为什么“卖软件”死了，“卖服务”也未必能活
2026年过半，行业讨论医疗AI，话题已经从“哪家又拿了三类证”变成了“哪家还能撑到明年”。这个转变，前后不过三年。
去年底，一家持有肺结节和骨折两张三类证的AI公司完成清盘。团队解散，服务器关停，已部署在医院内的系统无人维护。创始人最后一条公开信息提到：“证拿完了，发现没人在乎。”这个表述略带情绪，但不算脱离实际。2025年国家药监局公布的数据显示，国内获批的AI医疗器械三类证累计超过80张。仅肺结节一个赛道，持证企业就超过十家。证的市场信号意义已经大幅衰减。
真正具有区分度的能力，是让医院愿意持续付费。这个能力，行业摸索了五年，才勉强触碰到一些门道。
医院预算体系，比技术壁垒更难突破
2019年前后，AI公司向医院做商业提案时，核心页面通常包含“市场空间测算”。逻辑大致是：国内三级医院数量、每家医院年均CT检查例次、每例AI辅助诊断收费，三项相乘得出百亿级市场。这套算法在融资场景中颇具说服力，但进入医院财务科的实际审核流程后，遇到的第一个问题是：产品对应哪个预算科目。
医院的预算体系分为两条主线。影像设备、手术器械等硬件，归口设备科，有明确的采购目录和预算编制流程。信息化系统归口信息科，预算池中长期被HIS、PACS、电子病历、LIS等系统占据。AI辅助诊断软件的分类存在模糊地带：归入设备类，未进入采购目录；归入信息化类，优先级排不进前列。某三甲医院信息科负责人在一次行业闭门交流中提及，科室年度预算会议中，维持现有系统运转和应对各类评级检查已占用大部分资源，轮到AI采购讨论时，通常被推迟至下一财年。
“下一财年再看”的循环持续数年，AI公司的现金流等不起。
另一个障碍是收费编码缺失。到2026年，全国范围内AI辅助诊断仍未获得独立的医疗服务收费编码。这意味着医院采购AI系统属于纯成本支出，无法通过向患者收费实现回收。在DRG/DIP支付改革全面落地的背景下，医院控费压力显著上升，任何不能直接产生收入的采购项目都会受到严格审查。某省级三甲医院2025年内部审计报告将“AI辅助诊断软件采购”列为“非必要支出”并建议暂缓，这份报告在行业内部流传后，对多家AI公司销售团队的信心造成冲击。
此外，医院对AI的成本效益评估缺乏可量化数据。放射科使用AI后，阅片效率有所提升，但科室人员编制未减少，设备运转量未增加，患者接诊量未显著变化。效率提升未能转化为经济效益，医院财务部门要求的成本效益分析，AI公司难以提供。无法提供，预算审批就无法推进。
按次收费，是妥协而非突破
软件销售受阻后，行业转向按服务付费。具体操作方式为：AI系统免费部署，医院按实际使用次数支付费用，每完成一例肺结节检测支付数元，每完成一例骨折检测支付数元。这一模式本质上是一种妥协——将一次性大额支出拆分为按次小额支付，降低医院采购门槛。
医院接受度确实有所提升。零采购门槛使得科室层面即可决策使用，无需经过复杂招标流程。2025年，某头部AI公司公开披露，其肺结节AI产品活跃医院数超过800家，年服务例次突破2000万，按例次付费收入首次超过软件授权收入。这一数据在行业内部被反复引用，作为“服务化转型取得进展”的佐证。
但细究账本，问题同样突出。
按例次付费模式下，单家医院的年贡献收入有限。一家中等规模三甲医院，日均肺结节CT检查量约50至100例，按每例8元计算，年收入在15万至30万之间。过去软件销售模式中，一套系统报价50万至80万，现在通过服务费回收同等收入需要两到三年。而且医院可随时停用，收入缺乏保障。某AI公司运营部门测算数据显示，其覆盖的400余家医院中，月活跃率不足60%，近半数医院系统部署后几乎未使用。停用原因多样：医生反馈操作流程繁琐、网络环境不稳定、AI结果与医生独立判断差异不大、科室管理层更替后新负责人未继续推动使用。
