AI Agent涌入医疗：从写病历到当医生，百亿市场的突围与竞速【中国创新医疗资产会客厅交易圆桌派｜第十八期】

2026年的春天，AI Agent在医疗领域的热度，正在迅速升温。

从资本的持续加码，到企业产品的密集迭代，再到医院端对降本增效的迫切需求，一个趋势逐渐清晰：医疗AI，正从单点工具，迈向以智能体为核心的协同阶段。

但喧嚣之下，核心问题依然待解：这一轮AI Agent的技术成熟度，是否足以支撑大规模的临床落地？当大模型开始装上“爪子”（Claw），医疗场景的智能化边界又在哪里？

近日，由动脉网联合微解药主办的《中国创新医疗资产会客厅》交易圆桌派第十八期聚焦“百亿级市场，AI Agent如何突破医疗领域新方向？”展开讨论，多位一线产业与资本参与者给出了他们的判断。

作为已在超百家三甲医院落地的AI医生助手，全诊医学总经理、创始人薛翀对技术落地的“最后一公里”深有体会。在他看来，一个优秀的Agent，绝不仅仅是搭个工作流、接个大模型那么简单。

薛翀指出，医院出于数据安全考量，普遍要求私有化部署。但通用大模型对算力消耗极大，部署后推理效率大打折扣，医生体验自然难以保障。为此，全诊的解法是“模型压缩”——针对医保编码、病历书写等具体任务，训练特定小尺寸模型，在保证精度的同时将算力消耗降至最低。这背后需要大量优质真实数据的回流与后训练，才能让模型在医院内部“跑得快、做得准”。

同样脱胎于清华大学智能产业研究院（AIR）的紫荆智康，其打造的“Agent Hospital”则面临另一重挑战：如何让实验室的“高分”论文技术，在真实世界里不“低能”。

紫荆智康产品负责人乔宇宸总结了从研发到临床的“四个断层”：数据集成断层（医院数据高度分散，远非实验室环境）；临床思维断层（AI更像“记答案”，而不是“做判断”）；现实场景断层（患者表达复杂，并不会按标准输入回答）；人机协同断层（AI逻辑与医生工作习惯存在偏差）。

为解决这些问题，Agent Hospital从设计之初就覆盖了诊前、诊中、诊后的全流程，在训练中集成专业医疗知识，并通过复盘负样本逐步培养临床思维。同时，Agent Hospital的智能体技术具有可持续进化能力，能在真实使用过程中持续接收反馈，让智能体逐步适应医生习惯与复杂场景。目前，该系统已在多家合作医院部署，通过持续的反馈迭代，逐步弥合着实验室技术与临床需求之间的鸿沟。

当技术底座逐步夯实，一个更深层的问题浮出水面：这一轮AI Agent与上一代医疗AI究竟有何本质不同？

英诺天使基金执行董事李英杰清晰地勾勒出了两波浪潮的本质差异。上一代医疗AI更像单点工具，以AI影像为例，它只完成看片、输出结果的单一任务，解决的只是诊疗链条中的一小环，对整体体验和效率提升有限。

而这一代的AI Agent，已经具备了主动交互、长流程推理和执行复杂任务的能力，能像“初级医生”一样参与到从预问诊到诊后随访的全流程。这一能力的跃迁也带来了商业模式的质变——从上一代AI难以变现的困境，转向订阅制、按服务效果付费的可能，市场空间也从百亿级跃升至千亿级。

对于这一观点，主持人、探针资本创始合伙人严晶晶也表示认同。在她看来，当技术在某些层面逐渐“平权”，评估项目的核心就回归到谁能更精准地把握付费方痛点、谁的产品工程化能力更强。她进一步指出，上一波AI更多停留在NLP解析层面，而这一波具备了真正的推理与复杂任务处理能力，能够解决的问题和覆盖的场景已不可同日而语。

商业化，是所有AI医疗企业必须回答的问题。全诊医学和紫荆智康分别给出了自己的探索路径。

● 从“写病历”切入，按效果付费的To B逻辑

薛翀选择从“写病历”这个医生最痛的点切入，背后有深层次的逻辑。作为医生出身，他深知文书工作是导致医生职业倦怠的主因之一，而病历记录了完整的诊疗过程，是训练更高级别医疗AI的“金矿”。

基于这一判断，他认为未来的商业模式将从传统的软件销售转向按效果付费——无论是减少医保扣费、降低医疗风险，还是释放医生时间，这些价值都可以被量化，并转化为医院愿意支付的费用。不过现实约束同样存在：To B业务绕不开医院的招标、立项和采购流程，周期往往长达半年甚至更久，与AI产品的快速迭代节奏并不匹配。在他看来，未来可能需要通过更轻量的方式，比如按服务或“人头”订阅，来缩短落地周期。

