过去三年，医疗AI经历了一轮密集的落地潮。影像辅助诊断、智能随访、病历生成、大模型问诊……几乎每个季度都有新产品进入医院。

但一个现象越来越明显：同样是AI产品，有的科室天天在用，有的使用率却不尽人意。

问题可能不在技术本身，而在场景匹配度——哪些场景真正适合AI介入，哪些场景看起来很美但实际跑不通？这篇文章试图划一条线。

落地挑战较大的场景，有哪些共性？

有一个现象值得关注：有些产品在供应商演示时效果惊艳，但到了真实临床环境中，使用率远低于预期。

这不是个例。复盘几个落地挑战较大的场景，能看出一些共性规律：

一个值得思考的问题：这些产品技术本身有问题吗？未必。但它们都面临同一个前提条件——场景是否ready。患者习惯还没完全建立、医生信任还在培育中、数据质量还需提升，技术再先进也需要时间磨合。

什么样的AI产品"真的在用"？

换个角度看。那些真正跑起来的AI产品，有什么共同特征？

规律很清晰：真正用得起来的AI产品，都有三个共同点——痛点真实、技术成熟、不改变现有工作流。缺一个，落地就会打折扣；缺两个，使用率很难提升。

五个问题，判断一个AI产品值不值得选

与其听供应商讲PPT，不如在选型时问自己五个问题。这五个问题不能保证100%不踩坑，但能帮助过滤掉不少"看起来很美"的产品。

几个值得探讨的行业现象

聊完具体场景，有几个现象值得一起想想。

第一个现象：供应商对场景的理解，有时比医院更深。

这听起来有点反直觉——医院才是用AI的人，怎么供应商反而更懂？但实际情况是，供应商同时服务几十家甚至上百家医院，见过各种场景的成功和失败案例。而医院的信息科往往只能看到自己这一亩三分地。所以有时候，供应商推荐的场景确实有价值——但也可能只是把A医院的经验生搬到了B医院。关键不在于谁更懂，而在于这个场景是否适合"我的医院"。

第二个现象：选型的人和用的人，往往不是同一批。

信息科看技术参数、合规资质、价格预算；医生关心好不好用、能不能省时间。两边的评价标准不一样。如果选型时没有让临床充分参与，落地后可能会出现"系统不错但用不起来"的情况。这不是谁的错，而是流程上需要补的一环。

第三个现象：有些AI产品的价值，前提是"数据治理"先行。

如果医院的数据质量本身还没达标——数据不完整、格式不统一、孤岛严重——那再好的AI模型也可能跑不出理想效果。这就像给一辆没油的车装上最好的导航系统，方向对了，但跑不动。数据治理不是AI的对立面，而是AI的前提。

场景匹配度，决定了AI产品是"资产"还是"负债"。