按次收费还引发价格竞争。2025年下半年，肺结节AI检测单例服务费从年初的12至15元降至5至8元，部分区域出现3元以下报价。这一价格水平下，扣除云服务成本、运维成本、销售分成，企业利润空间极为有限。但涨价空间同样有限，医院对价格敏感度较高，单价上调可能导致使用量明显下滑。
捆绑设备，路径更窄
除直接面向医院按次收费外，另一种模式是与影像设备厂商合作，将AI模块预装进CT、MRI设备，随设备一同销售。医院采购设备时，AI功能作为标配或选配，费用打包计入设备总价。
这一模式的优势在于绕开信息科预算限制，AI费用跟随设备预算走。联影、东软、安科等国产设备厂商，2024年至2025年陆续在新一代设备中预装AI辅助诊断模块。对AI公司而言，与一家设备厂商达成合作，即可覆盖数百家医院，销售效率显著提升。
但代价同样明显。设备厂商作为渠道方，议价能力较强。AI公司可获得的单例分成，远低于直接面向医院的模式。而且设备厂商通常同时与多家AI公司合作，报价低者获得更多份额。某AI公司创始人在一次行业论坛中提及，与某设备厂商谈判时，对方明确表示多家产品功能趋同，价格是主要考量因素。在此局面下，AI公司议价空间有限。
更根本的问题在于，捆绑设备意味着AI公司放弃独立品牌身份，转变为设备厂商的技术供应商。医院使用的是联影的设备、东软的设备，至于内置AI模块由哪家公司提供，关注度较低。长期来看，这一模式将削弱AI公司的品牌价值和市场认知度。一旦设备厂商启动自研AI或更换供应商，AI公司将失去整个渠道。
按结果付费，落地难度较大
三种模式中，最为激进的是按临床结果付费。逻辑直接：AI公司不按使用次数收费，而是按AI带来的实际临床价值收费。例如，AI帮助科室将肺结节漏诊率从5%降至2%，每降低一个百分点，医院支付一定费用；或将影像报告周转时间从4小时缩短至2小时，按缩短时间付费。
这一模式在2025年仍处于早期试点阶段，仅少数头部三甲医院参与尝试。方向具有合理性，但落地面临较大困难。
核心难点在于价值归因。漏诊率下降，可能与AI相关，也可能与科室加强质控管理、医生个人能力提升等因素相关。如何将AI的贡献单独剥离并进行量化，双方难以达成一致。某参与试点的医院放射科负责人反馈，试点半年间，仅“AI贡献度”的算法模型就修改了四个版本，最终仍未达成共识。企业认为漏诊率下降80%归功于AI，医院认为这一比例不超过30%。差距过大，合作搁浅。
报告周转时间缩短的归因更为复杂。科室可能同步进行了流程优化、增加人手、调整排班，AI仅为其中一个变量。将AI贡献量化到具体数字，需要设计严格的对照实验，在真实临床环境中几乎不具备可操作性。
按结果付费还存在信任问题。医院如何确认AI公司提供的数据真实可靠？AI公司如何确保医院不会压低使用量以减少付费？双方需要建立一套透明、可审计的数据监测体系，该体系的建设和维护成本本身不低。
大模型入场，账本面临重算
2025年底至2026年初，医疗大模型开始进入临床验证阶段。与上一代单病种AI不同，大模型的多任务能力使一套系统可同时处理影像分析、报告生成、质控审核等多个环节。技术架构变化直接冲击成本结构。
此前，一个AI模块仅覆盖一个病种，医院需分别部署肺结节检测、骨折检测、脑出血检测等多套系统，支付多份费用。大模型时代，一个模型覆盖多个病种，边际成本大幅下降。对医院而言，一份投入解决多个需求，性价比明显提升；对AI公司而言，单例服务费虽下降，但总服务量上升，总收入未必减少。
但大模型也带来新的不确定性。首先是准确率问题。大模型在医疗场景的准确率，目前缺乏大规模临床验证数据支撑。2025年，某头部医院对一款医疗大模型产品进行为期三个月的临床测试，结果显示，常见病种准确率与单病种AI持平，但罕见病和复杂病例的错误率明显偏高。这一结果使多家医院持观望态度。
