医疗没建过中间件，反而能直接跳到 AI 原生
美国医疗是科技投入占收入比最低的行业，没铺过 SaaS 中间层，所以没有沉没成本要拆——这是它第一次出现医生自发使用技术的有机采纳潮。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
LLM 之前，医疗的稀缺是训练年限造成的
Julie 的因果链是：医疗之所以 esoteric，是因为它极度依赖稀缺的训练——要当上专科服务提供者，光上学加训练至少七年。在 LLM 带来 abundant intelligence 之前，做出接近这种专业水平的技术的门槛极高。所以 AI 不是又一个效率工具，而是第一次让「复制专家判断」这件事在成本上可行。她同时点出支付侧的推力：第三方支付体系让消费者感受不到每一美元的痛，因此系统里积累了远超自由市场动态的 bloat，政府和 payer 现在都在压这块成本。
— Julie Yoo免赔额把消费者变成了真正的付款人
过去雇主承担大部分保费，员工感觉不到财务痛感。后来开始 cost shifting，引入免赔额——比如 1000 美元以下保险不启动，全部自付。Julie 说正是这一步让消费者第一次意识到「我花这么多钱买到的是这种烂服务」，于是开始用脚和钱包投票。她举的数字是：现在有公司让你每月自付 10 美元就能拿到极好的服务，同样的钱在传统体系里买到的东西差 1000 倍。这是需求侧采纳潮的直接来源。
— Julie Yoo医疗没建过中间件，所以能直接跳级
Julie 说医疗是「科技支出占收入比最低」的行业，别的行业花了几十年、几百亿美元铺 workflow SaaS 中间层，AI 一来必须 rip and replace 并重新培训一整代员工。医疗只有 EHR 这一层 ERP，剩下全靠堆人力，所以反而没有沉没成本偏见，可以直接跳到 agentic 形态。她把这叫 leapfrog dynamic——过去医疗的技术采纳都是不自然的（付钱让医生用、靠疫情逼出 telehealth），这是第一次有机采纳：医生用 AI scribes 是因为它真的有用，而且改变了他们工作的性质。
— Julie YooAI 解决了「知道」，没解决「然后呢」
Julie 把 AI 在医疗的作用拆成三段：第一段是降低获取智能的门槛，这段已经被通用工具解决了；第二段是拿到判断之后要验证、要做临床级检测、要开药或做手术、要有人真的上门；第三段是 longitudinal——陪你到问题解决、陪到下一个问题出现。她说今天的 medical AI 是 highly transactional，而真正的机会在第二和第三段，也就是 health tech builder 要啃的「last mile」。她举的例子是 portfolio 公司 Council Health：AI 原生的医生诊所，24×7 异步聊天，聊天室里是持牌 MD，能开处方、能转诊、能诊断。
— Julie Yoo七年前提消费者医疗会被赶出房间
Julie 说七年前任何投资人面前提 consumer health 都会被踢出房间，因为没有可行商业模式、消费者没有 agency、支付模型也不存在。现在变了：health tech 里增长最快的公司是 cash pay——直接自付、价格破坏性低。她认为最大的杠杆是成本结构，AI 让交付一个医学上可信的服务的成本比过去低约 100 倍。产品设计顺序也反过来了：过去是先为保险公司和医生设计、消费者是事后补上的，现在消费者在堆栈最上面。她为此写了篇叫 consumers are the new payer 的文章。
— Julie Yoo最好的公司要同时是 AI 原生和 AI 免疫
Julie 上周的文章提出 AI native and AI proof：LLM 能回答过去要等六个月才见到专科医生才能问的问题，但剩下的部分——给去不了医院的人做上门服务、抽血并真正诊断出你得了什么、做那些在美国只有受监管实体才合法做的事——AI 本身解决不了。所以她把机会指向 full stack 的挑战者公司：外表看像零售商或服务商，内部高度 AI 原生，因此有历史上达不到的 surface area 和破坏性的成本结构，高毛利又能反哺创新。硬件和机器人也在内，她认为机器人在高 acuity 医疗场景里已经出现 product market fit。
— Julie Yoo医疗支付体系不是坏了，是按设计运行
面对「医疗怎么这么烂」的抱怨，Julie 的回答是：它其实是 exactly as planned——如果你研究支付体系下激励是怎么对齐的，今天的结果就是它的必然产物。所以最雄心勃勃的一批公司在问：能不能炸掉现有支付模式、从零建一套新的，本质上是在一家公司里建一个迷你医疗体系。她点名 Devoted Health 在做这件事，并说现在之所以可能，是因为建公司的进入成本降了（基础设施已存在）、AI 能做更多事、而且消费者和传统生态两边的胃口都是前所未有的。
— Julie Yoo训练医疗级 AI 的数据集其实不存在
Julie 的判断是：我们甚至没有训练医疗级 AI 所需的数据集。因为今天高度依赖 EHR 数据，而 EHR 是 sporadic 的——你一辈子看传统医生的次数顶多一年一次，所以作为病人的完整叙事弧几乎缺席于现存所有数据集。她的推论是 N of one health：大量公司会做只针对你一个人的超个性化实验，这些实验生成新的数据轨道，再驱动下一代模型。她同时给出十年预测：我们每个人口袋里都会有一个终身的 AI 医生。
— Julie Yoo原话 · 已逐字校验
Healthcare for better, for worse, did not spend that amount of money, right? So we only had really like the ERP layer with EHRs, and then labor, like we were just throwing bodies at every problem.
