OpenEvidence绝非国产医疗AI的终局

围绕医疗AI展开的角逐，大洋两岸呈现出截然不同的景象。

过去半年，美国科技公司不断刷新医疗AI的融资规模与市场估值。当红的Abridge完成3亿美元融资，估值53亿美元；Tala Health紧随其后凭借1亿美元超级种子轮直达12亿美元估值；Open Evidence更是在收获Thrive Capital和DST Global给予的2.5亿美元资金后估值达120亿美元，折合人民币后已近千亿。

同样着力于院内AI的探索，国内的医疗IT公司却显得有些落寞。

卫宁健康2026年初预告2025年业绩由盈转亏，扣非归母净利润亏损3.04亿元至3.74亿元。市值不断下探，未能靠AI撑起预计。

创业慧康年末易主但颓势未改，2025年业绩预计亏损3.05亿元至4.05亿元，市值难回三位数。

相似的技术路径，截然不同的进程，使得不少初创公司开始将美国模式"本地化"，寻求医疗AI快速变现的可能。

但需要明确的是，美国的AI医疗是否存在高估?改良后的OE等应用是否有能力满足国内医生的需求，帮助企业在有限的未来完成逆袭?

国内医疗IT的估值边界在哪里？

单看业务层面，Abridge、Tala Health、Open Evidence的模式并不唯一，国内存在大量场景相似、技术趋同的医疗IT企业。

Abridge主打AI临床文档自动化平台，可实时转录医患对话，精准提取主诉、病史、用药、诊断等关键信息，自动生成符合SOAP规范的结构化病历。这个过程中，Abridge解决的是医生病历书写繁重、耗时过长的行业痛点，且生成的病历过程可溯源核验，可一定程度减轻幻觉。

国内现阶段对标Abridge的很多，福鑫数科、全诊医学、讯飞医疗、云知声均有语音转文本及结构化病历自动生成的技术，更有联影智能、深睿医疗等企业自动提取医学影像报告中关键信息生成结构化影像报告，整体能力略优于美国市场。

Tala Health聚焦医疗全流程照护导航，其拳头产品为AI多智能体协同服务平台，补齐医疗服务“最后一公里”短板。不同于单纯聚焦诊室环节的AI产品，该平台打通从患者初诊咨询到康复随访的全链路，患者通过对话入口描述症状后，平台AI会开展系统化问诊，生成规范病历，再联动执业医护完成审核、分诊、检查预约、医保预授权、转诊等一系列事务，同时全程跟进患者康复进度。

国内方面，国内微医、平安健康、方舟健客同样主打全链路就医协同与慢病闭环管理，但由于部分医院本身系统不够畅通，整个链条可能存在流程上的断点，需要患者手动输入数据，因而在实际体验上，国内略弱于美国市场。

OpenEvidence专注临床循证决策的AI引擎，主打权威医学知识赋能，核心解决医生诊疗决策缺乏权威依据、文献查阅效率低的难题。与传统决策系统的差异在于，它整合了全球上万篇顶级医学期刊、权威诊疗指南与药品说明书，依托检索增强生成技术，为持证医生提供精准、可溯源的临床证据支持。凭借准确性和权威性，它已是美国执业医师最常使用的临床AI工具。

只谈技术路径，国内能够媲美OpenEvidence的项目可达两位数。但在估值上，这些项目加起来的总和，才有逼近OpenEvidence的可能。

问题出在医生习惯与支付方上。福鑫数科CEO吴笛认为：对于美国医生而言，所有诊疗决策必须依托权威、可溯源的医学证据，OpenEvidence完全遵循这些标准，只收录经过同行评审的顶级医学期刊、官方诊疗指南、药监机构公示信息、权威医学数据库内容。

当医生进行诊断行为时，OpenEvidence不仅能够提供相应的抉择支撑，提升诊断的准确率与效率，还能实时留痕，成为医生诊断遵循循证理念的证据之一，为潜在的纠纷提供依据。

相较之下，我国虽也存在大量临床规范及医学文献，但由于不同源头的规范和文献在标准上并未实现完全统一，医生决策时需要依赖经验进行辅助，缺乏权威标准为他们的决策兜底，因此对于国内的医生而言，临床循证决策的AI引擎仅能算作一个提效的工具。

甚至于很多电脑软硬件落后的医院，强行上线AI引擎只会加重电脑的卡顿，成为一种额外的负担。

支付方亦存在类似的差异。虽说现阶段OpenEvidence的AI服务的是正规医师资质的临床医生与医学生，但它的核心付费方却是药械企（少部分功能也向医院、医生收费），按医生查询场景定向推送广告，如在医生检索糖尿病治疗方案，推送合规降糖药信息；在查询肿瘤疗法，匹配对应靶向药资料等。

而国内监管机构严禁药械企业向医生直接投放广告内容，OpenEvidence的独特商业模式直接被锁死。就目前而言，国内医疗IT企业仅能将医院、政府作为AI服务的支付方，其估值上限最多能与Abridge、Tala Health当前阶段的数值持平。

