健康经济学指标

第 76 个主题，共 91 个· 人工智能加速

AI投资回报率

AI投资回报率指可归因于AI项目、且可测量的损益表回报。一个发人深省的基准数据：麻省理工学院2025年的"生成式AI鸿沟"（GenAI Divide）研究发现，尽管企业级生成式AI投资高达300–400亿美元，但约95%的试点项目未展现出可测量的损益表回报——而成功的那5%则共享着一些可识别的共同做法。

为何重要

医疗系统对这种AI试点模式有个专门的说法："试点症"（pilotitis）——NHS的应用坟场里，堆满了被永远试点、却从未真正推广的"有前景"应用。麻省理工的发现，与卫生技术评估领域早已知晓的道理高度吻合：价值主张需要预先设定的终点指标，归因需要对照组，而"大家都觉得它有帮助"并不能构成一条真正的效益线。在麻省理工的数据中，成功的少数派集中在具有可追踪成本基线的后台自动化场景，并且采购的现成工具成功率约为67%，而内部自建工具的成功率大约只有其三分之一——这一先验经验应当纳入每一份AI投资论证（参见自建与外购）。

计算方法

AI投资回报率 = (可归因效益 − AI总成本) / AI总成本

AI总成本 = 许可/推理费用（参见inference-unit-economics.md）
         + 集成成本 + 数据就绪成本 + 评估成本
         + 工作流程重新设计成本 + 治理/保障成本
         （许可费用通常只占分母中的一小部分）

可归因效益：需相对于基线或对照组测量，并按照
cash-releasing-vs-non-cash-releasing.md分类为现金/产能/质量三类

实例演算

某医院集团在两个用例中部署AI：

用例A——临床信函起草（后台场景，可追踪）：
  基线：外包转录费用 每年£380,000
  实施后：转录合同已取消；临床医生复核时间成本增加£60,000
  AI成本：全包每年£120,000
  投资回报率 = (380,000 − 60,000 − 120,000) / 120,000 ≈ 167%——现金释放型，可审计 ✓

用例B——"面向临床医生的AI副驾"（覆盖面广，未被追踪）：
  效益主张："为4,000名员工节省时间"——未采集任何基线数据
  实测损益表影响：无法证实
  → 落入那95%的失败群体，无论其实际上是否真的有帮助

二者的差别并不在于AI本身的质量高低——而在于该效益是否拥有基线、责任人和预算科目（参见效益兑现）。

与软件工程的联系

适用于AI投资的卫生技术评估式打法：像NICE证据标准框架分级那样分阶段积累证据——低风险工具用演示级证据，全组织铺开前先做对照试点，并预先登记推广关口（参照DiGA"附截止日期的临时挂网"模式）；像健康经济学计算"需求规避"那样计算"成本规避"——只有当某个具体预算科目真正发生变化时，它才是真实的；并且用完美信息期望价值（EVPI）为试点本身定价——一个无法改变推广决策的试点，其价值为£0。关于开发者工具这一细分领域，另见AI开发者生产力。

陷阱

  • 效益稀释：价值若稀薄地分散在成千上万名用户身上，从结构上就注定无法测量；应选择基线集中、可追踪的用例。
  • 只计算许可费用：集成、评估与工作流程重新设计的成本，通常才是分母中的主导部分。
  • 归因窃取：AI与流程重新设计同时部署时，AI会"窃取"全部收益归因。
  • 沉没试点的持续升级：仅仅因为停止会等于承认失败，就不断延长已经失败的试点——退出日期必须提前商定。

来源