医疗成本核算 AI 助手的落地实践

2026版操作指南

贝森·实战方法论

案例速递

医疗行业

全案实录

最近，我们在自有成本核算产品中完成了一次重要的 AI 能力落地：将 AI Agent 能力嵌入医疗成本核算业务场景，并打通飞书、钉钉、企业微信等 IM 平台，让用户在日常办公工具中，通过自然语言即可查询成本数据、理解成本构成、查看图表分析，并辅助生成成本核算报告。

这并非知识库问答，也不是传统意义上的 RAG 检索增强应用，而是一次面向医疗成本核算场景的业务 Agent 落地实践。它的核心目标不是让 AI“看起来会聊天”，而是让 AI 真正进入业务系统，帮助用户把已经核算出来的数据“用起来”。

为什么要在成本核算系统里做 AI 助手？

医疗成本核算本身是一个高度复杂的业务场景，涉及科室、项目、人员、耗材、资产折旧、房屋分摊、医用气体、药品、收入、分摊规则、发布批次、核算周期等大量数据和规则。

在传统系统中，用户想要获取一个答案，往往需要进入系统，选择期间、科室、成本口径，再逐一查看不同报表。例如：

● “某个月某科室成本是多少？”

● “这个科室的成本构成是什么？”

● “直接成本和分摊成本分别是多少？”

● “哪个科室成本最高？”

● “某个成本项目为什么占比这么高？”

这些问题在业务上很常见，但如果每次都通过页面筛选、报表切换、字段理解来完成，对业务人员来说存在较高的使用门槛。

因此，我们决定做一件事：让用户直接用自然语言提问，AI 助手能够理解问题、识别业务意图、调用成本核算系统的数据能力，并返回可解释、可追溯、可视化的结果。这就是成本 AI 助手的起点。

成本核算系统最大的问题

算得出来，但用不起来

这也是此次成本 AI 助手建设最核心的驱动力之一。

在成本核算系统中，分析页面非常多。仅成本核算分析相关页面就有 67 个，每个页面展示的维度、口径、指标含义、适用场景各不相同。从研发和产品角度看，这些页面是功能；但从医院实际使用角度看，问题就变得突出：

● 用户很难记住哪个页面看什么；

● 用户很难理解每个图表背后的业务含义；

● 用户很难在需要分析时快速找到正确入口；

● 用户更难把分散在多个页面里的数据串起来，形成一段可以汇报、可以解释、可以追踪的问题分析。

我们调研过多家医院的成本核算系统，很多系统的问题不是“算不出来”，而是“算出来之后用不起来”。页面和报表都在，但真实使用频率并不高，甚至有医院的成本系统接近“快烂尾”的状态：系统能核算，数据能生成，但业务人员平时很少真正使用。

更典型的情况是，每次医院需要做成本工作汇报、临时分析某些数据时，还是要找厂商来协助取数、截图、整理口径、做汇报材料。

这说明传统成本核算系统缺的不是页面数量，而是一个能把这些页面、指标、口径和分析路径组织起来的入口。AI Agent 的价值就在这里：它不是再增加一个页面，而是把已有系统能力重新组织起来：用户只需提出问题，Agent 负责理解意图、定位数据、调用能力、解释口径、生成图表，并支持继续追问。

它不是简单 RAG，而是业务 Agent

很多 AI 应用会从 RAG 开始，把文档、制度、说明书放入知识库，让 AI 基于知识库回答问题。RAG 很有价值，但它更适合解决“知识检索”和“文档问答”类问题。

而成本核算系统面对的不是静态文档，而是动态业务数据：周期不同，结果不同；科室不同，口径不同；批次不同，数据不同；直接成本、分摊成本、项目构成、成本要素都需要遵循系统规则。

