（文/王力 编辑/吕栋）
在今年的世界人工智能大会（WAIC）上，医疗健康依然是焦点展区。然而，相较于往年观众与投资人热衷于探讨“模型能做什么”，今年的关注点已显著转向务实层面：“这套系统究竟为医院节省了多少成本，或挽救了多少生命？”
这一氛围的转变印证了安永大中华区咨询服务主管合伙人吴晓颖的判断：医疗 AI 行业正从“技术验证”迈向“价值验证”的关键拐点。WAIC 期间，观察者网与吴晓颖展开深入对谈，围绕企业战略重心转移、药企研发范式重构、医院规模化复制难题、资本评估标准转向以及中国医疗企业的全球化挑战等核心议题，探讨当技术光环褪去后，医疗 AI 如何构建可持续的生存与发展逻辑。
吴晓颖
以下是访谈实录。
从“技术验证”到“价值验证”：高层关注点的质变
观察者网：今年 WAIC 上，AI 医疗仍是热门。从战略咨询视角看，企业高层的关注焦点与往年相比有哪些质的变化？这是否意味着行业正进入“价值验证”的关键阶段？
吴晓颖：今年最显著的变化是企业高层开始高度关注 AI 项目的业务价值。过去大家聚焦于模型准确率和演示效果，现在则更关心 AI 改变了哪些具体经营指标，以及相关风险是否可控。WAIC 期间，关于应用落地和商业模式的讨论明显增多。
医疗行业的价值验证具有特殊性。普通行业的 AI 失误可能仅导致效率损失或成本增加，但医疗场景直接关联患者安全、临床责任和监管合规。因此，高层关注的议题已延伸至：AI 可参与哪些决策环节？医生必须保留哪些判断权？出现偏差时如何追溯责任？
行业确实已步入价值验证的关键期。这里的“价值”不仅指财务回报，更涵盖临床质量、医生体验及风险成本。未来能持续获得投入的项目，必须能在上述维度给出清晰答案。
避坑指南：医疗 AI 转型的误区与成败关键
观察者网：越来越多药企、械企和医院将 AI 纳入核心战略。企业在推进 AI 转型时最容易陷入哪些误区？决定项目成败的关键因素是什么？
吴晓颖：企业最常见的误区是“唯技术论”，即只关注上线技术和模型，忽视其他配套因素。许多项目购买了模型、搭建了平台并完成了试点，却缺乏对业务结果负责的主体。医疗流程复杂，单靠技术团队难以推动医生、研发、市场、合规及 IT 部门协同改变工作方式。
另一常见问题是场景选择偏差：倾向于选择易于展示的场景（如生成病历、回答医学问题），而非真正具有高价值的痛点。企业愿意持续投入的方向，往往是能缩短临床试验周期、提升研发决策质量、降低质控风险或改善医院运营效率的项目。这些场景难度虽高，但更接近真实商业价值。
AI 项目成败的关键在于：是否清晰定义了业务问题？是否明确了结果责任人？是否有能力将 AI 无缝嵌入原有流程？此外，数据治理、人工复核、效果评估和模型更新机制需同步设计。许多项目失败的原因在于上线后缺乏反馈机制，导致模型迅速与实际业务脱节。
重塑研发范式：AI 赋能创新药与中国 Biotech 的机遇
观察者网：创新药是 AI 应用最活跃的领域之一。从全球视角看，AI 的最大价值在于“降本增效”还是“重塑研发范式”？对中国 Biotech 而言，AI 是否有助于缩短与全球头部药企的创新差距？
吴晓颖：AI 对药物研发的深层影响在于重塑研发决策模式。传统研发依赖少量实验、阶段性数据和专家经验进行关键判断；而 AI 能整合文献、组学、实验、临床及真实世界数据进行持续分析，帮助团队更早发现错误假设，更快锁定值得投入的方向，从而改变原本线性的研发推进方式。
未来有望形成"AI 驱动的研发闭环”：模型提出假设，实验验证结果，数据回流优化模型，临床进一步修正靶点和患者筛选策略，以此大幅提升研发速度。
对中国 Biotech 而言，AI 提供了弯道超车的机会。中国在工程化能力、临床执行效率及研发服务体系方面具备优势，能快速完成从计算设计到实验验证的闭环。但需注意，若在疾病机制理解、全球临床设计及监管经验上存在短板，仅靠算法难以弥补整体差距。
规模化困境：医院推进 AI 的最大难点
观察者网：今年不少医院展示了医疗大模型和智慧医院成果，但大规模推广仍存挑战。结合安永服务经验，您认为医院推进 AI 的最大难点在哪里？
吴晓颖：医院推进 AI 的核心难点在于现有数据基础和流程的巨大差异。许多 AI 产品在样板医院表现优异，但复制到其他医院时，因数据口径、病历质量、系统接口及医生习惯的不同，导致复制成本急剧上升。医疗 AI 的真正挑战在于规模化复制。
因此，医院需优先明确高价值场景、落实责任主体并量化效果。能够直接改善病历质量、患者周转率、临床决策水平或运营效率的项目，更易获得持续投入。同时，数据治理、流程改造和医生深度参与必须同步推进。
核心竞争力演变：医疗器械行业的“软硬结合”
