谈到新质生产力，人们首先想到大模型、机器人、算力和新设备。技术当然重要，但更意味着劳动者、劳动资料、劳动对象及其组合方式的深层变化。

对医疗健康领域而言，存在三重变革。第一，劳动者在变化：医生、护士、药师、医保审核人员将越来越多地与 AI 共同完成信息整理、风险识别、方案分析与任务协调，人的专业判断与医疗责任不可替代。第二，劳动资料在变化：过去以记录、查询、统计为主的信息系统，逐步拥有理解专业语义、基于规则和知识开展分析与辅助执行的能力。第三，劳动对象在变化：管理的对象不再只是处方、病历、住院与报表，还包括患者跨机构、跨场景、跨时间的健康事件，以及背后的资源与价值关系。

由此带来更深层的问题：当 AI 进入真实流程，原有岗位分工、任务流转、责任授权和绩效评价，是否也要随之调整？仅增加一个智能问答窗口，改变的只是工具；让人、AI、业务任务与资源配置形成新协作机制，改变的才是生产方式。AI 改变工具，任务协同改变流程，责任与资源重新配置倒逼生产关系调整 —— 三者协同，才能形成持续提升的生产力。

医院运营从 “看报表” 走向 “持续解决问题”。以 DRG 病组次均费用持续偏高的场景为例，财务关注成本、临床关注疗效、医保关注支付口径、耗材部门关注采购，各部门都有数据，却难以形成一致改进任务。在统一业务语义与可信数据底座之上，AI 可辅助将分析延伸到病组构成、病例复杂度、手术耗材与支付差异，生成可复核的原因假设；专业人员据此判断是否调整诊疗路径、优化耗材管理，并将措施明确到责任人、时限与验证指标。运营由此有机会从 “看到了问题” 发展为 “持续解决问题”。

健共体从 “完成服务次数” 走向 “连续生产健康价值”。以老年高血压患者为例，其管理涉及门诊、基层医生、药师、护理和家庭，现实困难在于信息分散、任务割裂、衔接不及时。当健康事件驱动的服务机制建立后，系统可在合法授权与专业规则约束下辅助风险分层、匹配服务包，将复诊、用药核对、随访与异常转诊交由合适的人员与智能工具协同完成。链条最终要回答的，不只是 “随访了多少次”，还包括 “患者健康是否改善、服务是否连续、投入是否合理”。

医保从 “发现单个问题” 走向 “风险治理闭环”。跨机构用药、重复检查、异常住院等问题常需多来源信息判断。AI 可在规则引擎与可追溯证据支持下完成线索筛选、关联分析和证据整理，再由有权限人员作专业处置与复核，治理结论反哺规则与模型。重点不只在于识别出多少线索，更在于有效发现率、误报控制、处置周期与真实治理效果。

三种场景对象不同，却共享一条逻辑：从数据发现问题，由专业知识支持判断，以人机协作推动行动，再以真实结果反馈改进。

不少 AI 项目仍停留在 “能问、能答、能总结” 阶段，虽带来便利，却与可持续、可度量的业务生产能力之间隔着一道门槛 ——AI 能否在明确的权限、责任与质量约束下，稳定承担一段真实工作流程。例如，全病案审核不能止于生成一段疑似违规文字，还需说明涉及哪项规则、证据来自何处、存在什么不确定性、哪些必须人工复核、结果如何留痕；慢病管理也不能止于自动发提醒，而要清楚患者风险层级、提醒后是否行动、异常由谁接手、临床结果由谁负责。

因此，数字劳动力建设至少需要五项基础条件：可靠数据、准确业务语义、可验证的专业知识、受控的工具与任务执行机制，以及明确的人类责任与运行审计。尤其要强调中文专业语义 —— 同一医疗行为在临床、医保、财务、耗材系统中可能对应不同代码与责任含义，若没有统一术语映射、专业规则与知识图谱支撑，大模型能理解文字，也未必能准确执行跨系统任务。在诊疗、用药、医保支付等高风险环节，AI 应按风险等级分配权限，保留必要的人工审核与接管，专业责任不能因工具变智能而模糊。

值得警惕的误区，是把模型调用次数、问答数量、智能体部署规模和上线率，直接等同于 AI 创造的价值。这些指标反映应用程度，却回答不了更重要的问题：AI 进入真实业务后，究竟改善了什么、带来多少真实价值？

医疗健康领域需从四个维度评价。看效率：在质量与安全有保障的前提下，完成一项合格任务需要多少专业工时？看质量：医疗安全、诊疗规范、专业判断准确性与风险控制是否改善，AI 是否引入新的风险与返工？看结果：患者健康结局、连续服务效果、医保治理实效与医院运营改善是否有可信证据支持？看成本：将建设、运维、人工复核、数据治理与安全保障投入纳入核算后，综合投入产出是否改善？

进一步，应建立贯穿业务全程的分层评价机制：投入层衡量人力、资金、算力与数据治理投入；过程层观察任务完成率、人工接管率与处置时效；产出层评价合格服务量与有效治理成果；结果层检验医疗质量、健康结局与资源利用效率的变化。同时，医疗服务的专业性与复杂性，要求结合风险调整、成本归集与适当对照分析，区分 AI 的实际贡献与其他因素影响。评价的最终意义，是把结果反馈到业务运行中：哪些环节真正提效、哪些任务仍依赖人工、哪些投入未转化为效果，都应成为优化流程、调整人机分工的依据，使局部提效不断积累为整体服务能力的提升。

对医疗机构、区域健共体与医保相关单位，建议先围绕真实业务问题开展场景中试，而非从建设大型新平台开始。第一步找准业务瓶颈：是审核积压、出院后服务中断、病组成本失衡，还是跨机构协同低效，先建立真实基线。第二步拆解服务生产链：梳理业务从需求识别到最终结果的全过程，区分哪些任务适合 AI 辅助、哪些判断必须专业人员负责。第三步重组任务与责任：让数据、规则、知识、人员、AI 与信息系统形成协作关系，明确授权、交接、审计与异常处置机制。第四步用结果决定是否推广：通过中试验证效率、质量、安全、成本与体验，成熟后再形成可复用的技能、流程与评价标准。

发展新质生产力强调因地制宜、先立后破。医疗领域尤其如此 —— 不同地区、不同医院、不同人群资源基础不同，技术路线与组织方式都须立足实际，无序重复建设、为 AI 而 AI 难以产生持续价值。

AI 正在改变专业人员获取知识、理解问题和执行任务的方式，但决定系统能否整体跃升的，还包括组织如何安排工作、跨机构如何协作、资源如何配置、结果如何评价。未来值得期待的医疗系统，应让数据支持判断、让知识进入流程、让 AI 承接适当工作、让专业人员专注处理真正需要人的问题，并让每次行动都经得起质量与价值检验。衡量进步的最终标准，是医疗质量能否持续改善、有限资源能否更有效配置、人民群众能否获得更连续、优质、可及的健康服务 —— 这正是医疗健康领域发展新质生产力应当追求的现实价值。