因此，我们这次没有把它做成单纯的知识库问答，而是设计成了一个面向业务系统的 Agent，它需要具备以下能力：

第一，理解用户自然语言中的业务意图。例如用户问“某个月某科室成本是多少”，系统要识别出时间周期、科室名称、查询目标。

第二，能够调用真实业务系统能力。不是凭空回答，也不是从文档里猜测，而是基于成本核算系统已发布、已锁定的核算结果进行查询。

第三，能够保留上下文。用户先问“某科室成本是多少”，再问“那它的成本构成呢”，AI 助手需要知道“它”指的是上一个问题中的科室和周期，而不是每次都从头开始。

第四，结果必须可解释、可追溯。医疗信息化系统不同于普通聊天产品，不能只给一个结论，还要说明数据来源、核算口径、发布批次等信息。

第五，AI 的能力必须受控。工业级软件最重要的是稳定性、可控性和可审计性。AI 可以增强系统能力，但不能让 AI 随意改规则、随意编结果、随意扩展不可控行为。

数据必须由程序计算，AI 不能直接算金额

此次实践中，我们特别坚持一个原则：成本金额、排行结果、图表数据，必须由业务系统和程序计算生成，不能交给 AI 自己算。

原因很简单：AI 会犯错。AI 可以理解用户问题，识别意图，组织查询流程，解释结果，把结果用更容易理解的语言表达出来，但它不能直接承担医疗成本核算中的金额计算。因为成本核算不是普通问答，它涉及真实业务数据、核算口径、发布批次、分摊规则和报表结果。一旦 AI 自己“估算”“推理”“补全”，就可能出现幻觉或错误。

在这个成本 AI 助手中，AI 的角色不是“直接算账”，而是“受控调用系统能力”。比如用户问“某个月某科室成本是多少？”，AI 助手需要做的是：理解用户要查的周期和科室，根据上下文补全必要参数，调用成本核算系统已封装好的查询能力，由程序从已发布、已锁定的核算结果中取数，由程序完成金额汇总、排行、占比和图表数据生成，AI 再负责把结果组织成用户能看懂的说明。

也就是说，最终展示出来的金额、排行、环形图、柱状图，都不是 AI 自己编出来的，而是由成本核算程序按业务规则计算出来的。AI 负责交互和编排，程序负责计算和校验。

这也是工业级 AI 应用和普通聊天机器人的重要区别：普通聊天机器人追求“能回答”；业务 Agent 追求“答得准、查得到、算得对、可追溯”。在医疗信息化系统里，AI 不能替代规则，AI 必须被规则约束。

技术实现：让 AI 在规则内工作

在技术实现上，我们并没有把 AI 助手做成一个简单的聊天窗口，而是将 Agent 能力嵌入到成本核算系统的业务流程中。它的核心目标不是让 AI 自由发挥，而是让 AI 在明确的业务规则、数据权限和系统边界内工作。

用户提出问题后，AI 助手会理解用户意图，并结合上下文识别周期、科室、成本类型等关键信息，再调用系统已封装好的业务能力，最终由程序完成数据查询、金额计算、排行统计和图表生成。这里面用到了 Agent、上下文管理和受控工作流等能力，但底层实现始终服务于一个原则：AI 负责理解、编排和表达，业务系统负责计算、校验和结果输出。

这样既能保留自然语言交互的灵活性，又能保证医疗成本核算场景最重要的准确性、稳定性和可追溯性。

打通 IM 平台：让 AI 进入用户最顺手的场景

此次我们还打通了多个 IM 平台，包括飞书、钉钉、企业微信。打通 IM 平台的价值，并不只是“多接了几个入口”，而是让 AI 助手进入用户最顺手、最自然的使用场景。

从人性化的角度看，一个很简单的例子是：如果一件事在手机上就能办成，就不太可能专门跑到工位上打开电脑、登录系统、切换页面再去办。这也是很多业务系统使用率不高的原因之一——不是系统没有功能，而是入口太重、路径太长、使用成本太高。

成本核算系统也是如此。传统方式下，用户要查一个科室成本、看一个成本构成、找一个成本排行，可能需要打开电脑、登录系统、进入菜单、选择页面、设置筛选条件、理解指标口径，然后再截图或整理结果。而 AI 助手接入 IM 平台后，用户可以直接在手机或日常办公软件里提问：“帮我查一下某个月某科室的成本”“这个科室成本构成是什么？”“帮我看一下成本排名。”AI 助手可以直接返回结果说明、口径解释和图表展示。

这不是简单地把系统搬到聊天窗口里，而是把原本复杂的系统操作，转化成用户更容易接受的自然语言交互。

当然，IM 场景也对数据安全提出了更高要求。成本数据本身具有一定敏感性，因此我们设计了数据聚合和脱敏开关，适配不同医院、不同角色、不同使用场景下的数据安全要求。有些场景可以展示汇总数据；有些场景只展示聚合后的趋势和结构；有些场景需要隐藏具体金额、科室编码或敏感明细；有些场景则需要根据权限决定是否允许进一步下钻。IM 接入不是简单地“把数据发到群里”，而是在便捷性和安全性之间做平衡——用户使用起来要轻，数据输出必须要稳。

从“查数据”到“用数据”

我们认为，成本 AI 助手最有价值的地方，不只是帮用户查出一个数字，更重要的是帮助用户把数据用起来。

传统成本核算系统里，分析页面很多，但用户经常不知道该从哪个页面进入，也不知道某个指标应如何理解。而 Agent 可以把这些能力重新封装成自然语言入口。用户问一个问题，Agent 可以先给出结果；用户继续追问，Agent 可以基于上下文继续分析；用户需要图表，Agent 可以直接组织成可视化结果。

