近年来，AI健康管理正经历一场从“被动响应”向“主动预防”的深层蝶变。

从2022年底OpenAI横空出世，让行业看到了大模型落地健康管理应用的可能，到2025年AI Agent的落地让健康管理更具智能属性，再到2026年初“龙虾”的爆火点燃了探索本地智能体部署的火焰，技术的每一次跃迁都为健康管理的进阶发展提供了坚实助力和无限的想象空间。

在这一进程中，AI健康管理早已不是“一问一答”的被动响应者，也不再是完成服务后即“消失”的单点工具，而是一个能实现主动交互、提供诊前、诊中、诊后全流程管理的协作者。并且，在这一进程中，AI带给健康管理的影响，不仅仅是简单的功能迭代，更是一场从“被动响应”到“主动预防”的范式革命。

但是，坦白而言，时至今日，这场范式革命尚未彻底完成，数据孤岛、模型可解释性、医院企业保司多端协同等核心挑战依然待解。换言之，AI健康管理从“能用”到“好用”之间，仍有漫长的距离。

为此，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十九期，邀请到了乐荐健康科技集团副总经理李嘉明与华美浩联AI研发总监吴雷两位嘉宾，以“AI重构健康管理：从被动延时干预到主动瞬时预防的全链路创新”为主题，深度解构了AI健康管理这场范式革命的现状、重点场景及未来发展趋势。

在AI+健康管理的融合发展历程中，不同时期呈现出不同的发展重点。对此，乐荐健康科技集团副总经理李嘉明与华美浩联AI研发总监吴雷在直播中分别从应用和技术两个维度分享了各自的观察。

李嘉明先从应用的角度梳理了AI为健康管理带来的三项根本性变化：从“被动响应”到“主动预防”，从“单点工具”到“全链路渗透”，从“标准化输出”到“个性化干预”。在他看来，这些变化的核心价值是“提效”——即用同样的人力服务指数级增长的用户，并可据此释放医护人员时间与精力，使之聚焦更为核心、更具挑战的工作中。此外，借助大模型能力，企业还可提升个性化、精准化健康管理服务能力，从而提升用户的依从性，改善服务体验。

吴雷则从技术演进的角度，勾勒出了AI健康管理的发展脉络：2022年GPT模型的出现让健康管理行业看见了大模型助力健康管理服务发展的可能，由此掀起了大模型+健康管理的融合发展浪潮。彼时的探索多聚焦于基于数据分析的相关应用，例如报告解读。单点、碎片化、“被动响应”仍是这一阶段特征。行业约在2024年正式迎来大模型规模化落地阶段，大模型+健康管理单点应用遍地生花，为后续全流程应用“串联”埋下伏笔。在此之后，行业一方面开始探索健康管理全流程的智能化应用，另一方面则因AI智能体的兴起着手健康管理服务从“被动响应”到“主动预警”的“改造”，进而真正实现全周期、全流程的主动式健康管理。

综合两位嘉宾的分享来看，AI正在将健康管理从一件“用户发起、系统应答”的被动服务，转变为“系统监测、主动干预”的持续陪伴。这不仅是技术能力的提升，更是服务逻辑的根本重构。

而除了从“被动响应”到“主动预防”，从“单点工具”到“全链路渗透”，从“标准化输出”到“个性化干预”这三层结构性变化外，大模型的深化应用，还为健康管理企业带来了一道战略选择题。

在AI能力大幅提升的背景下，健康管理企业面临一个根本性的战略选择题：是做覆盖广泛的全科平台，服务“所有人”的“所有健康问题”；还是聚焦特定病种，做专病管理的深度服务？

李嘉明首先亮明乐荐的判断——从全科走向专科，是AI健康管理发展的必然之路。因此，乐荐率先布局，推出了AI“五高”（高血压、高血脂、高血糖、高尿酸、高体重）慢病管理系统，不仅可量身定制饮食方案，还可7x24小时在线分析异常数据，实时响应并干预异常情况。

乐荐选择聚焦“五高”开展“专病”管理共有三层考量：首先是疾病关联性——约70%的慢性病与体重超标相关，减重是慢病管理的“基础设施”，具有“牵一发而动全身”的杠杆效应。其次是数据基础——基于千万级脱敏健康数据的长期沉淀，乐荐自研的天瑞启元医疗大模型在“五高”领域的风险预警率已达到95%，为专病深耕提供了坚实的数据底座。最后是服务闭环——乐荐构建的“体检+慢病管理+护士上门护理”的一体化链路，使专病管理能够贯穿从检测到干预再到康复的全过程，避免“有诊断无干预、有干预无跟踪”的碎片化问题。

“从泛健康管理转向专病精准管理，不仅是技术能力的升级，更是商业模式的进化——只有做深做透，企业才能形成真正的差异化优势。”李嘉明表示。

吴雷则在认可这一趋势的基础上从四个维度拆解了其间的底层逻辑。首先，临床价值的体现逻辑决定了专科化的必然性。全科解决覆盖面问题，但真正能改善用户健康结果、降低医疗支出的，是专病层面的深度干预。其次，支付方的需求正在升级——保司、银行、大型企业更愿意为可量化的结果付费，而非泛泛的健康建议。再次，数据采集的自然演化会“自动”推动专科化发展。随着服务量积累，多维数据会自然向专科维度收敛，形成正向循环。最后，用户信任建立在可感知的结果上——血糖降了、体重轻了，远比通用建议更有说服力。