● 全场景覆盖，用“补位”能力构建B端刚需

乔宇宸将AI Agent的付费对象拆分为三类：C端患者、B端医院和D端医生。B端的优势在于付费能力强、粘性高，但决策链条长、定制化需求重；C端虽然市场空间更大、模式更灵活，但付费意愿低，且在医疗场景下建立信任更为困难。

在实际落地中，除了“提效”等常规价值，AI的价值在“补位”上也有重要体现。乔宇宸分享了一个典型案例：一位呼吸科专家接诊胸闷患者时，AI通过预问诊信息了解到患者曾做过心脏支架，提醒医生在形成诊疗意见时将该项病史纳入参考。该专家表示，专科医生容易在实践中容易局限于自身领域，而AI恰好能弥补这一盲区——这种能力正是AI在医院端形成刚需的关键。

● 投资视角下的路径选择——To B做深，再向To C延伸

从投资视角看，李英杰的判断更为直接。他认为，医疗的核心仍然是医院这一强信任载体，产品只有在院内场景中被验证，才能建立起真正的壁垒。相比之下，To C产品门槛低、同质化严重，加上使用频次不高，很难形成稳定的商业模型。

但这并不意味着To C没有空间。在他看来，更现实的路径是先在To B场景中证明价值，再向更广泛的用户端延伸——当产品在院内建立了信任和口碑，向C端拓展便水到渠成。从当下来看，这一路径正在被越来越多的企业验证。

当AI介入诊疗，问题不再只是“好不好用”，而是更严肃的两件事——数据合不合规，结果能不能被信任。

针对可解释性和“幻觉”问题，薛翀给出了一个现实划分：质控、预警类场景只需结果，但一旦涉及诊疗，必须给出依据。为此，全诊医学采用两层策略：一是通过真实诊疗数据进行后训练，让模型更贴近医生决策逻辑；二是引入检索增强，在生成结果的同时调用最新文献和知识库。本质上，是让AI从“给答案”，变成“给证据”。

在数据安全上，紫荆智康则选择从源头规避风险。乔宇宸介绍，在训练阶段，Agent Hospital大量使用基于专业医疗知识生成的“虚拟患者”数据，尽量减少对真实隐私数据的依赖。而在实际应用阶段，则严格按照法律法规要求进行系统建设、数据隔离和权限控制，把问题落在具体的工程实现上。

李英杰从尽调角度补充，投资机构会重点关注三点：数据来源是否合规、是否具备明确的医疗器械注册路径，以及企业本身是否具备开展相关业务的资质。“在强监管的医疗行业，合规是生存的前提，不是可选项。”

当AI真正进入临床，这些问题不会被技术进步自动解决。它们不是优化项，而是生死线。

当讨论进入尾声，话题自然走向未来——2026年，医疗AI Agent会进化到哪一步？

趋势一：Agent将装上“爪子”（Claw）。“以前AI有了耳朵（ASR）、眼睛（OCR）、嘴巴（TTS），但缺了一只手。”薛翀认为，随着OpenClaw等技术的成熟，Agent将能真正操控电脑，自动完成电子病历系统的点击、录入等操作，让医生的双手彻底从键盘上解放出来。

趋势二：多智能体协作将成为主流。乔宇宸判断，医疗AI将从单一Agent，走向多角色协同——医生、患者、护士等多个智能体共同参与，甚至实现跨科室的“多Agent会诊”。但他同时提醒，对于像OpenClaw这类开源技术，在医疗场景中应用需保持谨慎，必须对其安全性进行严格评估。

趋势三：打通数字世界与物理世界。“AI Agent会从纯虚拟环境走向物理世界。”李英杰设想，未来AI不仅能完成线上的预问诊，还能联动检验科的全自动化设备，实现从“预问诊”到“预检验”的自动化流程。在药物研发、生物制造等更广阔的泛医疗领域，AI将变得更加智能和自动。

趋势四：从被动响应转向主动服务。严晶晶描绘了一个典型场景：患者完成检查回到诊室时，AI已经整合好所有数据，并给出多个诊疗建议，医生只需基于此做最终判断。她认为，这种主动式Agent的到来，将是下一个时代的标志。

从病历书写的“手”，到辅助决策的“脑”，再到未来可能接管流程的“自动执行”，AI Agent正在以肉眼可见的速度重塑医疗场景。尽管在技术落地、商业变现、数据合规的道路上仍有挑战，但一个属于“智能体”的医疗新生态，正加速向我们走来。