企业家
1 场深度对话收录
Shiv Rao
前沿洞察
医疗AI的核心事实源于“医患对话”，而非滞后的结构化病历。Abridge的战略精髓在于深嵌受监管临床工作流，以“人机协同”（人仍在环路）为锚，用数百万真实诊疗交互驱动后训练模型飞轮，以此构筑战胜通用巨头的专属壁垒。然而需警惕：大幅削减医生认知负荷虽已验证商业闭环，但企业客户高度集中、向高风险完全自主医疗演进的临界点仍未到来。
观点集合
从5年荒漠期走到产品市场契合与53亿美元估值：Abridge创始人Shiv Rao
Abridge 从2018年成立到53亿美元估值的五年历程，体现了坚持医疗对话核心判断、同时持续调整产品、GTM和商业模式的价值。其护城河来自受监管工作流中的后训练与有选择的模型自研，而2023年的需求窗口、企业客户集中度和医疗自动化时点仍是关键变量。
查看摘要（8段）
- 这家公司的5年荒漠期（2018年成立，Transformer论文发布3个月后起步，直到2023年才真正走热）最终浓缩成一条生存法则：坚持核心判断，其他一切都可以转向。 Shiv Rao 愿意调整产品、市场进入方式和商业模式，“但我不愿意放弃这个判断”——临床对话是驱动医疗服务的“最具人性的信号”。在市场打开之前，“你只需要别死掉”（you just need to not die）——等天空打开时，你还站在那里。
- 每个垂直AI创始人都会面对的生死问题是：“如果你在和它们对抗，你已经输了。” 如果基础模型带来的顺风不是你能利用的，你就完了。公司的防线在于深度：一个受监管、规模达5.3万亿美元、占美国GDP 18-19%的行业；产品的核心是基于不同类型医生、不同场景和不同语言用户每天的编辑进行后训练：“2023年人们以为那是最后一公里。其实那才是大头。模型本身没那么重要。”
- 公司产品内约40%的模型输出来自自研模型——下个月可能就会升到60%，因为蒸馏后的开源模型正在替代前沿模型调用。 原则很简单：二元判断、需要即时敲响警钟的任务交给自研模型，速度更快、更便宜，部署后无需持续操心；那些永远无法做到完美、市场奖励的是持续变得“不那么不完美”的任务，则要“乘上前沿模型的浪潮”。
- 医疗行业的GTM陷阱在于，它不是一个5.3万亿美元的单一市场；那些照搬“从下游市场起步”建议的创始人，永远无法选择正确时点向上游发起“YOLO一击”。 美国约80万名执业医生集中在大型医疗服务网络中。公司在2023年迎来窗口：医生倦怠率达到40-50%，一项JAMA研究显示30%的护士希望在12个月内离开护理行业，而LLM恰好出现——“天空打开时，我们直接冲了进去。”如今，据报道，没有“一座桥”（a bridge）的医院，医生甚至不愿加入。
- 病历从来不是产品——病历是一张账单。 临床医生“并不是因为提供了医疗服务而获得报酬，而是因为记录了他们提供的医疗服务而获得报酬”，所以公司沿着没人想做的工作链条推进：病历→医嘱→计费，同时打通CMIO、CIO和CFO。结果是，Microsoft/Nuance（一次超过200亿美元的收购）以及可能的Nabler，“我们现在已经很少看到这两家公司了”——这不是靠捆绑防守，而是靠创造品类；如今Emory的医生把“a bridge”当作动词使用。
- OpenAI和Anthropic招聘前线部署工程师、并与PE机构合作，在Rao看来是垂直AI明确的看多信号：“如果这还不算一个信号，说明未来垂直AI存在绝佳机会，那我不知道什么才算。” 真正的护城河来自混乱——“这不是SOC 2，而是HITRUST”；行为健康数据有不同处理方式，企业数据清理也需要真正的工程体系才能规模化。
- 如果让Rao在“提前6个月获得前沿模型访问权”和“提前6个月获得最优秀的人才池”之间二选一，他会选择人才，“毫无疑问”——优秀的人才能构建自己的基础能力，前沿模型套利“并不是全部，也不是决定一切的东西”。 至于Goldman估计5年后代理会带来24倍的token消耗，他认为方向上没错：那些永远做不到足够好的工作是“无底洞”，而Jevons效应意味着“医疗需求的海啸”即将到来，但系统没有能力承接。
- Jensen是公司的投资人，曾在午夜回复Rao一封只有两行的邮件后直接打电话给他；Rao从“创始人模式”中学到的不是事无巨细地管理，而是“一段段执行任务周期”（tours of duty）——“你的工作，就是爱上眼前的工作是什么样子。” 这意味着不断CRISPR出一套新的DNA，让自己爱上住在飞机上的生活。Rao毫不掩饰自己是战时CEO：“谁是和平时期CEO？”他设想让450人的组织围绕“超级IC”进一步扁平化，并按照Josh Wolfe所说的“肩上有包袱的人，才能把筹码变成口袋里的钱”来招人。