鲍莫尔成本病揭示了医疗服务这类“停滞部门”单位成本持续上升的必然趋势，而AI医疗被视为改变这一价格曲线的潜在突破口。但AI医疗介入并非没有代价，其带来的行业风险主要集中在误诊责任归属不清、算法偏见导致诊疗不公、技术可靠性不足三个层面。目前AI医疗整体仍处于L1到L2的辅助水平，距离完全自动驾驶式的L5级“全自动诊疗”尚有相当距离，技术成熟度的短板是上述风险的根本来源。

鲍莫尔成本病与AI医疗的“解药”逻辑

鲍莫尔成本病理论将经济部门分为劳动生产率增长的“进步部门”和增长停滞的“停滞部门”。医疗服务属于典型的停滞部门——一位医生单位时间能接诊的患者数量相对刚性，而社会整体生产力提升会不断推高人力成本，导致医疗服务价格持续上涨。AI医疗的想象空间在于：通过机器替代部分人工诊疗环节，理论上可以打破这一成本刚性。

然而，AI医疗的介入路径并非简单“解雇医生”。在《深度医疗》一书中，埃里克·托普将AI医疗与自动驾驶汽车相类比，指出AI医疗仍处在L1到L2的路上（L1为辅助诊断，L2为部分自动化），远未达到L3的条件性自动化，更遑论L5的完全自主。这意味着现阶段AI只能作为医生的辅助工具，而非替代者。

三大行业风险：责任、偏见与可靠性

风险一：误诊责任归属不清

当AI参与临床辅助决策时，一旦出现误诊，责任归属成为一个棘手的法律与伦理问题。是开具处方的医生负责，还是提供建议的AI系统开发者负责？抑或是批准AI工具入院的医疗机构负责？现行医疗责任体系主要围绕自然人医生构建，AI的介入打破了这一框架的边界。在AI医疗仍处L1-L2辅助水平的阶段，责任划分尚可依托人类医生的最终把关；但随着自动化程度提升，这一模糊地带将不断扩大。

风险二：算法偏见导致诊疗不公

AI模型的训练高度依赖医疗数据，而医疗数据本身可能存在结构性偏差。若训练数据覆盖的人群、地域、病种不均衡，AI输出的诊疗建议就可能对特定群体产生系统性偏差，导致诊疗不公。更关键的是，理解医疗数据远比获得数据更重要也更困难——托普在分析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。”数据量大不等于数据质量高，更不等于算法公平。

风险三：技术故障与可靠性不足

AI医疗产品在真实临床环境中的可靠性仍需长期验证。医疗场景容错率极低，一次技术故障或判断失误可能直接危及患者生命安全。与自动驾驶在高速公路上的容错空间不同，医疗决策的后果不可逆。托普据此认为，AI医疗不太可能超越自动设备的L3水平——在任何时候、任何情况下，绝不能容忍没有人类医生和临床医生的监督。这意味着AI医疗的降本增效作用，始终受制于人类监督这一“安全冗余”的成本。

常见问题

AI医疗能完全解决鲍莫尔成本病吗？

不能。AI医疗可以缓解医疗服务的人力成本压力，但受限于技术成熟度（目前仅L1-L2水平）和医疗场景的高风险特性，人类医生的监督不可或缺。这决定了AI医疗的降本空间存在上限，鲍莫尔成本病的核心矛盾——服务价格随生产力提升而上涨——只能部分缓解，无法根本消除。

AI误诊时，责任应由谁承担？

目前尚无统一答案。AI医疗仍处辅助阶段，最终决策权在人类医生手中，责任主体相对明确；但随着AI自动化程度提升，责任归属将变得复杂。这需要法律体系、行业监管和保险机制协同演进，目前各方仍在探索中。

医疗数据不足会影响AI医疗发展吗？

会。医疗数据是AI医疗的第一驱动力，但数据权属复杂（涉及患者、医院、政府多方），且理解数据比获得数据更重要。单纯堆砌数据量无法带来可靠的诊疗能力，算法对数据的深度理解才是核心瓶颈，这也是当前行业面临的主要技术不确定性之一。