1847年，伊格纳兹·塞麦尔维斯要求维也纳产科诊所医生在检查前用氯溶液洗手，两个月内病房死亡率从约18%骤降至约2%。这一案例表明，医疗实践中微小的变革可能引发巨大的生死攸关的影响。尽管人工智能有望彻底重塑医疗保健行业，且患者与_provider_表现出广泛兴趣，但医疗机构却未能及时调整以抓住这一机遇。
美国人正争先恐后地利用人工智能获取医疗建议。约三分之一的美国人曾使用AI查询健康信息，其中四分之一的人在上个月通过ChatGPT等聊天机器人进行操作。主要用户群体为年轻人以及缺乏医保或无力承担就诊费用的人群。这种未被满足的需求反映了人们对便捷医疗服务的渴望，但也带来风险：当聊天机器人出错时，后果往往由最无力承担的人群承受。
医生也在缺乏机构支持的情况下自发采用AI工具。以免费临床参考工具OpenEvidence为例，截至2025年12月，其每月医生咨询量已从约300万次激增至约1800万次。虽然个人探索符合预期，但要创造显著的社会利益，必须实现人工智能在医疗系统中的有效、全面普及。
医疗行业的困境并非孤例。跨行业数据显示，88%的AI试点项目从未进入生产阶段；国家经济研究局（NBER）的一项研究指出，过去三年中仅约十分之一的公司报告称AI带来了生产力提升。尽管这与巨大的资金投入和媒体关注形成反差，但我们认为，解决这一差距的关键障碍在于领导层的认知偏差，且这一问题当下即可着手解决。基于我们在30个行业参与的230多个AI项目经验（其中96%的委托模型成功上线），我们深知症结所在及解决之道。
误区：将人工智能等同于传统软件
阻碍进步的核心挑战在于领导者对AI的认知模型错误：他们将其视为传统软件。然而，传统软件是编写而成、确定性且线性构建的；而AI是训练甚至“生长”出来的，具有概率性、数据依赖性，并以循环方式构建。像管理软件一样管理AI，意味着在尚未确认数据有效性之前就指定答案，这正如塞麦尔维斯的同事因认知局限而拒绝洗手一样，成为进步的关键阻碍。
构建AI系统的复杂性可通过一个案例说明：我们的团队开发了一个框架，利用多家医院的乳腺X线摄影数据训练模型，同时不共享患者隐私数据。训练中途，工程师发现模型能识别图像来源医院，因为它捕捉到了扫描仪留下的细微差异并以此作为“捷径”。若不加干预，这种依赖捷径的模型在部署后将极其脆弱。团队及时消除了这一捷径，使该模型成为首个获美国食品药品监督管理局（FDA）授权、仅凭乳腺X线摄影预测女性五年乳腺癌风险的AI工具。
新方法：深度不确定性中的“寻路”
面对AI发展的未知路径，我们提出“寻路”（Wayfinding）理念，即在不知道确切目的地或路线的深度不确定性中前行。这既是一种包含好奇心、谦逊和心理安全感的领导哲学，也是一套技术方法论。以下是医疗保健领导者可立即付诸行动的三点经验：
- 花更多时间选择问题。优质的医疗AI应解决人类无法独立完成的具体且有意义的难题。例如，仅凭乳腺X线摄影预测五年乳腺癌风险，虽范围狭窄但回报巨大。领导者需自问：若实现该目标，世界将如何变得更好？
- 确保拥有解决问题所需的数据。AI模型质量取决于训练数据，且极易利用数据中的捷径。在乳腺癌项目中，大部分精力投入于数据收集与验证。如同烹饪前需备齐食材，在投入资源训练前，必须确保数据能够支撑所选问题。
- 愿意重新架构工作。技术本身无法拯救系统，AI必须在由人组成的复杂系统中创造价值。领导者需设计高效的“人机协同”模式，避免侵蚀人类专家的专业技能。《柳叶刀》研究发现，经验丰富的内镜医师在习惯使用AI后，其无AI辅助时的检测率从28.4%降至22.4%。任何导致护理非人性化或削弱临床专业知识的AI方案，无论技术多么“准确”，均为负债而非资产。
医疗领域见证了微小干预带来的巨大社会影响。我们相信，采用“寻路”方法释放AI未开发的效益，将成为加速医疗系统层面变革的关键干预措施。