醫療沒建過中間件，反而能直接跳到 AI 原生
美國醫療是科技投入佔收入比最低的行業，沒鋪過 SaaS 中間層，所以沒有沉沒成本要拆——這是它第一次出現醫生自發使用技術的有機採納潮。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
LLM 之前，醫療的稀缺是訓練年限造成的
Julie 的因果鏈是：醫療之所以 esoteric，是因為它極度依賴稀缺的訓練——要當上專科服務提供者，光上學加訓練至少七年。在 LLM 帶來 abundant intelligence 之前，做出接近這種專業水平的技術的門檻極高。所以 AI 不是又一個效率工具，而是第一次讓「複製專家判斷」這件事在成本上可行。她同時點出支付側的推力：第三方支付體系讓消費者感受不到每一美元的痛，因此係統裡積累了遠超自由市場動態的 bloat，政府和 payer 現在都在壓這塊成本。
— Julie Yoo免賠額把消費者變成了真正的付款人
過去僱主承擔大部分保費，員工感覺不到財務痛感。後來開始 cost shifting，引入免賠額——比如 1000 美元以下保險不啟動，全部自付。Julie 說正是這一步讓消費者第一次意識到「我花這麼多錢買到的是這種爛服務」，於是開始用腳和錢包投票。她舉的數字是：現在有公司讓你每月自付 10 美元就能拿到極好的服務，同樣的錢在傳統體系裡買到的東西差 1000 倍。這是需求側採納潮的直接來源。
— Julie Yoo醫療沒建過中間件，所以能直接跳級
Julie 說醫療是「科技支出佔收入比最低」的行業，別的行業花了幾十年、幾百億美元鋪 workflow SaaS 中間層，AI 一來必須 rip and replace 並重新培訓一整代員工。醫療只有 EHR 這一層 ERP，剩下全靠堆人力，所以反而沒有沉沒成本偏見，可以直接跳到 agentic 形態。她把這叫 leapfrog dynamic——過去醫療的技術採納都是不自然的（付錢讓醫生用、靠疫情逼出 telehealth），這是第一次有機採納：醫生用 AI scribes 是因為它真的有用，而且改變了他們工作的性質。
— Julie YooAI 解決了「知道」，沒解決「然後呢」
Julie 把 AI 在醫療的作用拆成三段：第一段是降低獲取智能的門檻，這段已經被通用工具解決了；第二段是拿到判斷之後要驗證、要做臨床級檢測、要開藥或做手術、要有人真的上門；第三段是 longitudinal——陪你到問題解決、陪到下一個問題出現。她說今天的 medical AI 是 highly transactional，而真正的機會在第二和第三段，也就是 health tech builder 要啃的「last mile」。她舉的例子是 portfolio 公司 Council Health：AI 原生的醫生診所，24×7 異步聊天，聊天室裡是持牌 MD，能開處方、能轉診、能診斷。
— Julie Yoo七年前提消費者醫療會被趕出房間
Julie 說七年前任何投資人面前提 consumer health 都會被踢出房間，因為沒有可行商業模式、消費者沒有 agency、支付模型也不存在。現在變了：health tech 裡增長最快的公司是 cash pay——直接自付、價格破壞性低。她認為最大的槓桿是成本結構，AI 讓交付一個醫學上可信的服務的成本比過去低約 100 倍。產品設計順序也反過來了：過去是先為保險公司和醫生設計、消費者是事後補上的，現在消費者在堆棧最上面。她為此寫了篇叫 consumers are the new payer 的文章。
— Julie Yoo最好的公司要同時是 AI 原生和 AI 免疫
Julie 上週的文章提出 AI native and AI proof：LLM 能回答過去要等六個月才見到專科醫生才能問的問題，但剩下的部分——給去不了醫院的人做上門服務、抽血並真正診斷出你得了什麼、做那些在美國只有受監管實體才合法做的事——AI 本身解決不了。所以她把機會指向 full stack 的挑戰者公司：外表看像零售商或服務商，內部高度 AI 原生，因此有歷史上達不到的 surface area 和破壞性的成本結構，高毛利又能反哺創新。硬件和機器人也在內，她認為機器人在高 acuity 醫療場景裡已經出現 product market fit。
— Julie Yoo醫療支付體系不是壞了，是按設計運行
