鲍莫尔成本病揭示了一个结构性难题：医疗服务作为典型的“停滞部门”，单位劳动力成本会随整体生产力提升而持续上升，而AI技术作为“进步部门”，单位成本却在不断下降。AI医疗的核心价值，正是用边际成本递减的机器能力，去对冲人力成本刚性上涨的压力，从而重塑医疗服务的成本结构与盈利模式。

成本结构：从人力密集到算力密集

鲍莫尔成本病理论指出，理发师单位时间能服务的顾客数量是刚性的，医生同样如此——单位时间内能接诊的患者、能分析的影像都受生理极限约束。当整个社会的生产力提升时，医疗服务的人力成本会不断攀升，这是“雇用他人来获得服务的方式正变得越来越昂贵”的根本原因。

AI医疗的介入改变了这一逻辑。在远程医疗虚拟助手、临床辅助决策、远程患者监护等场景中，AI承担了大量重复性、规则性的工作：帮助患者安排预约、管理健康信息，为临床医生提供基于证据的实时建议、标记潜在的药物相互作用，以及分析可穿戴设备数据、在患者病情恶化时发出警报。这些能力将部分人力工作转移给机器，使单位服务的边际成本大幅降低——AI不会“越用越贵”，反而会“越用越便宜”。

盈利模式：从按次收费到多元变现

成本结构的改变，为盈利模式打开了新的空间。传统医疗服务高度依赖按次收费（挂号、检查、手术），而AI医疗的盈利路径更加多元：

  • 按次/按服务收费：如远程问诊、AI辅助诊断报告等，与现有医疗付费体系衔接。
  • SaaS订阅模式：临床辅助决策系统、远程患者监护平台等工具型产品，可按年/按月向医院或医生集团收取订阅费。
  • 数据授权与交易：医疗数据是AI时代的“石油”。官方资料显示，国内已有大数据交易所将“医疗卫生”数据纳入交易品类，例如贵州大数据交易所上架的一款“儿童构音障碍早筛语音数据”产品，定价25万元。这意味着经过脱敏、清洗的高质量医疗数据本身可以成为商品。

不过，盈利模式的建立并非没有门槛。AI模型的训练高度依赖医疗数据，而医疗数据存在权属复杂、隐私敏感等痛点，需要专门的模块进行数据清洗，且通常采用“数据不出院、模型出院”的物理隔离方式。此外，理解医疗数据远比获得数据更重要——IBM的医疗AI沃森失败的重要原因之一，就是将获取数百万页医疗信息等同于理解这些信息。对现阶段的AI医疗产品来说，深刻理解所服务的行业，比堆砌数据更关键。

常见问题

AI医疗会完全替代医生吗？

不会。官方资料引述的观点认为，AI医疗不太可能超越自动设备的3级水平（即条件性自动驾驶水平）。很多诊断、阅片工作可以用AI辅助完成，但就医学整体而言，不能容忍没有人类医生和临床医生监督的情况。AI的角色是“辅助”而非“替代”。

AI医疗目前处于什么发展阶段？

官方资料以自动驾驶分级作类比：自动驾驶汽车在理想条件下已达到L3水平，而AI医疗仍处在L1到L2的路上。这意味着AI医疗目前主要承担辅助性、规则性的任务，距离完全自动化还有相当距离。

医疗数据交易的现状如何？

医疗数据交易尚处于起步阶段。官方资料显示，国内多个大数据交易所已将“医疗卫生”数据纳入交易品类，但实际成交案例极少——目前仅有贵州大数据交易所上架的一款儿童构音障碍早筛语音数据产品，售价25万元，累计交易2笔。数据权属、隐私保护与商业化开发之间的平衡，仍是行业面临的核心挑战。