然而，从全科到专科的转型并非坦途。吴雷直言，其间最大的瓶颈在于数据。专病管理需要触及更深入的医疗数据——诊断记录、用药方案、检查结果、病程演变，而这些数据高度集中于医院和卫健部门，院内数据不出院是行业普遍面临的硬约束。对此，吴雷指出，如何通过合规方式与医院合作，在保护隐私前提下实现联合建模，是当前行业需要共同探索的课题。

李嘉明则补充了另一重挑战：模型的可解释性。在全科场景下，用户对AI的容错度较高，但在专病场景下，AI的每一个判断都可能与生命安全相关。这就要求AI不仅能给出结论，还能给出依据——引用了哪条临床指南、基于哪些指标、排除了哪些鉴别诊断。李嘉明提到，乐荐在“五高”领域的实践中，始终将“可解释性”作为模型迭代的核心指标之一，确保用户和医生都能理解AI的推理过程。

时至今日，“谁为健康管理付费”仍制约着行业发展。在中国医疗健康体系中，医保主要覆盖疾病治疗；相当比例的C端用户缺乏为健康管理付费的习惯和意识，自费意愿低；B端企业采购受到预算周期和福利政策的约束，难以形成稳定、规模化的收入来源……对此，作为创新支付的商业健康险被视为破局的关键方向。

李嘉明从三个层面分析了将健康险作为支付方的优势：对C端用户而言，其通过健康管理改善身体状况，不仅获得了健康收益，还能享受保费的折扣或返还，形成了正向激励循环；对保险机构而言，健康管理有助于从“概率博弈”转向“价值管理”。传统保险的盈利模式建立在“大数定律”之上——通过精算预测赔付概率，在保费与赔付之间赚取差价。而引入健康管理后，保险公司可以主动干预用户的健康状况，降低疾病发生率和医疗支出，从而降低赔付率、提升盈利能力和客户黏性；对健康管理企业而言，用户因保费激励而具有更高的依从性和享受服务的意愿，健康险作为支付方在一定程度上助力了健康管理企业的持续经营。因此，“健康险和健康管理的融合是必然趋势，对用户、保险机构、健管机构是三赢局面。”李嘉明总结道。

但融合之路远非坦途。吴雷指出了两大现实挑战：第一，商业健康险渗透率仍然偏低，覆盖力度仍有待加强，且许多用户对商业健康险的认知仍停留在“重疾险”“百万医疗险”等传统产品上，对“保险+健康管理”的新型产品缺乏了解；第二，数据壁垒仍旧存在。保司有严格的投保和核保制度，医院有医疗数据合规要求，健康管理企业作为中间协调方，动态调整空间有限。这可能导致健康管理效果欠佳。

面对这些挑战，行业正在探索多种破局路径。一是在数据互通方面，通过联邦学习、隐私计算等技术，实现“数据不动模型动”的联合建模，在不泄露原始数据的前提下实现价值共创；二是在体系共建方面，探索“按效果付费”“风险共担”等新型合作模式，深化保司、医院、健康管理企业合作关系；三是在支付创新方面，推动将健康管理服务纳入医保或商保的支付目录，争取政策层面的制度突破。这些探索虽然尚处早期，但方向已经明确。

当AI+健康管理持续演进，吴雷和李嘉明对AI健康管理的未来发展趋势，例如产品形态、技术边界、社会价值等也给出了各自判断。

在产品形态方面，吴雷认为，未来1-2年内，专病AI Agent将迎来集中爆发，大量垂直领域产品会在市场上快速出现。这些Agent将覆盖筛查、预警、干预、随访等多个方面。

与此同时，李嘉明表示，在以往，通过降低健康知识的信息差和医疗健康的资源差，AI让更多人能够平等获取基础健康服务。这正是AI完成健康管理落地价值前半场验证的信号。而在下半场，服务分层体系将自然形成——免费的基础版满足大众日常咨询需求，付费的专业版提供深度干预和管理，高端的VIP版结合人工专家和专属服务。这种分层不是“富人享受更好的服务”的简单分化，而是通过AI降低边际成本，让基础服务能够覆盖更广泛的人群，同时为有深度需求的用户提供更高价值的服务。

最后，两位嘉宾指出了未来值得关注的几大发展方向：其一是康复养老与具身智能的融合。随着具身智能机器人的发展，康复养老这一长期处于边缘的领域将迎来新的技术变量。其二是中医数字化重构。中医几千年的经验主义和非标准化特征，在大模型时代反而具备了被重新编码的可能，典籍、医案、方剂正是大模型可以学习的富矿。其三是AI从虚拟环境走向物理世界的探索。未来的AI健康管理不仅局限于手机App，还将联动自动化检验设备、可穿戴硬件甚至手术机器人，实现从“预问诊”到“预检验”再到“预干预”的端到端自动化流程，极大提升服务效率和用户体验。

总的来看，从单点工具到全流程智能助手，从被动响应到主动预警，从全科到专科——2026年，AI健康管理站在了从“能用”迈向“好用”的关键路口。技术的可能性已经打开，而产业生态的适配、数据的打通……，将决定这场变革的最终深度。