病人排隊排到四個月，醫生的產能卻沒用滿
TL;DR
- 美國醫療業最荒謬的矛盾：大城市看一次家醫要等好幾週甚至幾個月，但醫師工時的使用率遠低於百分之百
- 醫療業過去二十年幾乎沒鋪過軟體軌道，這個「落後」反而變成優勢，可以直接跳到 AI 原生，沒有拆舊系統的包袱
- AI 病歷紀錄工具是醫療史上第一次自願發生的科技採用潮，前兩次一次是政府掏錢買，一次是疫情逼的
- 自付額制度讓消費者第一次真的感覺到痛，意外養出一整批一個月十美金的自費服務市場
- 最強的公司同時是 AI native 和 AI proof：內部用 AI 把成本壓到十分之一，外部去做 AI 做不到的抽血、到府、開藥
- 訓練醫療模型的資料其實不存在，因為你一年頂多看一次醫生，你人生的大部分故事沒有被記錄
這集在二〇二六年九月六日播出，來自 a16z 旗下的 MTS 系列，主持人是 Sophia Dew。MTS 的定位是找 a16z 內部的合夥人聊各自領域的第一線觀察，比起對外的名人訪談更像內部人的分享會。
來賓 Julie Yoo 是 a16z 的普通合夥人（General Partner），負責整個醫療科技投資團隊。她的來歷有點特別：MIT 資工加醫預科出身，職涯前七年在寫程式，後來共同創辦 Kyruus Health，做的是把全美的醫師預約產能整合成一套系統，最後服務規模做到兩千萬名病人、二十二萬五千名醫療提供者，去年被 RevSpring 買走。換句話說，她是先花了十五年在這個產業裡繳學費，才轉去當投資人的人。她自己形容那是「一場十五年的一夜成名」。
需求排到門外，產能卻沒用滿
Julie 講的第一件事就很打臉。
她跟共同創辦人當年去問各大醫院和醫師集團的高層，得到的答案是：病人確實排到門外，等好幾週甚至好幾個月。但同一批高層翻開內部數據給她看，醫師時間的使用率遠低於百分之百。
需求爆滿跟產能閒置同時存在。這不是資源不夠，是媒合壞掉了。
這個結構其實在很多產業都出現過。餐廳週五晚上訂不到位，週二晚上空到掃地；飯店旺季一房難求，淡季走廊都沒聲音。差別在於，餐飲跟旅宿早就有一整套訂位與收益管理系統在調度，醫療沒有。醫療的預約庫存散落在各家醫院、各個科別、各套互不相通的系統裡，沒有人有全局視角。
Kyruus 做的事情就是把這些庫存拉到同一個檯面上，然後把病人導到對的醫生跟對的時段。聽起來很基本，但她說當年做這件事像是拿鑿子跟釘子在敲混凝土牆。
沒鋪過鐵軌的產業，反而可以直接飛過去
這是整集我最喜歡的一段觀察。
過去二十年，其他產業做了什麼？它們花了幾百億美金鋪工作流程軟體，中介層一層疊一層，然後訓練一整個世代的員工去用這些工具。等到 AI 來了，這些公司要面對的問題是：我要不要把這一整套拆掉重來？員工要不要重新訓練？
醫療業因為太窮太慢太保守，這一層根本沒鋪。她說醫療業的科技支出佔營收比例，長期是所有產業裡最低的那一檔。除了電子病歷（EHR，就是那套系統紀錄層）之外，剩下的問題全都是「丟人力進去解決」。
結果就是，醫療業沒有沉沒成本的心理包袱。不用糾結那二十年、幾百億美金的中介軟體要怎麼處理，可以直接跳到 agentic AI 這一代。
我覺得這個觀察對台灣特別有參考價值。很多我們覺得「落後」的環節，例如某些公部門流程、傳統製造業的排程、地方診所的行政，之所以沒被軟體化，是因為過去導入成本太高、客製化太貴。但 AI 把導入門檻壓下來之後，這些從來沒被數位化的地方，反而可能一步跨到最新的架構，不用經過中間那段。
