2026年，医疗AI，正在经历一场"静悄悄的革命"。说它"静"，是因为没有前几年那么"热闹"了——没有动辄上百亿参数的大模型发布，没有"AI取代医生"的耸动标题，没有铺天盖地的融资新闻。医疗AI，似乎"降温"了。但说它是"革命"，是因为医疗AI，正在从"演示"走向"落地"，从"临床"走向"运营"，从"单点应用"走向"全场景重构"。这场革命，不喧哗，但深刻。9月，GE HealthCare推出了AI Operations——一套面向医院运营管理的AI解决方案。注意，不是"AI诊断"，不是"AI影像"，而是"AI运营"。GE HealthCare的逻辑很明确：医院AI，正在从临床应用，转向运营管理。因为运营管理的ROI（投资回报率）更容易量化，预算更容易申请，供应商的"粘性"也更强。3月，北京安贞医院联合中国电信，发布了"公立医院运行管理大模型"。这个模型，不是用来"看病"的，而是用来"管院"的——用AI技术重塑医院管理分析体系，帮医院管理者做决策。6月，温州医科大学附属第一医院携手京东健康，依托京东卓医AI大模型，实现了智慧门诊、临床营养、体重管理、AI护理、AI病历及医保控费等全场景落地。注意，是"全场景"——不是某一个点的AI应用，而是覆盖诊前、诊中、诊后全生命周期的AI体系。还有，讯飞医疗发布星火医疗大模型V3.5，在病历生成、影像报告智能生成等场景"突破实用门槛"；复旦大学附属中山医院，从AI自动标注体检报告，到ICU大模型主动监控生命体征，再到心血管病辅助诊疗智能体，AI应用"多点开花"；苏北人民医院推出"苏北医路通"AI智能体，覆盖患者来院前、来院中、离院后全流程……这些信号，合在一起，指向一个判断：智慧医院的"上半场"——比谁的模型大、比谁的概念新——已经结束了。"下半场"——比谁能真正落地、比谁能创造价值——已经开始了。
上半场回顾：从"AI影像"到"医疗大模型"，热闹背后的"落地难"
要理解智慧医院的"下半场"，得先回顾一下"上半场"。第一个阶段，是"AI影像"阶段（大约2017-2021年）。这个阶段的核心，是用AI做医学影像辅助诊断——肺结节检测、糖网筛查、病理切片分析、骨折识别……AI在影像领域的应用，最早突破，也最成熟。截至2026年，已有40余款AI影像产品获批"三类证"（最高级别的医疗器械注册证）。AI影像的优势，是"场景明确、效果可量化"——AI检测肺结节的准确率，跟放射科医生比，孰高孰低，一测便知。所以，AI影像，是医疗AI中最早实现商业化的领域。但AI影像的问题，也很明显——"叫好不叫座"。产品获批了，但医院的采购意愿不强。为什么？因为AI影像是"辅助诊断"，不能替代医生，医院觉得"有它没它都行"。而且，AI影像的收费模式不清晰——很多地方，AI辅助诊断不能单独收费，医院买了AI，却没有对应的收入来源。所以，AI影像的商业化，一直"不温不火"。第二个阶段，是"医疗大模型"阶段（大约2022年至今）。2022年底，ChatGPT爆火，大模型技术席卷全球。医疗领域，也迅速跟进——讯飞医疗、百度灵医、腾讯觅影、京东健康、商汤医疗……各家纷纷推出医疗大模型。参数越来越大，能力越来越强，从医疗问答、病历生成，到影像报告、辅助诊断，"无所不能"。医疗大模型的优势，是"通用性强、应用场景广"——一个大模型，可以用在很多场景，病历书写、患者咨询、医生培训、医保控费……都能做。所以，医疗大模型，被寄予厚望，被认为是"医疗AI的终极形态"。第一个难题，是"幻觉"。大模型会"一本正经地胡说八道"——给出看似合理但实际错误的答案。在医疗领域，"幻觉"是致命的——如果AI给了错误的诊断建议，可能会耽误患者治疗，甚至危及生命。虽然各家都在努力降低"幻觉率"——讯飞医疗声称把医疗幻觉率从3%降至1.9%——但只要"幻觉"存在，医生就不敢完全信任AI。第二个难题，是"合规"。医疗数据，是高度敏感的个人信息。