保险公司指控：医院AI工具两年推高9.42亿美元医疗支出

AI进入医疗账单：谁在为技术买单

人工智能正在重塑医疗行业，但它带来的不一定都是成本节约。美国最大的健康保险机构之一 Blue Cross Blue Shield（蓝十字蓝盾）近日提出一项引人关注的指控：医院使用AI工具，在两年时间内额外推高了约 9.42 亿美元 的医疗支出。

这一数字直接挑战了业界普遍宣传的"AI降本增效"叙事。在多数讨论中，AI往往被描绘成提升诊断效率、减少行政浪费、优化资源配置的利器。然而保险方的立场提醒我们：技术工具的经济效应，取决于谁在使用它、以及为了什么目的使用它。

争议的核心：AI如何抬高账单

保险公司的指控逻辑并不难理解。在美国的医疗支付体系中，医院和保险方长期就"哪些服务应被报销、按什么标准报销"存在博弈。当医院部署AI工具用于编码（coding）、计费文档生成、诊断建议或就诊必要性判定时，这些工具可能倾向于生成更高强度的服务记录或更细化的收费项目。

从保险方的视角看，这意味着理赔金额被系统性地推高。9.42 亿美元的额外支出，正是在这样的背景下被计算出来的——它反映的不是患者获得了更多真实价值，而是账单在技术辅助下变得更"充实"。

这里存在一个关键的利益张力：对医院而言能最大化合规收入的AI，对保险方而言就是抬高成本的AI。 同一套技术，在支付链条的两端会被赋予截然不同的评价。

医疗编码（Medical Coding）是美国医疗支付体系的核心环节。医生完成诊疗后，编码员（或AI工具）须将诊断结果和医疗服务转化为标准化代码——主要是ICD-10诊断代码和CPT操作代码——保险公司依据这些代码决定是否报销及报销金额。编码的"粒度"和"强度"直接影响账单金额：同一次住院，选择更高级别的诊断复杂性代码（即"高强度编码"）可合法地显著提升报销金额。AI辅助编码工具通过扫描医生的临床记录，自动识别可支持更高收费级别的诊断细节，这在行业中被称为"收入周期管理"（Revenue Cycle Management）。这类工具本身并不伪造诊断，但它们能系统性地挖掘出人工编码可能遗漏的收费依据，使账单在合规框架内趋于"最大化"。这正是保险方与医院之间争议的技术根源。

数据背后需要保持的审慎

必须指出，这一 9.42 亿美元的结论来自保险公司自身的口径。在医院与保险方持续对立的商业关系中，任何一方发布的数据都带有其立场色彩。保险方有动机将成本上升归因于AI，从而为收紧理赔、限制医院AI应用寻找依据。

因此，几个问题仍待厘清：

• 这 9.42 亿美元中，有多少是AI导致的"不当收费"，又有多少是AI帮助医院捕捉到了此前被遗漏的合理收费？
• 成本上升是否伴随了诊疗质量或效率的实际提升？
• 计算方法是否经过第三方独立验证？

在缺乏中立审计的情况下，单方数据更适合被视为"争议的起点"，而非"定论"。

对医疗AI行业的信号意义

无论具体数字是否准确，这一事件释放了一个明确信号：医疗AI的落地正在从"技术可行性"阶段，进入"支付与监管博弈"阶段。

对医院来说，AI计费与文档工具确实能提升收入捕捉能力，但也可能招致保险方的审查甚至拒付风险。对AI厂商而言，产品设计若过度倾向于"最大化收费"，可能在合规层面埋下隐患。对监管机构和政策制定者来说，如何界定AI辅助收费的合理边界，将成为绕不开的议题。

更深层的启示在于：AI在医疗领域的价值评估，不能只看技术指标，而要放到复杂的支付激励结构中去理解。一个能"降本"的AI，前提是使用它的主体本身有降本动机——而在按服务付费的体系里，这个前提并不总是成立。

美国医疗支付体系中的"按服务付费"（Fee-for-Service，FFS）模式是理解本次争议的制度背景。在FFS体系下，医院和医生每提供一项服务就获得一笔报酬，服务数量与收入直接挂钩，这从结构上激励提供更多、更高强度的医疗服务。与之相对的是"按价值付费"（Value-Based Care）模式，后者以患者健康结果和成本效率为导向进行支付。当前美国医疗体系处于两种模式并行的过渡期，FFS仍占主导。在这一背景下，AI工具一旦被部署于FFS环境中，其"优化"目标自然与收入最大化对齐；而若同一类工具被用于按人头付费（Capitation）或捆绑支付的模式下，其行为逻辑可能截然不同。因此，评估医疗AI的成本影响，必须将支付模式作为关键变量纳入考量。

结语

Blue Cross Blue Shield 的指控未必是最终答案，但它戳破了一个过于乐观的假设：AI必然让医疗更便宜。技术是中性的，真正决定成本走向的，是嵌入其中的商业激励与制度设计。随着医疗AI进一步普及，围绕"谁受益、谁买单"的争论，只会愈发激烈。