如今医疗体系初级辅助决策能力基本搭建完毕，支付方支付意愿进一步下降。在没有新的拳头产品推出的前提下，国内医疗IT的估值区间或将在短期内进一步下行。

OpenEvidence，并非国产医疗IT的终局

从宏观指标看，中美双方的技术水平、市场规模近似，均不存在量级上的差异，只是国内医疗AI存在药械支付方缺失导致的空白，不具备快速变现的可能。

这样的缺陷严重，却并不致命。

回到OpenEvidence的D轮融资，资方之所以愿意给它开出天价，一方面是因为它能靠现有的商业模式快速变现，另一方面则是因为它在药械以外的B端同样具备潜力。单纯的药械营销，不足以筑起千亿估值企业的竞争壁垒。

“OpenEvidence的模式有它的领先性，但从工程师的视角来看，它的智能体能力较于其他智能体产品不存在特别有区分度的地方整个体系是可以被其他信息化企业快速复制的。”吴笛表示。

“举个例子，如果Google、Oracle下决心做这件事，他们一定有能力将这些权威的杂志引入到自己的体系中，并能以嵌入系统而非外挂的方式为医生提供服务。此外，Google要是来卖药械广告，它大概率能比初创公司卖得更好。”

换句话说，如果只依赖药械营销，OpenEvidence的模式易被复制，天花板也一眼望得到边。

面对这样一种现状，OpenEvidence的实际做法是将广告业务作为一个跳板，以更直接的方式变现AI的价值。

去年10月，OpenEvidence和Veeva Systems建立长期合作伙伴关系，联合开发Open Vista，用以将医生和患者与相关临床试验联系起来，增加患者获得临床试验的机会，进而加速相关药物的研发，直接为SaaS企业提供服务。

今年2月，OpenEvidence又与Sutter Health达成合作协议，将该平台集成到Epic电子健康记录系统中，使医生能够在不离开病历输入环境的情况下执行自然语言证据搜索，回到寻求B端“按效果付费”的商业化逻辑。

回头再看国内医疗IT企业，他们正处于AI技术的快速迭代期。每一年新出现的AI技术，都会对往年的模型能力进行颠覆，进而覆盖过往技术难以企及的场景。

因此，国内医疗IT虽在寻求药械支付方向上缺席，仍有可能越过这个环节，直接抓住下一波AI价值爆发的机遇。

这里的机遇与医疗AI时代的未来发展历程有关。

医疗AI的1.0 时代，核心为单点的“按效果付费”。Abridge、福鑫数科、全诊医学的结构化电子病历是这个时代的典例，它表现为企业找到一些存在切实痛点的场景进行效率优化。结构化电子病历大幅提高了医生的日常工作效率，这里的效益能被计算，医院因而愿意为AI付费。

医疗AI的2.0时代，是系统化的“按效果付费”。1.0时代的AI应用是单点的、间断的，它能从医生工作流的某一环节提效，但无法实现整个流程的优化，这样的提效在痛点被逐一击破后会逼近边界，只有重建系统架构，才能开拓新的提效空间。

目前国内头部医疗IT大厂都有类似的规划，如卫宁健康在数年前便提出“EA+AI智能架构”，将基于GPU计算的架构和CPU架构并行，以系统流程的优化挖掘“按效果付费”的空间。但由于单点的“按效果付费”并不发达，很多医院尚不具备智能架构的硬性需求，因而系统化的“按效果付费”，依赖于大规模的单点“按效果付费”爆发。

至于医疗AI 3.0 时代，即在2.0的基础上加入AI决策，借助人机高度协同下的智慧管理，实现全院所有医疗资源的最优分配。

近期OpenClaw等自主智能体的出现已将不少上述想象具现化，使得上述三个时代有望加速成为现实。

举个例子，过往某主任提出一个流程上的优化需求，可能需要医疗IT企业花费2个月时间进行需求的调研、方案的沟通，再进行代码的开发、调试、应用，且可能在完成优化后依然达不到主任的需求。

而借助医疗IT企业开发的自主智能体，医院能够自行对AI提出需求，让AI迅速完成调试。其间省下的各类成本，便是医疗IT企业借助单点“按效果付费”取得的空间。

再谈系统化的“按效果付费”，这里的关键在于将“问答式AI”转变为“负责端到端的任务执行的AI”。

譬如，医生过去查房需要逐一阅读患者信息，而AI能对整个流程进行优化，在医生查房前先将患者病历跑一遍，自动生成各类监护系统的简报，让医生能在决策前就把握关键点，将查房这一行为的价值由发现问题向解决问题转变。

总的来说，场景还是那些场景，但AI能力的升级使得它能真正帮助医院获取利益，深度融入医生工作流中，进而创造大量国内医疗IT企业"按效果付费"的可能，使得医疗IT企业能够直接向医院系统而非药械企业寻求支付。

因此，国内的医疗IT企业虽因环境的限制而暂时落后，但这样的落后不会一直持续下去。当下OpenEvidence找到的商业模式并非医疗IT的终极解法，伴随AI技术的快速迭代，我们或许能在1—2年之内亲历下一个技术爆点，目睹医疗IT重建新格局。