大模型的训练，需要大量的医疗数据，但数据的获取、使用、存储，都有严格的合规要求。很多医院，不敢把自己的数据交给大模型厂商训练，担心数据泄露。而且，大模型生成的内容，能不能作为医疗文书？出了问题，谁负责？这些合规问题，都没有完全解决。第三个难题，是"效果"。大模型在"通用医疗问答"上表现不错，但在"具体临床场景"中，效果往往打折扣。比如，写病历，大模型写出来的病历，"看起来像那么回事"，但细节不准确，需要医生大量修改。医生觉得，"还不如自己写得快"。再比如，辅助诊断，大模型给出的建议，往往是"正确的废话"——"建议进一步检查""请结合临床"，对医生的实际帮助有限。第四个难题，是"付费"。跟AI影像一样，医疗大模型的付费模式，也不清晰。医院买了大模型，用来做什么？能带来什么收入？如果不能带来收入，医院为什么要花钱买？很多大模型厂商，陷入了"有产品、没客户"的困境。所以，医疗大模型的"上半场"，虽然热闹，但"落地难"的问题，始终没有解决。很多大模型，停留在"演示"阶段——在发布会上演示得很好，但在医院里，真正用起来的，不多。这就是智慧医院"上半场"的困境——技术很先进，概念很性感，但落地很难，价值很难量化。
下半场开启：从"临床"到"运营"，AI的价值在哪里？
智慧医院的"下半场"，跟"上半场"最大的不同，是"价值导向"变了。"上半场"的价值导向，是"技术驱动"——我有什么技术，就推什么应用。大模型火了，就做大模型；AI影像成熟了，就做AI影像。技术，是出发点。"下半场"的价值导向，是"需求驱动"——医院有什么痛点，就用AI解决什么痛点。医院的痛点，不只是"临床诊断"，还有"运营管理"、"患者服务"、"医保控费"、"科研教学"……AI，要围绕这些痛点，创造可量化的价值。需求，是出发点。这个转变，最明显的表现，就是AI从"临床应用"向"运营管理"延伸。为什么是"运营管理"？因为运营管理的痛点，最痛，价值，最容易量化。第一，"效率低"。医院的运营，很多还是靠"人工"——排班靠人工，调度靠人工，统计靠人工，分析靠人工。效率低，容易出错。比如，手术室的调度，经常出现"有的手术室空着，有的手术排不上"的情况，资源浪费严重。再比如，床位管理，"有的科室床位紧张，有的科室床位空闲"，床位周转率低。第二，"成本高"。医院的运营成本，一直在上升——人力成本、耗材成本、设备成本、能源成本……但医院的收入，受医保控费、集采等政策影响，增长放缓。很多医院，陷入了"增收不增利"的困境。怎么降本增效，是医院管理者最头疼的问题。第三，"决策难"。医院的管理决策，很多靠"经验"——院长、科主任，凭经验做决策。但经验，往往是"滞后"的、"片面"的。比如，要不要新增一个科室？要不要买一台设备？要不要调整门诊时间？这些决策，需要大量的数据支撑，但很多医院，数据分散在各个系统，很难整合分析。管理者"拍脑袋"决策，风险很大。第四，"患者体验差"。患者看病，"三长一短"——挂号时间长、候诊时间长、取药时间长、看病时间短。患者的就医体验，很差。怎么提升患者体验，也是医院管理者关心的问题。这些痛点，AI都能解决。而且，解决这些痛点的价值，很容易量化——效率提升了多少，成本降低了多少，决策准确率提高了多少，患者满意度提升了多少……都能用数字说话。所以，GE HealthCare推出AI Operations，北京安贞医院发布"公立医院运行管理大模型"，不是偶然——它们看到了医院运营管理的痛点，也看到了AI在这个领域的价值。第一，"智能排班与调度"。用AI优化医生排班、手术室调度、床位分配、设备使用，提高资源利用效率。比如，AI可以根据历史数据和实时情况，预测每个科室的门诊量，合理安排医生排班；可以根据手术类型和时长，优化手术室调度，减少空置等待；可以根据患者入院出院情况，动态分配床位，提高床位周转率。第二，"成本控制与预算管理"。用AI分析医院的成本结构，找出"浪费点"，提出降本建议。