1152人月压到12人月：一家三甲医院信息中心如何把AI训练成“数字员工”

完成3.5万张业务表的数据治理，传统方式预计需要约1152人干一个月；借助智能体，这一工作量被压缩至约12人干一个月——人力投入减少95%以上，整体处理效率提升30倍以上。这组数据来自吉林大学第一医院，出自该院信息中心自主研发的Medsuper Harness多智能体协同工作平台。9月7日，中国新闻网报道了这一案例，它或许预示着医院AI正在从“辅助工具”走向“数字员工”。

一组数字：3.5万张业务表背后的治理难题

先理解这个任务的体量。大型三甲医院的业务系统动辄数十个，沉淀的业务表数以万计。数据治理要做的，是对这些表逐一完成字段识别、数据抽取、清洗转换和质量校验——这是医院数据资产化最脏最累的环节，也是后续一切数据应用的地基。

传统模式下，这项工作依赖工程师逐表处理，1152人月的估算并不夸张。吉大一院的解法是把流程交给智能体：AI自主完成需求理解、表字段识别、数据抽取、清洗转换和质量校验，人只做最终确认。结果是12人月收工，重复性数据需求处理效率提升90%以上，整体业务处理效率提升30倍以上。

拆解平台：不是聊天机器人，是任务流水线

Medsuper Harness于今年7月底在医院内网部署上线。该院信息中心主任赵振威对平台的定位很直接：“AI真正的价值，不只是模型能回答什么，而是能不能进入实际业务流程。”

与传统聊天式AI不同，这个平台的核心是“承接完整业务工作”：理解需求、调用工具、执行任务，由不同角色的智能体协同推进。一项复杂工作被拆解成多个环节，每个环节由专门的AI角色负责，串联成流水线。这种架构与今年业界热议的“Agentic Workflow”一脉相承，但落地场景不是互联网公司，而是一家三甲医院的内网。

第二战场：软件研发全流程

数据治理之外，平台还切入了医院自己的软件研发。系统内设置了产品经理、架构设计、开发、测试、运维等不同角色智能体，覆盖需求分析、原型设计、代码开发、测试验证、部署交付全流程。

给出的数据同样可观：常规应用开发周期平均缩短50%以上，需求分析和原型设计效率提升3倍以上，重复性编码、接口开发及测试效率提升80%以上；部分轻量化应用的开发周期由数周缩短至数天。对医院而言，这意味着过去需要反复沟通、排队开发的临床和管理需求，可以更快转化为实际应用——信息中心的产能瓶颈被直接打开了。

临床场景也在探索：患者分组、麻醉评估和术中提醒。智能体可以结合患者病史、检验检查及监护数据，按设定规则提示风险，但最终判断仍由医护人员完成。

边界与安全：内网部署是底线

医疗AI的安全边界在这个案例里被处理得很清楚。平台部署在医院内网，相关模型、知识库和业务接口全部在院内运行，通过身份认证、权限控制、数据脱敏和操作审计管理数据。临床侧则坚持“AI提示、人做判断”的原则。

行业启示：医院AI的下一程

赵振威的判断值得记住：医院是一个高度复杂的数字化组织，不同角色使用不同系统，大量工作依赖数据和系统协同，单一聊天机器人很难承担这些复杂任务。从信息化、数字化到智能化，医院与AI的关系正在变化——过去，人需要学习如何操作系统；现在，系统开始学习如何完成工作。

对同行而言，这个案例的可贵之处不在技术多前沿，而在账算得明白：人月、效率、周期，每个数字都对应着信息中心真实的成本结构。这或许是医院AI从“演示价值”走向“经营价值”的一个缩影。

原文链接：中国新闻网

千方医数集编辑部 出品