AI医疗企业的成本结构以研发投入为核心，多数企业长期亏损的主因在于高昂的研发、数据获取及临床验证成本，叠加商业化落地困难。以IBM沃森为例，其投入数十亿美元却未能切入真实付费场景，收入远无法覆盖成本。当前，影像AI通过单次诊断收费（如100-300元/次）已开始探索盈利，而CDSS类产品仍依赖医院预算采购模式，盈利路径尚不清晰。
AI医疗的典型成本结构
AI医疗企业的成本高度集中于三大板块：
- 研发投入：占比超过50%，包括算法开发、模型训练和持续迭代。
- 数据标注与临床验证：占总成本20-30%，医疗数据获取需通过医院签署研发协议，且数据清洗和隐私保护成本高昂。正如《深度医疗》指出，理解医疗数据比获得数据更困难，IBM沃森失败的原因之一就是将获取信息等同于理解信息。
- 渠道推广：占10-15%，用于与医院、政府及第三方机构的合作推广。
盈利模式与亏损原因
收入端：影像AI与CDSS的差异
- 影像AI：通过单次诊断收费（如100-300元/次）或医院软件采购实现收入，部分企业已开始盈利。
- CDSS类产品：主要依赖医院年度预算采购，付费意愿和预算周期限制收入增长，多数企业仍处于亏损状态。
亏损核心：商业化困境
- 数据孤岛：医疗数据权属复杂，第三方机构需借助政府和医院支持才能商业化，数据交易市场尚处早期（如贵州大数据交易所仅上架一款儿童构音障碍早筛数据，售价25万元，累计交易2笔）。
- 伦理与监管：AI医疗目前仅处于L1到L2水平（类比自动驾驶），远未达到替代人类医生的程度，临床应用场景有限，付费模式不成熟。
常见问题
为什么IBM沃森在AI医疗领域失败了？
IBM沃森失败的核心在于将数据获取等同于理解，未能切入真实付费场景。它投入数十亿美元构建医疗知识库，但临床落地时无法提供可靠的决策支持，且医院采购意愿低，导致收入远无法覆盖成本。
AI医疗企业未来盈利的关键点是什么？
关键在于解决数据获取与商业化闭环。影像AI已通过单次收费模式验证可行性，而CDSS等产品需突破医院预算限制，转向按使用量或效果付费模式。同时，医疗数据交易市场的成熟度（如贵州大数据交易所的案例）将影响行业进程。
医疗数据获取为何是AI医疗的痛点？
医疗数据权属复杂（患者、医院、政府三方），且涉及隐私保护。企业通常需通过医院合作获取数据，并做好物理隔离（数据不出院、模型出院）。此外，理解数据比获得数据更难，如《深度医疗》所述，医疗数据井喷但人类处理能力有限。