比如，AI可以分析耗材的使用情况，找出"过度使用"的耗材，提醒医生合理使用；可以分析药品的采购价格，跟集采价格对比，找出"采购价偏高"的药品；可以做全面预算管理，实时监控各科室的预算执行情况，超支预警。第三，"管理决策支持"。用AI整合医院的各类数据，为管理者提供决策支持。比如，AI可以分析医院的运营数据——门诊量、住院量、手术量、收入、成本、医保支付……生成运营报告，找出"异常点"，提出改进建议；可以做"情景模拟"——如果新增一个科室，收入和成本会怎么变化？如果调整门诊时间，患者流量会怎么变化？帮助管理者做决策。第四，"患者服务优化"。用AI优化患者的就医流程，提升患者体验。比如，AI智能导诊——患者描述症状，AI推荐挂哪个科室；AI预约挂号——根据患者的时间偏好和医生的号源情况，智能推荐就诊时间；AI报告解读——患者拿到检查报告，AI用通俗的语言解释报告内容；AI随访——患者出院后，AI自动随访，提醒用药、复查，收集康复情况。这些应用，每一个都能创造可量化的价值。而且，这些应用，不涉及"诊断责任"——AI是"辅助管理"，不是"辅助诊断"，合规风险更低，医院更容易接受。所以，智慧医院的"下半场"，AI的价值，将从"临床"向"运营"延伸，从"技术驱动"向"需求驱动"转变。谁能真正解决医院的运营痛点，谁能创造可量化的价值，谁就能在"下半场"胜出。
全场景落地：AI不再是"单点工具"，而是"医院的操作系统"
智慧医院"下半场"的另一个重要趋势，是"全场景落地"。"上半场"的AI应用，大多是"单点工具"——这个产品做AI影像，那个产品做AI病历，另一个产品做AI导诊。每个产品，都是独立的，解决一个具体的问题。医院里，可能有十几个AI系统，各自为政，数据不互通，体验不连贯。"下半场"的AI应用，正在走向"全场景"——不是某一个点的AI应用，而是覆盖诊前、诊中、诊后全流程，覆盖临床、运营、管理、科研、教学全领域的AI体系。AI，不再是"单点工具"，而是"医院的操作系统"。温州医科大学附属第一医院的实践，就是一个典型。他们依托京东卓医AI大模型，实现了智慧门诊、临床营养、体重管理、AI护理、AI病历及医保控费等全场景落地，构建了覆盖诊前—诊中—诊后全生命周期的"无围墙医院"服务体系。注意几个关键词："全场景"、"全生命周期"、"无围墙医院"。这说明，AI在温医大附一院，已经不是某一个点的应用，而是贯穿了患者就医的全过程，也贯穿了医院运营的各环节。再看复旦大学附属中山医院——从AI技术自动标注体检报告异常指标，到ICU大模型主动监控生命体征，再到心血管病辅助诊疗智能体结合多模态数据推理，AI应用"多点开花"。这些应用，覆盖了体检、ICU、心血管等多个场景，形成了一个AI应用的"矩阵"。还有苏北人民医院——"苏北医路通"AI智能体，具备智能导诊、院内知识库问答、报告解读、用药指导等功能，覆盖患者来院前、来院中、离院后等环节。一个AI智能体，贯穿了患者就医的全流程。这些实践，都指向一个趋势：AI在医院的应用，正在从"单点"走向"全场景"，从"工具"走向"系统"。为什么会有这个趋势？因为"单点工具"的价值，是有限的。一个AI病历工具，只能帮医生写病历，效率提升是"局部"的。但如果AI能贯穿患者就医的全流程——诊前智能导诊、诊中AI辅助诊断和病历书写、诊后AI随访和健康管理——那效率提升就是"全局"的，患者体验也是"连贯"的。而且，"全场景"的AI体系，能产生"协同效应"——诊前收集的患者数据，可以用于诊中的辅助诊断；诊中的诊疗数据，可以用于诊后的随访管理；运营数据和临床数据打通，可以做更精准的管理决策。1+1>2。但"全场景落地"，说起来容易，做起来难。它需要几个条件——第一，"统一的技术底座"。全场景AI，需要一个统一的大模型底座，所有的AI应用，都基于这个底座。这样，数据才能互通，体验才能连贯。