全部 · 2026-03-04

MIT Technology Review Insights 调查了 500 名美国资深 IT 负责人，并声称 76% 企业已有至少一个部门把 AI 工作流投产。我的判断很直接：这组数据更像“企业软件采购信号”，还不是“AI 运营成熟度证明”。原因不复杂。样本前提已经限定为“all of which are pursuing AI in some way”，也就是先筛掉了没做 AI 的公司；这样得到 76% 投产，不低，但也没标题看上去那么猛。正文还把“enterprise-wide integration platform”当成关键变量，可平台定义、厂商名单、行业分布、公司规模分层都没披露，59% 接入 5 个以上数据源这件事，现阶段只能当相关性，不能当因果。 我对这条最买账的部分，反而是 34% 机构有专门 AI 维护团队。这个数字不高，但很真实。过去一年企业里最常见的局面，就是 demo 有人做、上线有人催、出了漂移和权限问题没人接。你把它跟 Gartner 那句“超 40% agentic AI 项目将在 2027 年前被取消”放一起看，逻辑是通的：问题不是模型先不先进，而是没人持续管 prompt、工具调用、数据权限、回滚机制和审计链。说真的，这比“用了几个 agent”重要得多。 但这份内容是 MIT Technology Review Insights 的定制内容，不是新闻编辑部报道，我对它的叙事会更挑。它把“集成平台”放在因果中心，这很像 iPaaS、工作流编排、数据中台供应商最熟悉的销售话术：先承认 agent 很热，再把预算导向集成层。我不是说这个方向错。企业 AI 从 2024 年起就一直卡在身份、系统连接器、权限边界和观测性；很多 Copilot 试点没扩成生产，栽的也正是这些地方。可这篇没给 benchmark，也没给反例：到底是用了平台所以做成，还是本来更成熟的企业才会采购平台，正文没拆。 还有一个我不太买账的点：文中把“接入 5 个以上数据源”近似当成先进度指标。数据源数量本身不是质量。5 个脏源不如 2 个治理过的源；10 个 API 也不等于闭环自动化。企业里真正难的是跨系统写操作，尤其是 ERP、CRM、工单、财务这种带权限和责任链的系统。文章没披露这些工作流是只读问答，还是能执行写入、审批、下单、改配置。少了这个条件，谈“autonomy”就容易飘。 我自己会把这条当成一个行业温度计，而不是操作手册。它确认了一件事：美国中大型企业已经把预算从“玩模型”转到“补运维和集成”。这和我过去一年看到的节奏一致。先是检索和问答，后是工作流和代理，再后面一定是审计、权限、监控、失败恢复。谁还在把企业 AI 理解成“挑一个最强模型接进去”，基本已经慢半拍。可如果谁拿这份报告直接下结论，说“买了集成平台就能跨过运营鸿沟”，这个说法我不太买账。正文没有给出足够证据。

美国全科医生每周工作 61.8 小时，却只看 15-25 名患者，这个数字已经把战场讲明白了。医疗 AI 在美国先赚到钱的，不会是“最会看病”的模型团队，而是最会啃流程、合规和系统接入的公司。我基本认同节目抓到的主轴，但我对里面几组资本叙事还是有点保留，尤其是 OpenEvidence 约 1 亿美元 ARR 对应 120 亿美元估值，这个倍数放在 2026 年并不自动成立，除非留存、付费渗透和分发成本都异常好，正文没把这些关键经营数字讲出来。 节目里最有信息量的事实，不是 OpenAI 做了 ChatGPT Health，也不是 Anthropic 推了 Claude for Healthcare，而是美国医生的大量时间还卡在文书、保险预授权、编码和索赔。这里的购买者不是“相信 AI 的医生”，而是被行政成本压到喘不过气的医院、诊所、RCO、payer 和 revenue cycle 管理商。谁能把 claim denial 降几个点、把 pre-auth 周期缩几天、把病历录入时间砍掉 20%-30%，谁就有预算入口。文章给了一个很扎眼的机制：被拒赔的请求里，只有约 10% 进入申诉，但进入申诉后约 80% 会被推翻。