值得长期跟踪的50家AI医疗初创企业

▲ 50家StratUp在AI医疗领域的列表

在新年期间我统计了国外的 AI 医疗初创企业。自 2021 年以来，整体数字医疗的交易量持续下降，这无疑抬高了所有创业者的风险。新公司想拿到融资，必须有清晰的差异化优势，也必须拿得出经证实的市场表现。

投资者每开出一张支票，都在承受更高的机会成本。对存量企业来说也一样，它们必须更早、更准确地识别哪些供应商能规模化，因为这会影响未来几年的技术战略和市场定位。

所以在当前环境下，发现未来的行业领导者，比以往任何时候都重要。我现在尤其关注那些市场占有率在提升、投资人结构足够好、团队持续扩张的早期企业。

先说我认为最值得长期观察的方向。我更愿意把重心放在医疗交付与支付之间的运营链条自动化上，把人从无效劳动里解放出来，同时把数据闭环握在自己手里。你会发现，这批公司里最扎实的一类，基本都在这条线上。

比如 1m 做风控与绩效平台，核心是围绕支付和质量做改进。Arbital Health 在 value based care 的合同管理上发力，Merlin AI 表面是对话式助手，底层其实是在把精算逻辑与合同条款的复杂性产品化。Sohar Health 做保险资格与权益核验，在专科场景把准确率拉得很高，直接对应拒付率与现金流。Plenful 把药房与护理团队的流程做成可配置的自动化，提升吞吐。

Mandolin 更激进，把专科药从 intake、核验、prior auth 到收入周期整条链路用 AI agent 重做一遍，还能在短时间铺到大量网点。Infinitus Systems 用语音 agent 去打保险公司电话，把最耗人的那段工作替掉，并且做到规模化分钟数与企业级客户渗透。

这些公司看起来分散，其实都在做同一件事，也就是数据链接与互通，流程嵌入与闭环回收，因为这些只有AI能解决这件事。

说到这里，我想讲我创业一年来最大的认知变化。以前我觉得创立一家公司，你要么先 ToB，要么先 ToC。现在我越来越觉得，AI 时代更接近一种 B2B2C 结构，本质还是服务最终用户，只是付款与交付分层了。过去纠结先做 B 还是先做 C，很多时候是资源与效率的限制。由于AI打破了开发资源的限制、设计限制等等，所以B C都可以并行推进，但并行反而更考验创始人以及团队对行业的理解，尤其是对用户需求的理解。

这些需求有个特点，它离钱更近、离结果更近、也离合规更近。很多创业者喜欢从最性感的诊断切入，但诊断的商业化经常卡在责任边界与支付意愿上。运营自动化反而天然能用 ROI 说话，也更容易在系统里扎根。

同样的逻辑也解释了为什么医生端工具持续拿到资本。Ambience、Nabla、Freed 这类 ambient documentation 听起来只是写病历，但实际是在争夺医疗数据结构化入口。Freed 选择小诊所，把集成门槛降下来，靠规模化付费医生人数获取现金流。最熟悉的Ambience 往端到端做，他们从就诊前总结到实时记录再到编码，也是在2025在AI医疗领域投资最多的方向。而Nabla 做多 EHR 适配，解决的是分发能力。AssistIQ 用计算机视觉解决手术室耗材与计费捕获，CalmWave 解决的是ICU实时监控的真实护理痛点。这些都不性感，但都是医院愿意掏钱的地方。

还有一条是前端入口的重新分配，尤其患者沟通这一层。Assort Health 把呼入电话与预约导航做成 AI agent，Hyro 做多渠道对话自动化，Kouper Health 管出院后的过渡与随访，Ellipsis Health 强调情绪识别与复杂人群管理。

它们背后共同的假设是，医疗系统的瓶颈就是在运营中心，并不是单个医生的诊疗能力。Hippocratic AI我认为是能走得更远，它把大量非诊断的患者交互工作做成安全优先的 agent，试图用规模化外呼对冲护理与随访的人力缺口。

继续延伸 B2B2C语境下去解读这50家初创企业，我从供给侧的结构性短缺来理解，就能解释这些公司为什么会同时出现。Sevaro 做 45 秒级响应的远程神经专科服务，Isaac Health 做痴呆与脑健康的虚拟加上门，Delfina 做孕产并发症早期预测与远程监测，Sprinter Health 用路线优化把上门体检与 care gap closure 的单位经济学跑通。它们解决的都不是有没有 AI，而是专科供给不足、服务半径过大这两个硬问题。

预防也很热，但我对预防的判断更克制。因为之前我做过疫苗业务。Function Health 用年费会员加 100 多项化验做 direct pay，Neko Health 用传感器加自建门店做全身扫描，PocDoc 把 HbA1c 这种金标准检测做成手机化与十分钟级，Teal Health 把宫颈癌筛查样本采集推到家里。它们确实在改写检测的时间点与地点，但预防赛道更像消费与品牌驱动，天花板高、波动也大，很多时候赢在获客与复购，而不完全赢在医学壁垒。国内要跑出来，往往还得绑定保险、企业福利或公立体系的项目化采购，单纯靠 C 端会员更吃品牌与渠道，融资故事好讲，经营难度更高。

回到这批初创 AI 企业里，要问哪个方向最值得观察。我会持续看医疗运营自动化与患者沟通入口这两个方向的交汇处。因为它们同时具备三件事，付费方明确，价值可量化，数据闭环可持续。诊断当然重要，但在大多数市场环境里更像医工结合的长跑。运营自动化更像短跑加滚雪球，一旦跑进流程，就很难被替换。

再落到国内医疗体系视角，如果只让我选一个参考对象，我会更偏向 Clinic Workflow Automation 类的企业。模型或具身智能都需要数据，但国内合规拿到可用、可脱敏的数据，最现实的路径还是从机构、从发生场景里来。这里我有一个不太讨喜的非共识，诊所值得切入，不是因为它能产出最干净的临床数据，而是因为它是流程最可改造的组织形态，能让你把闭环做出来。换句话说，闭环是起点，数据是闭环的副产品。

很多人谈诊所入口会直接奔着病历与诊疗数据，但我认为更优先的数据来源一定是运营与交易数据。预约转化率、到诊率、复诊率、开单率、支付结构、随访触达、处方续方，这些数据天然结构化，合规风险更低，也更直接指导产品迭代。你先用智能体把这些环节做顺，把诊所的收入与效率拉起来，机构才更愿意让你深入临床数据层。反过来一开始就要临床数据，很容易陷入合规焦虑与合作方顾虑，产品落不了地。

新年花了十几天拆解这些企业，一方面是为了看清我选择的项目方向是否可持续，另一方面也很现实，我想确认这条路上有没有同伴，有哪些地方能借鉴。子弹不多情况下，就得做更多有效策略，当然，执行力也不能掉。有人问我创业一年多遇到什么困难，我其实已经失败过两个项目，团队也散过几次，只是没有说而已。但我没有脱离这个垂直领域，我还在找规律，找规律本身就是一个大开大收的过程。

我会继续拆解这些公司，把自己的看法写出来，再把能用的部分放回到我的产品里去验证。至于这 50 家里谁一定能跑出来，我不敢替市场下结论。（完）