如果每个应用用不同的模型，数据不通，体验不连贯，就不是真正的"全场景"。第二，"数据治理"。全场景AI，需要大量的、高质量的、整合的数据。但医院的数据，往往分散在HIS、LIS、PACS、EMR等各个系统里，格式不统一，质量参差不齐。要做全场景AI，首先要做数据治理——把分散的数据整合起来，清洗、标准化，形成统一的数据资产。这是一个"脏活累活"，但必须做。第三，"流程再造"。全场景AI，不是简单地把AI"嵌入"现有流程，而是要根据AI的能力，重新设计就医流程和管理流程。比如，有了AI智能导诊，患者的就医流程就可以重新设计——患者在家就能完成导诊和预问诊，到医院直接就诊，不用再排队挂号。有了AI运营管理，医院的管理流程也可以重新设计——从"经验决策"转向"数据决策"，从"事后统计"转向"实时预警"。第四，"组织变革"。全场景AI，需要医院的组织架构与之匹配。以前，医院的信息化，可能是信息科一个部门的事。现在，AI涉及临床、运营、管理、科研等各个领域，需要全院参与。医院需要设立专门的AI推进部门，或者由院领导牵头，跨部门协作。没有组织保障，全场景AI很难落地。这些条件，决定了"全场景落地"不是一蹴而就的。它需要时间，需要投入，需要医院从上到下的共识和行动。但方向是明确的——AI，将成为医院的"操作系统"，贯穿医院的每一个环节。
对医院和企业的启示：下半场，比的不是"模型大"，而是"落地深"
智慧医院的"下半场"，对医院和AI企业，都有重要的启示。第一，"从需求出发，不要从技术出发"。很多医院做AI，是"技术驱动"——看到大模型火了，就想做大模型；看到别人做AI影像，就想做AI影像。但做出来之后，发现"用不起来"——因为不是从自己的痛点出发的。正确的做法，是"需求驱动"——先梳理自己的痛点，哪些环节效率最低、成本最高、患者抱怨最多，然后再看AI能不能解决这些痛点。从需求出发，AI才能真正"用起来"。第二，"先易后难，从运营切入"。AI在临床的应用，因为涉及诊断责任、合规风险，落地难度大。AI在运营管理的应用，因为不涉及诊断责任，价值容易量化，落地难度小。医院可以先从运营管理切入——智能排班、成本控制、患者服务、管理决策……这些应用，风险低，见效快，容易出成果。先在运营领域"跑通"，积累经验和信心，再向临床领域延伸。第三，"重视数据治理，打好基础"。AI的"燃料"是数据。没有高质量的数据，再大的模型，也"跑不起来"。很多医院，数据分散在各个系统，质量差，标准不统一。做AI之前，先要做数据治理——整合数据、清洗数据、标准化数据。这是"基础工程"，虽然不"性感"，但必须做。数据治理做好了，AI应用才能"水到渠成"。第四，"一把手工程，全院参与"。AI不是信息科一个部门的事，它涉及临床、运营、管理、科研等各个领域。医院的"一把手"，要高度重视，亲自推动。要设立专门的AI推进部门，或者成立跨部门的AI工作组，全院参与。没有"一把手"的推动，没有全院的参与，AI很难真正落地。第一，"从卖产品到卖价值"。"上半场"的AI企业，很多是"卖产品"——我有一个AI影像产品，卖给医院；我有一个大模型，卖给医院。但医院关心的，不是"你的产品有多先进"，而是"你的产品能给我带来什么价值"——效率提升了多少，成本降低了多少，患者满意度提高了多少。AI企业要从"卖产品"转向"卖价值"——围绕医院的痛点，提供解决方案，量化价值，让医院觉得"买得值"。第二，"深耕场景，做深做透"。"上半场"的AI企业，很多是"广撒网"——什么场景都想做，什么产品都想卖。但结果是，每个场景都做不深，每个产品都"蜻蜓点水"。"下半场"，AI企业要"深耕场景"——选择一两个核心场景，做深做透，真正解决医院的痛点。比如，专注于医院运营管理，或者专注于患者服务，或者专注于医保控费。做深一个场景，比做浅十个场景，更有价值。第三，"跟医院共建，不要"交钥匙""。"