险、赔偿基金与分阶段部署，把无法消除的风险转化为可管理的成本。谁能率先跑通“技术—支付—责任”的闭环，谁就定义了这个行业的标准。
其他思考
- 如果AI医生的收入来自药企或保险公司，如何防止算法沦为“引导消费”的工具？需要哪些信息披露与利益冲突回避机制？
- 按效果付费听起来美好，但医疗效果的归因极其困难——当患者同时接受多位医生、多种干预时，节省的成本该归功于谁？
- 基层医疗机构与三甲医院对AI医生的需求是否相同？资源匮乏地区会不会成为AI医疗“跨越式落地”的第一战场？
关键词：AI医生、多边市场、价值医疗、委托代理、算法问责
来源：财新网 | 整理：经管大课堂
原文链接：https://www.rcbom.com/aibps/6603.html
