医疗 AI 从来不缺技术和故事,缺的是可持续的商业模式。
上一轮热潮中,多家明星 AI 医疗企业冲击 IPO 折戟,核心问题都绕不开同一个:单点产品难以规模化盈利,研发高投入无法匹配营收增速。当这一轮大模型浪潮袭来,平台化被寄予厚望 —— 它能不能解决医疗 AI 的商业化难题?
以德适科技为代表的全链路平台模式,正在尝试给出答案。通过从 “卖产品” 到 “卖能力”、从 “单点项目” 到 “生态共建” 的转变,平台型玩家正在探索更宽的付费路径和更稳的盈利模型。
此前医疗 AI 的商业化,主要靠医院采购单一软件产品。这条路的痛点很明显:一是项目制交付,每个项目都需要定制化开发,成本高、复制难;二是医院预算有限,集采控费背景下,软件很难卖出高价;三是单一产品天花板低,很难支撑企业的规模化增长。这也是为什么行业里出现了明显的分化:绑定硬件的器械厂商活得相对滋润,纯软件的 AI 原生企业普遍挣扎。
当前医疗 AI 赛道的三类玩家,各有各的商业化瓶颈: 大厂系有流量和通用大模型,但缺乏医疗场景深度和临床积累,很难切入医院核心业务,大多停留在 C 端健康管理或外围服务; 器械厂商有渠道和硬件优势,但 AI 多作为硬件的增值模块,独立商业化能力弱,且通用大模型技术积累不足; AI 原生企业有算法能力,但大多做的是 “外挂式” 单点方案,难以深度融入医院业务流程,规模化复制难。
而德适这类走全链路平台路线的玩家,试图打通技术、场景、数据的闭环,拓展更多元的付费场景。从德适的实践来看,平台模式的商业化路径至少有四条:
第一是医院端的模型定制与部署服务。不同于传统的项目制,基于平台的标准化能力,可以快速响应不同医院的个性化需求,交付周期短、边际成本低。目前德适已与全国 99 家医院达成合作,其中 65 家为三甲医院,累计落地 158 个专病模型项目。
第二是区域医疗基建项目。和安诊儿的合作标志着平台能力开始从单院采购,转向区域级的基础设施建设。政府和卫健部门的区域医疗信息化项目,正在成为新的付费方,这类项目体量更大、周期更长,也更稳定。
第三是科研与药企合作。医疗 AI 平台可以为药企和科研机构提供药物研发相关的影像分析、患者分层、预后预测等服务。比如在肿瘤临床试验中,AI 可以快速完成影像评估和病灶测量,提升临床试验效率,这也是海外 AI 制药公司已经验证的成熟付费路径。
第四是产业生态服务。通过 iMedLoop 数据平台和 iMed MaaS 开发平台,为行业内的医疗机构、AI 企业提供数据标注、模型训练、评测验证等基础设施服务,从做产品的公司,变成做基础设施的公司。2026 年 7 月,德适联合多家医疗机构、AI 企业、运营商启动医疗 AI 全域共建生态,正是在布局这一路径。
当然,平台模式也并非没有挑战。医疗行业的强监管属性,决定了平台的扩张速度不可能像互联网平台一样快;不同医院的数据标准不统一、系统打通难,也会增加平台落地的成本。平台型玩家需要在标准化和定制化之间找到平衡,既要保证效率,也要满足临床的个性化需求。
同时,平台模式的核心竞争力在于生态。只有当越来越多的医疗机构、医生、合作伙伴基于平台开发应用、贡献数据,平台的网络效应才会显现,成本才会持续下降。这需要长期的投入和生态运营,不是一朝一夕能完成的。
从行业发展的规律来看,任何一个科技赛道走到成熟阶段,都会从单点产品竞争走向平台生态竞争。医疗 AI 也不例外。可以预见,未来几年会是医疗 AI 的平台决胜期。单点算法公司的生存空间会被持续挤压,要么被平台整合,要么聚焦细分赛道做深做透;而真正能跑出来的头部玩家,一定是打通了技术、数据、场景、商业闭环的平台型企业。
德适的实践已经证明了平台模式的可行性,但最终的胜负,还要看谁能先建立起足够宽的生态护城河,跑通规模化的商业正循环。医疗 AI 的下半场,才刚刚开始。