观察者网：AI 正深刻影响医疗器械行业，“AI 能力”逐渐成为标配。您认为未来核心竞争力将如何演变？最终比拼的是硬件、算法，还是综合能力？
吴晓颖：不同赛道的竞争力要素有所差异。影像和 IVD 领域更看重算法对诊断准确性和工作效率的提升；手术机器人依赖硬件、控制系统与临床操作的深度融合；可穿戴设备则需解决长期数据质量、患者依从性及医疗服务衔接问题。但所有方向均需临床证据和真实使用数据支撑。
未来的领先企业将构建“持续学习能力”：让设备在真实场景中产生高质量数据，利用数据优化算法，进而推动产品与服务迭代。这种体系更易建立客户黏性并确保持续收入。
资本风向标：投资评估标准的理性回归
观察者网：AI 正推动医疗行业新一轮投资并购。当前投资机构评估 AI 医疗企业的标准与前两年有何变化？
吴晓颖：前两年，投资机构侧重模型能力、团队背景和市场空间；如今则更加务实：收入来源何在？客户付费意愿为何？项目是否可复制？毛利和现金流能否持续？
医疗 AI 的估值逻辑已回归具体问题：医院或药企是否有持续采购和复购行为？产品能否融入日常流程？单个项目结束后能否扩展至更多科室、病种或机构？临床证据、数据合规和监管路径的重要性日益凸显，因为这些直接决定企业收入的天花板。
投资机构现在开始区分“项目收入”与“产品收入”。若每进入一家医院都需重新定制、训练和实施，规模扩大将导致成本同步上升。真正具吸引力的企业，通常能沉淀出标准化产品，同时保留解决复杂医疗场景的能力。
全球化征程：中国医疗企业的优势与短板
观察者网：基于安永全球网络服务经验，您认为中国医疗健康企业在 AI 时代有哪些独特优势？还需补齐哪些短板以提升国际竞争力？
吴晓颖：中国企业在 AI 时代拥有三大现实优势：一是研发与工程化效率高，产业链条完整；二是医疗场景丰富、患者规模大，利于快速积累真实世界数据；三是制造、供应链及成本控制能力强，有利于 AI 与药物、器械及诊断产品的融合。这些优势有助于缩短开发周期。
但要转化为全球竞争力，仍需补齐关键短板。最突出的是全球临床设计能力与国际监管沟通经验。许多企业前端研发迅速，但在海外多中心临床、数据标准、注册申报及医学证据建设等环节往往节奏放缓。
此外，数据合规与 AI 治理将成为全球化的门槛。数据来源需可追溯，模型更新需可解释，跨境使用需合规。企业需从项目早期即按全球标准设计数据和治理体系，避免在申报或交易阶段被动补救。
未来展望：理性看待预期与"AI First"战略
观察者网：展望三到五年，AI 将率先重塑医疗产业链的哪个环节？市场对 AI 医疗有哪些过高预期需要理性看待？
吴晓颖：未来三到五年，AI 将率先重塑研发和运营环节。这两类环节数据基础较好、流程相对标准化且效果易量化。药物发现、临床试验设计与入组、医学信息检索、病历质控及医院运营管理等领域，有望较快实现规模化应用。
临床诊疗环节的变革将更为谨慎。鉴于涉及患者安全和责任承担，AI 进入该环节需充分的临床证据和清晰的使用边界。未来更可能看到 AI 承担信息整理、风险提示和决策支持角色，而由医生负责最终判断。
市场目前存在两点高估：一是期望 AI 短期内显著提高新药研发成功率；二是期望通用医疗大模型能覆盖大量专科场景。事实上，医疗数据复杂、场景差异大，模型效果高度依赖具体疾病、机构和人群特征。
观察者网：众多企业提出"AI First"战略。对您而言，AI 是新技术还是未来竞争力的基础设施？若企业未来三年未能完成真正的 AI 转型，可能失去什么？
吴晓颖：AI 正逐步成为医疗健康企业的基础能力，其作用类似于今日的数据平台和信息系统，将渗透至研发、临床、生产、商业化及管理决策全流程。
真正的 AI 转型并非简单部署工具，而是要求企业重构数据、流程和权限体系，将 AI 融入真实工作场景，并建立清晰的责任与评估机制。此举将使企业知识沉淀加速，研发和经营决策产生积累效应。
若未来三年未完成这一步，企业将失去决策速度和组织学习能力。竞争对手将更快筛选管线、更早识别风险、更精准理解医患需求，导致同样资源下的产出差距逐渐拉大。
"AI First"真正考验的是企业将 AI 转化为日常工作方式和运营模式的能力。工具和模型可外购或合作引入，但数据基础、组织习惯和持续学习能力需企业长期自建。
综上所述，医疗 AI 行业的分野日益清晰：一部分企业仍停留在“模型能力”和“演示效果”的叙事中，另一部分已转向解决“责任归属”、“复制成本”及“临床证据”等具体难题。这两条路径的未来差距或将远超当下所见。
吴晓颖反复强调的“追溯”、“复购”、“闭环”，本质上是在为“价值”祛魅。医疗 AI 不缺故事，缺的是能在财务报表、临床质量和监管合规三条线上同时站稳脚跟的项目。哪些企业能真正做到这一点，WAIC 的展台无法给出答案，未来一两年的业绩表现与安全记录将是最终的试金石。