医疗不管好坏，没有花那笔钱。我们只有 EHR 这一层 ERP，然后就是人力——我们遇到任何问题就往上堆人。
Julie Yoo13:22
we have less of a sunk cost bias as an industry to say, okay, this new technology paradigm has come along, and we can just leap right to it.
作为一个行业，我们的沉没成本偏见更少，可以说：好，新的技术范式来了，我们可以直接跳过去。
Julie Yoo14:25
This is currently is the only like the first real organic adoption wave that we've seen in health tech where doctors are just using AI scribes because they freaking work and they're so good and they really change the nature of their job for the positive.
这是我们在 health tech 见到的第一次真正有机的采纳潮——医生用 AI scribes，纯粹因为它真的管用、真的很好，而且实实在在地改善了他们的工作性质。
Julie Yoo15:29
I'm like, it's actually designing exactly as planned. Like if you actually study the innards of how incentives are aligned based on the payment system that exists in healthcare, it results in exactly what we experience today.
我说，它其实是完全按设计运行的。如果你真的去研究医疗现有支付体系下激励是怎么对齐的，它产生的结果就正好是我们今天经历的这一切。
Julie Yoo23:46
I would argue that we actually don't even have the datasets necessary to truly train like a medical grade AI because we rely heavily today on electronic health record data, which is really sporadic, right?
我认为我们甚至没有真正训练一个医疗级 AI 所必需的数据集，因为今天我们高度依赖电子健康记录数据，而它是非常零散的。
Julie Yoo24:52
So I think a lot of companies will start doing these kind of N of one experiments that generate the new data rails that then drive the next generation of models that are built in our space.
所以我认为很多公司会开始做这种 N of one 实验，生成新的数据轨道，再驱动我们这个领域下一代模型的构建。
Julie Yoo25:52
数字与实体
| Julie Yoo 在医疗行业年限 | 约 18 年 | 1:00 |
| 她做软件工程师的年数 | 7 年 | 1:00 |
| 美国医生全面部署电子健康记录所需时间 | 约 5-7 年 | 2:03 |
| 成为专科服务提供者的最少上学加训练年限 | 至少 7 年 | 11:20 |
| 免赔额举例：保险不启动的自付上限 | 1000 美元以下自付 | 11:20 |
| 消费者自付订阅式医疗服务月费 | 10 美元/月 | 12:22 |
| AI 让交付医学可信服务的成本下降倍数 | 约 100 倍 | 20:37 |
| 传统体系下同样花费买到服务的差距 | 1000 倍 | 12:22 |
| 去急诊室的自付费用 | 2000 美元 | 16:31 |
术语
- leapfrog dynamic跳级动态
- 没铺过上一代中间件，所以能跳过它直接采用新技术范式。
- AI native and AI proofAI 原生且 AI 免疫
- Julie 的框架：既用 AI 重构成本结构，又做 AI 本身做不到的线下与合规环节。
- N of one单人样本
- 只针对单个个体做超个性化分析，由此生成新的数据轨道反哺模型。
- AI scribesAI 病历记录工具
- 自动记录医患对话并生成病历，是医生自发采纳 AI 的入口场景。
- third-party payer system第三方支付体系
- 医疗费用主要由保险或雇主而非患者支付，导致价格敏感度缺失与系统冗余。
收听指南
做医疗 AI 或数字健康的创业者、看医疗赛道的投资人，以及想知道 AI 在哪个垂直行业最先跑通商业模式的工程师。
0:00-8:16 的个人经历与行业史铺垫，可直接从 8:16 听起。