上半场"的AI企业，很多是"交钥匙"——把产品卖给医院，安装部署好，就完事了。但医院用起来，发现很多问题——数据不对，流程不匹配，医生不会用……"交钥匙"模式，很难真正落地。"下半场"，AI企业要跟医院"共建"——深入医院，跟医生、护士、管理者一起，梳理需求，设计方案，优化流程，培训使用。只有跟医院"共建"，AI才能真正"用起来"。第四，"探索付费模式，解决"谁买单""。AI的付费模式，一直是个难题。医院买了AI，谁来买单？是医院自己掏腰包，还是医保支付，还是患者付费？"上半场"，很多AI企业，因为付费模式不清晰，陷入了"有产品、没收入"的困境。"下半场"，AI企业要积极探索付费模式——按效果付费、按节省成本分成、跟医保合作……只有解决了"谁买单"的问题，AI才能实现商业化闭环。这些建议，说起来容易，做起来难。但智慧医院的"下半场"，就是这样——比的不是谁的模型大、谁的概念新，而是谁能真正落地、谁能创造价值。
写在最后：智慧医院的终局，是"AI无处不在，又无处可见"
智慧医院，说了很多年。从"数字化"到"信息化"，从"互联网医院"到"AI医院"，概念换了一茬又一茬。"无处不在"，是说AI贯穿了医院的每一个环节——诊前的智能导诊和预问诊，诊中的AI辅助诊断和病历书写，诊后的AI随访和健康管理；临床的AI影像和辅助决策，运营的智能排班和成本控制，管理的数据决策和实时预警，科研的数据分析和文献检索，教学的AI助教和模拟训练……AI，无处不在。"无处可见"，是说AI不是"炫技"的工具，不是"摆拍"的道具，而是"润物细无声"的助手。医生用AI，感觉不到"我在用AI"，只觉得"这个系统很好用，帮我省了很多时间"；患者用AI，感觉不到"我在跟AI对话"，只觉得"这个服务很贴心，帮我省了很多麻烦"；管理者用AI，感觉不到"我在看AI报告"，只觉得"这些数据很有用，帮我做了更好的决策"。AI，无处可见。这，才是智慧医院的"终局"——AI不是"外来者"，而是"基础设施"，像水、电、空气一样，自然地融入医院的每一个环节。要达到这个"终局"，还有很长的路要走。技术的成熟、数据的治理、流程的再造、组织的变革、付费模式的探索……每一个，都是硬骨头。但方向是明确的，趋势是清晰的。智慧医院的"上半场"，我们见证了技术的突飞猛进；"下半场"，我们将见证价值的真正落地。从"AI看病"到"AI管院"，从"单点工具"到"医院操作系统"，从"技术驱动"到"需求驱动"——智慧医院的下半场，已经开启。2026年9月，GE HealthCare推出AI Operations医院运营管理AI解决方案2026年3月，北京安贞医院联合中国电信发布"公立医院运行管理大模型"2026年6月，温州医科大学附属第一医院携手京东健康，依托京东卓医AI大模型实现全场景落地讯飞医疗2026年6月发布星火医疗大模型V3.5，医疗幻觉率从3%降至1.9%为公司公开数据2026年国内智慧病房市场规模将突破170亿元为行业预测数据AI in Hospital Operations市场预计从2026年52.9亿美元增长至2031年183.6亿美元，CAGR 28.25%为Mordor Intelligence预测数据复旦大学附属中山医院、苏北人民医院的AI应用为公开报道信息事实边界说明：文中企业产品和医院实践信息来自公开报道和企业公告。文中关于智慧医院趋势的分析为作者个人观察和行业一般性分析。文中市场预测数据来自第三方研究机构，仅供参考。文中关于AI应用效果的描述基于公开报道，具体效果因医院和场景而异。
免责声明：
智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。
本平台所发布信息的内容和准确性由提供消息的原单位或组织独立承担完全责任!
凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。