其次是监管问题。大模型在医疗领域的应用，目前尚无明确监管框架。按现有法规，AI辅助诊断软件需按医疗器械进行注册审批，但大模型的多任务、自进化特性，与传统医疗器械“固定版本、固定功能”的监管逻辑存在根本冲突。监管如何跟上技术发展，是2026年下半年行业最受关注的议题之一。
出海，是出路还是幻觉
国内市场竞争激烈，多家AI公司将目光投向海外。东南亚、中东、拉美等地区医疗基础设施相对薄弱，放射科医生缺口较大，对AI辅助诊断的需求较为旺盛。2025年，多家中国医疗AI公司开始在东南亚布局，部分与当地医院合作试点，部分与当地经销商签署代理协议。
出海前景看似广阔，但实际推进并不顺利。首先是认证门槛。每个国家拥有独立的医疗器械注册体系，AI公司需逐个申请，时间和资金成本不低。其次是本地化适配。不同地区的人种特征、疾病谱、影像设备型号存在差异，AI模型需重新训练和验证。某尝试出海东南亚的公司负责人反馈，在国内积累三年的训练数据，进入印尼市场后基本需要推倒重来，因印尼人群的肺部CT影像特征与中国人群存在显著差异。
此外，支付能力也是制约因素。东南亚多国医疗支付水平远低于国内，按例次收费单价可能仅为国内的三分之一甚至更低。市场虽大，但盈利前景尚不明朗。
谁在真正盈利
一个核心问题贯穿始终：医疗AI行业，到底有没有参与者在真正盈利？
2025年，行业内部流传一份非公开财务数据。几家头部AI公司，按例次付费业务毛利率普遍在30%至50%之间，但扣除研发、销售、管理成本后，净利润率几乎全部为负。服务费收入覆盖了直接成本，但覆盖不了公司整体运营成本。盈利，仍然遥遥无期。
真正在产业链中实现盈利的，是云服务商和影像设备厂商。AI公司每处理一例影像，需向云服务商支付计算和存储费用；每通过设备厂商售出一套捆绑方案，需被抽取较大比例分成。AI公司处于中间环节，上游被云服务商抽取费用，下游被渠道商压缩利润，两头承压。
这一局面，短期内看不到改变的迹象。
存活下来的公司，做对了什么
行业整体承压，但并非没有亮点。2025年至2026年，有几家公司经营状况相对稳健。复盘其做法，存在几个共同特征。
第一，不做大而全，聚焦垂直场景。某公司只做急诊卒中影像AI，产品线极窄，但在这一细分场景中做到深度覆盖。急诊科对时间高度敏感，AI能在患者完成CT后三分钟内自动完成出血灶识别和量化分析，直接推送至卒中中心值班医生终端。这一功能，急诊科负责人愿意主动推动采购，因其具有明确的临床价值。垂直场景的优势在于，用户需求明确，价值可量化，竞争相对缓和。
第二，不做一次性买卖，做持续运营。经营状况较好的公司，销售团队定位为“客户成功团队”，核心KPI不是新签医院数量，而是存量医院的月活跃率和使用量增长率。团队定期回访医院，协助放射科优化工作流，培训新医生使用系统，甚至为医院提供数据分析报告。这种重运营模式，短期看成本较高，但长期看客户粘性强，续费率稳定。
第三，不依赖单一收入来源。除医院服务费外，这些公司还在探索其他收入渠道。部分与药企合作，利用AI影像分析能力辅助临床试验中的疗效评估；部分与体检机构合作，提供AI辅助影像筛查服务；部分与保险公司合作，将AI辅助诊断纳入健康管理服务包。收入来源多元化，抗风险能力相应增强。
这些做法并非新概念，但真正能落地的公司不多。每一项都需要长期投入，需要耐心，需要管理层承受来自投资方的增长压力。
医疗AI行业，从2016年算起，已走过十年。十年间，技术从实验室进入临床，产品从单病种演进到大模型，商业模式从卖软件转向卖服务。进步是客观存在的，但盈利的路径依然不够清晰。
2026年下半年，行业大概率加速分化。持证但无收入的公司，融资耗尽后将退出市场；有收入但不盈利的公司，需设法降本增效；少数已跑通商业闭环的公司，将在这轮分化中扩大份额。
一个行业从狂热回归冷静，从讲故事转向算账本，是走向成熟的必经阶段。医疗AI正在经历这一过程。过程充满挑战，但能够坚持下来的公司，才有资格参与下一阶段的竞争。
参考资料：
扩展阅读
