关于 AI 和医疗，市面上有两种声音都很大：一种说医生马上要失业，一种说 AI 在医疗里雷声大雨点小。两种都不对。想知道 AI 先动哪一块，不用看发布会，看一个更可靠的指针：看医生把时间花在哪儿，再看哪些时间是重复、数据密集、不需要签字负责的。答案可能会让你意外——AI 在医疗里最先吃到饱的，不是诊断，是文书。
第一块：病历和文书，最没光环也最实在
先看一个惊人的数字：美国医生平均花在写病历和处理文书上的时间，和看病人差不多——有研究说是门诊每看一小时病人，要配一到两小时的文书。中国医生同样被病历、质控、医保填报淹没。这部分劳动有三个特征：重复、结构化、不需要临床判断。这简直是给 AI 量身定做的靶子。
所以「环境记录员」（ambient scribe）成了医疗 AI 里渗透率最快的应用：诊室里放一支录音，AI 自动把医患对话整理成规范病历，医生只过目签字。它不治病，但它直接买回了医生一天里一两个小时——在医生时间最贵、最稀缺的行业里，这是真金白银。类似的还有医保编码、病案质控、出院小结。这些环节没有发布会的高光，却是 AI 在医疗里第一个算得清 ROI 的地方。
第二块：影像和病理，最像模式识别的环节
第一章就预告过：影像科医生盯着屏幕找异常，是人类医生工作里最接近「模式识别」的部分。AI 在这里的成绩单已经很厚：肺结节筛查、糖网（糖尿病视网膜病变）识别、骨折检出，多项研究里 AI 的灵敏度已经打平甚至超过普通医生，全球已获批的 AI 医疗器械累计已有上千款，其中大半集中在影像。
但注意一个关键细节：AI 看片的真实角色是「第二读者」，不是「替代者」。先由 AI 初筛，标记可疑，人做最终判断。为什么？因为责任。漏诊一个早期肺癌，责任必须落在一个有执照的人身上——制度只接受人签字。所以影像 AI 的落地形态不是裁掉医生，而是让同样数量的医生筛更多的片、漏更少的病灶。产能放大，岗位不消失，这是 AI 进医疗的普遍形态，第十一章会展开。
第三块：分诊和入口，重新设计「第一章那扇门」
还记得第一章的入口问题吗——中国的感冒病人直接涌进大医院，因为没人帮他判断「这病该去哪看」。AI 分诊正在补这个缺位：症状描述进去，输出「可能是什么、严重不严重、该去社区还是三甲、要不要急诊」。这件事做好了，动摇的是第三章说的分级诊疗死锁——基层信任不足的问题，也许可以用一个永远在线、永远耐心的 AI 守门人绕开一部分。
远程问诊 + AI 预诊的组合还有一个隐蔽价值：它把医疗的部分环节从「执照劳动」变成「软件服务」。软件是可以无限复制的——这对一个被供给短缺困了一百年的行业来说，是性质级别的变化。
第四块：医院后台，看不见的流水线
排班、床位调度、手术室排程、耗材库存、医保审核——医院里有一整条病人永远看不见的行政流水线，养活着大量人力。这类优化问题是 AI 的传统强项，且几乎不碰临床责任，监管阻力最小。它的效果不性感，但会直接降低医院的运营成本——在一个「越忙越亏」的行业里，降本就是利润。
为什么恰好是这四块？
回头看，这四块的共性非常整齐：数据现成或容易采集、任务重复、错了有人兜底、不需要 AI 签字。反过来说，AI 啃不动的环节也有共性：需要身体在场的（手术、护理）、需要模糊判断背全责的（疑难诊断的最终拍板）、以及病人情绪本身（临终关怀、坏消息的告知）。
记住这个筛选器：AI 进医疗的顺序，不是按「技术含量」排的，是按「责任密度」排的——责任越轻、数据越多的环节越先被吃掉。
这四块都是「让现有系统跑得更好」。但 AI 还有一个更贵的承诺：改变新药的诞生方式——把第四章那个十亿美元的赌局本身压缩。这个承诺到底兑现了多少？下一章正面拆。