鲍莫尔成本病确实揭示了医疗服务成本长期上涨的结构性原因，但AI医疗虚拟助手能否跑通降本逻辑与盈利模式，取决于它能否在数据、算力与合规三重成本约束下，找到可持续的付费方。 从理论上看，用机器替代医生重复性劳动是直接思路；从现实看，医疗数据获取难、理解更难，虚拟助手自身也远非零成本。盈利模式上，面向医院、保险与患者三类付费方各有可行路径，但均需规模效应支撑，目前尚无收益承诺可言。
鲍莫尔成本病：医疗服务为何越来越贵
美国经济学家鲍莫尔于1967年构建了一个两部门非平衡增长模型，将宏观经济分为具有正劳动生产率增长率的进步部门与不存在劳动生产率增长率的停滞部门。在该模型的假设下，进步部门的单位产品成本维持不变，而停滞部门的单位产品成本不断上升。医疗服务被视为典型的停滞部门——一位医生单位时间能处理的诊疗量相对刚性，其价格便持续上升。《福布斯》专栏作家蒂姆·沃斯托在《改变医疗服务价格曲线的方式：解雇医生》中据此认为，解决这一问题的较好方式是用机器来替代医生。
虚拟助手的降本逻辑与成本结构
AI医疗虚拟助手切入的正是重复性人力环节。以ChatGPT为例，远程医疗虚拟助手可帮助患者安排预约、接受治疗和管理健康信息；临床辅助决策可向医疗保健提供者提供实时、基于证据的建议；远程患者监护则通过分析可穿戴设备与传感器数据，在患者病情恶化时向提供者发出警报。这些应用指向节省临床医生时间、减少错误。
但虚拟助手自身成本不可忽视。数据侧，AI模型训练所需医疗数据大都通过企业与医院签署研发协议获得，实际操作中需专门模块进行数据清洗，只保留必要数据，且医院与企业做好物理隔离，通常“数据不出院，模型出院”。算力与合规成本同样构成刚性支出。埃里克·托普在《深度医疗》中分析IBM医疗AI沃森的失败时指出，“最基本的失误之一，就是将获取数百万页的医疗信息等同于理解或使用这些信息”——理解医疗数据远比获得数据更重要也更困难。
盈利模式：三类付费方的可行路径
收入侧可讨论面向医院、保险、患者三类付费方的模式。面向医院，虚拟助手可作为效率工具嵌入预约、随访与监护流程；面向保险，远程患者监护被视为改善治疗效果同时降低医疗成本的方法；面向患者，远程医疗场景下患者更愿意在舒适家中接受护理，虚拟助手可提供远程管理健康的指导与支持。三类模式均需以规模效应摊薄数据、算力与合规成本，能否跑通取决于付费方对降本效果的持续认可。
常见问题
AI医疗虚拟助手能替代医生吗？
不能。埃里克·托普将自动驾驶汽车与人工智能医学实践相提并论：在理想环境和交通条件下，自动驾驶汽车已达到L3水平，但AI医疗仍处在L1到L2的路上。他认为AI医疗不太可能超越自动设备的3级水平，很多诊断与阅片工作可用AI辅助完成，但就医学整体而言，绝不能容忍没有人类医生和临床医生的监督。
医疗数据获取为什么是AI医疗的痛点？
医疗数据属于患者隐私，所有权理应属于患者，但实际中医疗大数据的权属基本在医院方。目前AI模型训练所需数据大都通过企业与医院签署研发协议获得，且需物理隔离、数据不出院。对于现阶段产品而言，理解医疗数据远比获得数据更重要也更困难。
AI医疗虚拟助手的盈利模式跑通了吗？
尚在探索阶段。面向医院、保险、患者三类付费方各有可行路径，但均需规模效应支撑。虚拟助手自身的数据清洗标注、算力与合规成本构成刚性支出，能否跑通取决于付费方对降本效果的持续认可，目前无法给出任何收益承诺。