面對「醫療怎麼這麼爛」的抱怨，Julie 的回答是：它其實是 exactly as planned——如果你研究支付體系下激勵是怎麼對齊的，今天的結果就是它的必然產物。所以最雄心勃勃的一批公司在問：能不能炸掉現有支付模式、從零建一套新的，本質上是在一家公司裡建一個迷你醫療體系。她點名 Devoted Health 在做這件事，並說現在之所以可能，是因為建公司的進入成本降了（基礎設施已存在）、AI 能做更多事、而且消費者和傳統生態兩邊的胃口都是前所未有的。
— Julie Yoo訓練醫療級 AI 的數據集其實不存在
Julie 的判斷是：我們甚至沒有訓練醫療級 AI 所需的數據集。因為今天高度依賴 EHR 數據，而 EHR 是 sporadic 的——你一輩子看傳統醫生的次數頂多一年一次，所以作為病人的完整敘事弧幾乎缺席於現存所有數據集。她的推論是 N of one health：大量公司會做只針對你一個人的超個性化實驗，這些實驗生成新的數據軌道，再驅動下一代模型。她同時給出十年預測：我們每個人口袋裡都會有一個終身的 AI 醫生。
— Julie Yoo原話 · 已逐字校驗
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.
醫療不管好壞，沒有花那筆錢。我們只有 EHR 這一層 ERP，然後就是人力——我們遇到任何問題就往上堆人。
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.
作為一個行業，我們的沉沒成本偏見更少，可以說：好，新的技術範式來了，我們可以直接跳過去。
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.
這是我們在 health tech 見到的第一次真正有機的採納潮——醫生用 AI scribes，純粹因為它真的管用、真的很好，而且實實在在地改善了他們的工作性質。
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.
我說，它其實是完全按設計運行的。如果你真的去研究醫療現有支付體系下激勵是怎麼對齊的，它產生的結果就正好是我們今天經歷的這一切。
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?
我認為我們甚至沒有真正訓練一個醫療級 AI 所必需的數據集，因為今天我們高度依賴電子健康記錄數據，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.
所以我認為很多公司會開始做這種 N of one 實驗，生成新的數據軌道，再驅動我們這個領域下一代模型的構建。
Julie Yoo25:52
數字與實體
| Julie Yoo 在醫療行業年限 | 約 18 年 | 1:00 |
| 她做軟件工程師的年數 | 7 年 | 1:00 |
| 美國醫生全面部署電子健康記錄所需時間 | 約 5-7 年 | 2:03 |
| 成為專科服務提供者的最少上學加訓練年限 | 至少 7 年 | 11:20 |
| 免賠額舉例：保險不啟動的自付上限 | 1000 美元以下自付 | 11:20 |
| 消費者自付訂閱式醫療服務月費 | 10 美元/月 | 12:22 |
| AI 讓交付醫學可信服務的成本下降倍數 | 約 100 倍 | 20:37 |
| 傳統體系下同樣花費買到服務的差距 | 1000 倍 | 12:22 |
| 去急診室的自付費用 | 2000 美元 | 16:31 |
術語
- leapfrog dynamic跳級動態
- 沒鋪過上一代中間件，所以能跳過它直接採用新技術範式。
- AI native and AI proofAI 原生且 AI 免疫
- Julie 的框架：既用 AI 重構成本結構，又做 AI 本身做不到的線下與合規環節。
- N of one單人樣本
- 只針對單個個體做超個性化分析，由此生成新的數據軌道反哺模型。
- AI scribesAI 病歷記錄工具
- 自動記錄醫患對話並生成病歷，是醫生自發採納 AI 的入口場景。
- third-party payer system第三方支付體系
- 醫療費用主要由保險或僱主而非患者支付，導致價格敏感度缺失與系統冗餘。
收聽指南
做醫療 AI 或數字健康的創業者、看醫療賽道的投資人，以及想知道 AI 在哪個垂直行業最先跑通商業模式的工程師。
0:00-8:16 的個人經歷與行業史鋪墊，可直接從 8:16 聽起。