2026 年 9 月 17 日，总部位于欧洲的 Health Force 宣布完成 420 万欧元种子轮，由 LUMO Labs 领投。它要做的不是临床诊断模型，而是一类更「后台」的医院运营智能体：处理排班、病历流转、审批与跨科室协调这类高频但低创造性的事务，把医护人员从重复劳动里解放出来。在一家意大利合作医院，Health Force 称约四分之三的案件已实现无人干预处理，年处理案件量超过 20 万。
落在「运营」而非「诊断」
医疗 AI 的讨论常常围绕影像识别与辅助诊断，但 Health Force 的落点选在运营侧。医院的运转依赖大量文书与协调：入院登记、转诊流转、保险对接、排班与合规留痕，这些环节耗时且与核心诊疗无关，却直接决定医护的可用时间。Health Force 把智能体放进这条流水线，目标是让常规案件在无人干预下走完，只在例外情况才上升给人类。这种「先接管重复、再碰复杂」的路径，比直接挑战诊断更稳妥，也更容易通过院内审批。
意大利医院的数字值得单独看：约四分之三的案件无需人工干预，年处理超过 20 万起。若以厂商口径计，这代表相当可观的事务性减负——但需要提醒，这类比例往往统计的是「可被规则化处理的案件」，而非全部临床负载，且「无人干预」的界定依赖清晰的升级阈值。对医院管理者，真正重要的不是百分比本身，而是被释放的医护工时能否回到患者照护上。
「确定性优先」与可追溯
Health Force 强调其系统采用确定性优先（deterministic-first）的设计：凡涉及关键动作，优先走可预期、可审计的规则路径，而非把每一步都交给概率模型自由发挥。对医疗这类容错率极低的场景，这种做法把「可解释、可追责」放在「更聪明但更难控」之前。每一条自动处理的案件都保留可追溯的轨迹，出现争议或差错时能回放决策链。这恰好回应了医疗行业最敏感的信任问题——智能体可以提建议、可以跑流程，但每一步都要说得清依据。
从更广的视角看，Health Force 是「垂直行业运营智能体」在欧洲医疗体系的一次具体落地。与通用办公智能体不同，它必须适配当地的医保规则、数据保护要求与医院信息系统（HIS）接口，落地难度更多在系统集成与合规，而非模型能力。对同类创业公司，真正的护城河往往不是算法，而是能否在强监管行业里把系统安全地接进既有工作流，并拿到足够多的真实病例去持续优化。
需要打折扣看的部分
客观地说，420 万欧元种子轮与一家医院的成绩，尚不足以证明规模化能力。其一，四分之三无人干预是单院口径，跨院、跨国的病历结构与规则差异巨大，迁移成本不可低估；其二，年处理 20 万起的计算口径与案件定义未充分披露，独立验证仍缺；其三，医疗数据的跨境与隐私约束，会让扩张节奏明显慢于消费级产品。对关注该方向的团队，更有价值的观察点是：当案件复杂度上升、例外比例变高时，系统的升级机制与人类接管体验是否依然顺滑。对国内医疗信息化厂商，Health Force 的路线也值得对照：在强监管行业里，先把低风险的运营环节做扎实，往往比追逐诊断级智能体更容易换来真实部署。这也说明医疗 AI 的落地未必从最耀眼的诊室开始，反而常从最繁琐的后台破局。对患者来说，这种「看不见的智能体」或许比会看片的模型更有体感——它直接决定了排队与等待的长短。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。