据国际数据中心（IDC），亚太地区75%的医疗机构认为，agentic AI（AI代理）在生产率上的提升明显高于传统生成式AI；
agentic AI在医疗AI中预算中的占比，将从2025年的18%上升到2026年的29%。
越来越多的机构开始为“能执行任务的AI”付费，而不再仅仅为“能回答问题的AI”付费。
这意味着，医疗AI的价值判断标准正在发生变化。过去的核心指标是问答准确率、语言能力、多模态理解；而现在，真正被采购与部署的系统，往往取决于它能否进入分诊、质控、随访、文书、科研等具体流程。
换句话说，医疗AI正在从“认知工具”转变为“流程组件”。
如果说之前医疗ai的使用仍然是客户端、面向消费市场的；那么现在，医疗ai正在重塑科研端、学术端。
我们前后对比来看——
1
在OpenClaw之前：
医疗AI已经完成了“入口争夺”
如果把时间线往前拉，
可以看到一个更清晰的产业背景：
在OpenClaw出现之前，
国内医疗AI的竞争格局已经基本成型，
而且核心矛盾并不在模型能力上，
而在不同类型平台，
如何把自身既有能力延伸进医疗体系，
并占据关键入口。
京东：
电商体系→医药消费入口
京东的优势起点，是供应链与交易体系。电商平台长期积累的能力，使其在“药品流通”这一环节具备天然优势，而医疗服务恰好可以围绕这一核心场景展开。
在这一逻辑下，AI首先进入的是问诊环节：用户咨询症状，获得建议，进而完成药品购买与复诊。京东健康的AI医生系统已经累计完成数亿次交互，医院端服务患者超过500万人次，这说明其已经建立起一个相对完整的“问诊—购药—复诊”闭环。
这一闭环的关键不在于每一次决策是否最优，而在于它是高频发生的。每一次交互都会产生行为数据，这些数据反过来用于优化推荐与决策，使系统形成持续迭代能力。这与医院侧低频、高风险的决策结构形成互补。
因此，京东找到的入口是医药消费与交易入口（客户端）
其护城河体现在：
供应链能力 + 高频用户行为数据 + 交易闭环。
蚂蚁：
支付体系→就医流程入口
蚂蚁的起点能力，是支付。支付看似只是交易环节，但在医疗体系中，它实际上嵌入在整个就医流程的关键节点：挂号、缴费、医保结算、报告查看等。
基于这一位置，蚂蚁可以在用户就医路径中持续出现，并逐步叠加AI能力。“百大AI名医”计划，本质上是将专家经验进行结构化表达，并通过支付宝这一超级入口分发给用户。目前已上线90余位专家智能体，覆盖问诊与报告解读等场景。
这种模式的独特之处在于，它不依赖医院系统本身，而是通过控制“用户侧入口”，反向影响医疗服务分发。当用户习惯在支付平台完成一系列医疗操作时，AI也就自然嵌入其中。
因此，蚂蚁的入口可以理解为就医流程中的支付与服务入口（流量分发节点）
其护城河在于：
超级流量入口 + 支付体系 + 医疗服务聚合能力。
平安：
保险体系→长周期健康管理入口
平安的核心能力来自保险，而保险的本质是对风险的长期管理。这一特点决定了其医疗布局不会停留在单次诊疗，而是延伸到整个健康周期。
依托14.4亿次线上问诊数据，平安将AI嵌入慢病管理、健康干预、风险评估等长期场景，并实现辅助诊断准确率超过95%、推荐准确率达99%。相比其他平台，其数据并不只是记录行为，而是记录“健康状态随时间的变化”。
这种数据结构，使AI可以从“给出建议”进一步走向“预测风险与主动干预”。在慢病管理与保险定价等场景中，这种能力具有直接商业价值。
因此，平安所占据的入口是长期健康管理与风险控制入口（时间维度）
其护城河可以总结为：
支付能力（保险） + 长周期数据 + 风险建模能力。
2
OpenClaw带来的变化：
从工具到系统的跨越
传统大模型在医疗中的典型形态是问答系统，即通过语言理解与知识检索提供建议。这类系统的优势在于灵活，但问题也同样明显：推理过程不可见，决策路径难以复核，结果难以纳入医疗责任体系。即使回答准确，也很难被真正嵌入临床流程。
