能答对题,不等于能管好人:健康管理的最后一公里
过去两年,医疗 AI 最大的进步是“答对”:知识覆盖更全、推理更稳、幻觉更少。但如果把镜头拉到真实用户身上,会发现另一个问题——答对之后,什么也没发生。

用户看完建议,点了收藏,第二天照旧。健康管理行业最贵的不是获取答案,而是让人真的去做。
一、为什么“答对”不够
医学建议天然是抽象的:“控制总热量”“增加有氧运动”“规律作息”。抽象建议对医生是效率,对用户是负担,因为他不知道今天具体该做什么。
健康管理的产品力,体现在把抽象建议翻译成具体选项:这份外卖能不能点、今晚几点睡、这周运动几次、出差时怎么维持。
一个典型的例子:用户被告知“要少吃精制碳水”,这句话是对的,也是无效的。他需要的是明天早餐具体吃什么、外卖点什么、应酬时怎么选——答案要落到选项上。
二、三段时间,三种责任
院前是识别与分诊,院中是诊断与治疗,院后是执行与随访。医疗AI目前最强的是院前咨询与院中辅助,最弱的是院后管理。
而院后恰恰占据了一个人健康时间的绝大部分。一个人一年见医生几个小时,剩下八千多个小时都在自己过。
“答对”是可评测的,“管住”是不可评测的。前者有标准答案,后者只有长期结果。这也是为什么模型榜单很热闹,健康管理的效果却很难被看见。
从产品角度看,“答对”是模型的胜利,“做到”是流程的胜利。前者可以靠一次训练完成,后者必须靠长期运营沉淀:谁在第几天该收到什么、指标偏离多少该升级给人类、连续两周未执行该怎么降级目标,这些规则写不进权重里,只能写进系统里。
三、最后一公里的四个动作
- 记录:用最低摩擦拿到连续数据,否则一切分析都是猜测。
- 执行:把方案拆到今天能完成的动作,颗粒度到一顿饭、一次散步。
- 跟进:在用户偏离时及时出现,而不是等到复诊。
- 调整:根据执行率与指标变化修正方案,而不是一年一套。
四个动作里,最难的是跟进。它需要人、需要排班、需要记忆,也需要边界感——什么时候该出现,什么时候该沉默。
四、谁在承担最后一公里
医院没有产能,平台没有动力,家人没有知识。三方缺位的结果,是用户独自面对所有细节,然后在两周内放弃。
这正是健康管理公司的位置:不抢诊断,不抢处方,只把“之后”接住。这活又重又慢,但一旦接住,关系极其稳固。
最后一公里最容易被忽略的角色是“提醒者”。不是推送通知,而是在用户即将放弃的那一刻,有人用他知道的上下文说一句“这周先别改方案,把睡眠补回来”。
五、AI 在最后一公里的角色
AI 的价值不是给更多建议,而是降低三件事的成本:记录成本、跟进成本、解释成本。
凯同的健管师 AI 分身承担的就是这三件事:用对话完成记录,用提醒完成跟进,用通俗语言完成解释。人类健管师则负责异常判断与关系维护。
六、凯同的做法
凯同AI把最后一公里拆成一条可运营的链路:设备数据归集、Ignition 归因、周度 Plan、AI 分身陪跑、周复盘。每一环都有明确的责任人与可观测指标。
我们对效果的定义也很朴素:执行率有没有提升、指标有没有变化、用户有没有留下来。这三件事比任何榜单都更能说明问题。
还有一个现实约束:用户的时间极其有限。任何需要每天花十分钟以上记录的方案,一个月内的流失率都会很高。所以最后一公里的技术重点不是更强的推理,而是更低的摩擦——拍照、语音、授权同步,能自动的绝不手填,能一次问清的绝不问三次。
七、判断
医疗 AI 的下一阶段竞争,不在“谁答得更准”,而在“谁能让答案被执行”。这是一场服务设计的竞争,而不是模型竞赛。
需要说明的是,以上讨论属于健康管理与经营效率范畴:不做诊断、不调整用药,遇到指标异常或急症,仍应由医生判断并及时转诊。
能答对题的公司很多,能管好人的公司很少。后者的价值,会随着时间被重新定价。
参考资料
免责声明:本文为行业观察与信息交流,不构成医疗建议、诊断或治疗方案,也不构成投资建议。文中涉及的疾病、用药、检查与营养方案,请遵医嘱;如有不适或急症,请及时就医。文中数据与观点来自公开信息,仅供参考。