这说明很多损耗不是医学判断错了，而是流程和编码错了。AI 在这种地方的价值很直接，因为任务本身规则密、文本重、重复高，还天然有历史样本。 我一直觉得，医疗 AI 这条线最容易把人带偏的，是把“医疗”两个字自动理解成“诊断模型”。其实过去一年美国跑得比较快的钱，很多都在 ambient scribing、prior authorization、RCM、patient messaging 和 clinician copilots。Abridge、Nabla、Suki 这类公司之所以能切进去，不是因为它们在医学问答上压过 GPT-4.x 或 Claude，而是因为它们把输出塞回 Epic、Cerner 这类临床系统，能过合规审查，能让医生少点几下。节目提到 Claude for Healthcare 偏基础设施，我觉得这个判断比“谁家模型更懂医疗”靠谱得多。模型层正在商品化，接入层、审计层、责任层没有。 这里也要补一层节目没展开的背景。美国医疗 IT 的护城河长期不在模型，而在分发和嵌入。Epic 这类 EHR 系统一旦成为默认工作台，外部产品就得争那几个入口位：病历生成、订单建议、编码推荐、患者沟通、证据检索。你不能嵌进 clinician workflow，再好的回答也只是演示。我没在正文里看到 OpenAI 的 ChatGPT Health 具体披露了什么，比如是否有 HIPAA BAA、是否支持 enterprise logging、是否有院内私有部署、是否已经接 Epic App Orchard，标题给了产品名，关键交付条件没给。没有这些信息，讨论“能不能赢”其实都还早。 节目把 Eli Lilly 和 Nvidia 的约 10 亿美元合作放得很重，我能理解，因为这对资本市场很抓眼球。但我对这种大额合作有天然警觉。第一，10 亿美元到底是现金合同、联合投资池、算力额度，还是多年预算承诺，正文没有拆。第二，药企和 Nvidia 的合作，未必直接映射到医院端软件采购。制药研发、临床试验、真实世界证据、分子模拟和医院端的 EHR 自动化，买单逻辑完全不是一回事。很多人看到“医疗 AI”会把药企、医院、保险、消费者健康混成一个市场，这样会高估协同，低估销售难度。 联邦学习和数据托管那段，我倒觉得节目踩得比较实。医疗数据 30% 这个宏观说法我听过很多次，但这类数字口径经常不统一，我没法替它背书。可有一件事很确定：只要原始病历、影像、索赔数据不能轻易搬家，联邦计算、院内部署、审计日志、细粒度权限控制就不是“合规附件”，而是产品本身。过去一年很多通用模型厂商在医疗里推进慢，不是能力不够，而是院方默认先问四件事：数据放哪、谁能看、出了错谁担责、能不能回写现有系统。四个问题里，模型效果只占一个。 创业公司能不能赢？能，但赢法跟通用 AI 叙事不一样。这里不是先冲 DAU，再想 monetization。这里通常得先拿一个极窄场景，像急诊科病历、肿瘤科 prior auth、放射科报告草拟，做到明确定价和明确 ROI，再沿着同一家机构横向扩。OpenEvidence 这种高估值公司如果最后能站住，靠的大概率不是“AI 医生”想象力，而是证据检索进入了医生的默认查询动作，形成高频入口。我对它 120 亿美元估值是否合理还没被说服，因为正文没披露留存、毛利、合同结构，也没说收入主要来自医院、药企还是广告式分发。医疗里 1 亿 ARR 不稀奇，稀奇的是可持续、可审计、可扩张的 ARR。 说真的，这期节目最对的一点，是把“HIPAA 合规、数据托管和系统接入”抬到模型分数前面。很多团队还在用公开 benchmark 讲故事，院方采购已经在问 SOC 2、BAA、PHI 边界、回写接口和责任分配。模型会继续进步，但这条赛道先被买走的，是把风险吃掉的人，不是把 demo 做漂亮的人。正文后半段转录没有完整给出，很多产品细节我还没查到，所以我不会下谁赢谁输的结论。我的判断更简单：2026 年美国医疗 AI 的主战场已经不是“谁更像医生”，而是“谁更像一套能签字上线的企业软件”。