OpenClaw引入的是一种不同的结构：将任务拆解为多个可执行步骤，由agent按顺序完成，并对每一步进行记录。这种“可执行+可记录”的特性，使得AI输出的是一条完整的过程链。对于医疗行业而言，这一点具有决定性意义，因为临床决策从来不是单点判断，而是证据、推理与责任的组合。
在这种结构下，医疗AI开始呈现出三种不同的演化方向，我们以三种类型的claw举例：
临床可信系统：
把AI纳入医生的决策体系
这一类系统的核心问题是“能否被医生信任并使用”。
OpenEvidence在美国的增长提供了一个重要参照：其月度临床咨询量从约300万次增长到1800万次，仅用了一年时间。这表明医生开始在真实诊疗中依赖这一类系统。其背后的关键在于，系统提供的不只是答案，还包括文献来源、指南依据以及推理路径。
在openclaw产生的仅仅十几天后，国内已经产生了基于openclaw的ai医疗平台——MedClaw。其结构是将循证医学体系（指南、文献、证据分级）作为“决策上层”，再由OpenClaw承担任务拆解与执行过程。也就是说，OpenClaw在这里更像“执行引擎”，负责检索、比对、生成与记录，而真正约束其行为的是医学知识体系本身。
正因如此，MedClaw强调“有据可查、有源可溯、过程留痕”，其输出不再只是结论，而是一条可以被医生复核的证据链。
这种结构的意义在于，它将agent的灵活性限制在一个可控空间内，使其有可能进入临床责任体系。
机构级系统：
将AI嵌入医院操作层
另一条路径，是把AI提升为医院内部的一层基础系统。
WiseClaw以及各类医院AI中台，正在承担这一角色。这类系统的价值不取决于单次任务表现，而取决于它能否接入医院现有系统（如EMR、HIS、PACS），并在分诊、病历生成、质控、随访等多个环节中形成稳定流程。
这里的竞争逻辑已经明显发生了变化。模型性能仍然重要，但更关键的则是系统整合能力、数据合规能力以及流程编排能力。
换句话说，AI开始像数据库或操作系统一样，成为医院基础设施的一部分，而不是一个外挂工具，真正成为了流程的调度者。
科研生产系统：
从辅助分析到流程自动化
第三条路径出现在科研端。
LabClaw构建了一个覆盖206个agent技能的系统，横跨生物信息学、药物发现、临床研究与数据分析等多个领域。这种结构的意义在于，它不再只是帮助科研人员理解数据，而是开始参与数据处理、实验设计与分析流程。
科研场景的特殊性在于，其对实时性要求较低，但对效率与规模高度敏感。因此，agent系统在这一领域更容易落地，也更容易形成生产力提升。
可以预见，医疗AI的一部分能力，将首先在科研体系中被完全释放，然后再逐步反向进入临床。
3
竞争核心的转移：
从消费市场到临床、科研
OpenClaw带来的变化，还体现在一个深层的重心转移。
在此之前，医疗AI的主要落点集中在C端。无论是京东的问诊购药，还是蚂蚁的就医服务入口，本质上都围绕用户体验展开，属于消费互联网逻辑在医疗领域的延伸。这一阶段的核心，是提升效率与可及性，让更多人更方便地获得医疗服务。
而随着agent结构的引入，关注点开始明显转移。AI不再停留在用户侧交互界面，而是逐步进入医生决策过程、医院数据系统以及科研与实验流程之中。其作用对象，从“用户行为”转向“专业行为”；其价值衡量，也从“使用频次”转向“决策质量与系统效率”。
医疗AI以消费市场作为入口，开始进入更深层的生产体系。临床决策、医学研究、数据生成与处理方式，都可能在这一过程中被重新组织。AI不再只是服务医疗体系，而是逐渐成为其内部结构的一部分。
医疗AI的第一阶段，是回答问题；
第二阶段，才是参与现实。
医疗AI的第一阶段，是入口之争；
第二阶段，才是系统之争。
AI在医疗中的应用才刚刚开始，
这只是一个起点。
一个还不错的起点。
The End
硅基白大褂
本文部分信息、数据及图片整理自公开网络渠道，版权归原作者所有。如无意中侵犯了您的权益，请联系我们，我们将第一时间处理。
文案丨张起扬
排版丨亓怡然
审核丨朱静逸