例如用户问“这个科室成本构成是什么？”，AI 助手不仅返回明细，还可以按照项目类型拆分，并通过图表展示占比，让用户直观看到主要成本来源。用户还可以继续问：“这个项目为什么占比高？”“和上个月比有没有变化？”“在所有科室里排第几？”这时，AI 助手就不只是查询入口，而是在帮助用户完成分析过程。它把原本分散在多个页面里的能力串起来，让成本核算从“算得出来”，进一步走向“看得懂、问得出、用得上”。

从数据分析到成本核算报告生成

除了自然语言查询和图表分析之外，我们还做了一个对医院工作人员非常有帮助的能力：智能生成成本核算报告。

在医院实际工作中，成本核算报告往往是一件非常耗时的事情。很多时候，医院工作人员为了完成一份成本核算报告，需要反复查系统、导数据、截图表、整理指标、解释口径、调整格式、修改文字。一份报告折腾一周以上很常见，有些复杂场景甚至可能忙两周。这背后不是单纯的文字工作，而是大量重复性的整理工作：哪些指标要放进去，哪些科室需要重点说明，哪些成本变化需要解释，哪些图表适合展示，报告格式要怎么保持一致，口径说明怎么写才不会出错，历史报告里的表达习惯怎么延续。

我们希望 AI 助手不只是能查数据、看图表，还能进一步帮助医院工作人员生成成本核算报告。用户可以上传之前的历史成本核算报告，AI 助手会根据历史报告的结构、内容风格、指标组织方式和表达习惯进行学习和参考，再结合当前期间的成本核算数据，辅助生成新的成本核算报告。

当然，这里并不是让 AI 随意编报告。报告中的核心数据、金额、图表和指标结果，仍然来自成本核算系统，由程序按既定规则生成和校验。AI 主要负责报告结构组织、文字表达、分析说明和内容初稿生成。也就是说：程序负责数据准确，AI 负责表达效率。

这样做之后，原来可能需要一周甚至两周才能完成的成本核算报告，有机会缩短到半天或一上午完成初稿。医院工作人员不再需要把大量时间花在重复整理材料上，而是可以把更多精力放在审核、判断和管理分析上。这也是 AI 在医院成本管理场景里最有体感的价值之一：不是替代专业人员，而是把专业人员从重复劳动里解放出来。

稳定性比炫技更重要

此次项目让我们感受最深的一点是：工业级 AI 应用，最重要的不是“看起来聪明”，而是“稳定、可靠、可控”。

医疗成本核算系统不能容忍 AI 随意编造结果，不能出现数据来源不清楚、批次口径混乱、用户权限越界、上下文错乱导致查询对象错误、AI 自己生成金额或推断排行等行为。因此在设计过程中，我们重点控制了几个方面：权限绑定，用户身份识别，科室和周期参数解析，发布批次锁定，数据来源说明，上下文继承规则，AI 回复边界，程序化计算口径，图表展示口径，数据聚合与脱敏控制，异常提示机制等。

我们希望 AI 助手不是一个“会聊天的模型”，而是一个真正能在业务系统里稳定工作的 Agent。它可以像人一样理解问题，但它必须像软件系统一样遵守规则。

产品归属与落地说明

此次介绍的成本 AI 助手能力，是基于公司现有成本核算产品和真实业务场景完成的项目实践。该产品及相关能力归属于我司山东贝森医院管理咨询有限公司。

这不是一个脱离业务场景的 Demo，也不是单纯为了展示 AI 能力而做的概念验证，而是公司结合医院成本核算业务需求，在真实医院场景中落地打磨后形成的产品能力。从成本核算系统到 AI 助手，再到 IM 平台接入、图表分析和成本核算报告生成，背后依托的是公司在医疗成本核算、医院运营管理、数据治理和信息化建设方面的长期积累。

真实医院场景的价值在于，它会不断暴露出系统在实际使用中的问题：哪些数据用户最关心，哪些页面用户找不到，哪些指标用户看不懂，哪些报告工作最耗时间，哪些场景需要脱敏，哪些数据必须聚合展示，哪些结果必须可追溯，哪些能力必须足够稳定才能真正上线使用。也正是因为有真实医院场景持续验证和打磨，成本 AI 助手才不是停留在“能问能答”的阶段，而是逐步进入真实成本核算业务流程，帮助医院工作人员降低系统使用门槛，提高分析和报告生成效率。