慢有時候真的是一種資產，但前提是你在跳的時候跳得夠準。
醫療史上第一次沒人逼的採用潮
Julie 提到她一年前寫過的一個判斷：醫療業歷史上的每一次科技採用，都很不自然。
第一次是二〇〇〇年代末，美國聯邦政府直接掏錢，付給每位醫師好幾萬美金去導入電子病歷。整個產業花了五到七年，接近百分之百的美國醫師低頭在弄同一件事。這是用錢買來的數位化。
第二次是 COVID。遠距醫療在那之前很多情況下根本不給付，除非你先跟醫師面對面看過診。疫情逼著各州和聯邦重新檢視醫師執照跨州的限制、重新檢視給付規則。這是被危機逼出來的。
第三次就是現在。AI scribe（在診間旁聽並自動生成病歷紀錄的工具）沒有政府補助、沒有疫情、沒有高層下令，醫師就是自己在用，因為它真的有效，而且真的改變了他們工作的體感。
她用了一個詞：PLG（Product-Led Growth，產品自己帶動成長）。這在醫療業幾乎沒發生過。過去要賣進醫院，你要打通採購、資訊部門、醫務長、法遵，一輪下來兩年。現在第一線的醫師自己就有主動權。
這件事的訊號比表面上大。當一個產業的基層開始自己找工具用，通常代表這個工具解決的痛點大到讓人願意繞過制度。
一千美金的自付額，養出一個月十美金的市場
這段講的是錢。
美國醫療最奇怪的地方在於第三方付費：你的醫療費用大部分不是你付的，是保險公司付的，而保險費大部分是雇主付的。當你花的每一塊錢自己都感覺不到痛，整個系統的浪費就會失控。
前幾年開始，雇主跟保險公司做了成本轉嫁：加自付額（deductible，保險啟動前你要自己先付掉的金額）。假設門檻是一千美金，那一千美金以下的花費全是你的事。
然後消費者第一次真的看到帳單，第一次意識到「我付了這麼多錢，換到的是這麼爛的服務？」
Julie 說這才是需求端真正被點燃的時刻。現在市場上出現一批公司，你一個月付十美金左右，拿到的服務品質跟傳統體系裡同樣金額能買到的東西比，差了不只一個量級。
她們寫過一篇叫「消費者就是新的付款方」的文章，講的就是這個轉向。過去醫療產品的設計順序是：先討好保險公司，再討好醫生，消費者排最後想。現在反過來了。
而讓這件事成立的關鍵變數是成本。她的說法是，因為 AI，交付一個醫療上站得住腳的服務，成本結構比以前低了大約一百倍。以前不是消費者不想自費，是自費價格根本付不起。
AI native 加 AI proof
這是她最近寫的另一篇論點，我覺得是整集最實用的框架。
現在最好的醫療公司，同時具備兩個特質：
| 特質 | 意思 | 為什麼重要 |
|---|---|---|
| AI native | 內部作業全部建立在 AI 之上，成本結構跟同業差一個量級 | 毛利高，才有錢持續投資創新 |
| AI proof | 業務本體是 AI 取代不掉的部分 | 通用模型再強也吃不掉你 |
為什麼需要第二個？因為第一個部分已經被通用模型解決得差不多了。你想問一個症狀是什麼、想解讀一份報告，ChatGPT 和 Claude 現在給的答案品質已經不差，幻覺也少很多。這一塊的門檻幾乎消失了。
但接下來呢？答案要驗證，你需要真的抽血、真的做檢驗；你可能需要處方箋、需要手術、需要有人到你家；你需要一個有執照的實體在法律上為這件事負責。這些是模型再聰明也跨不過去的。
之前在醫療 AI 考了九十二分，實際做事只拿四十五分那篇聊過類似的落差：模型在執照考試上表現很好，真實臨床任務的分數卻掉一大截。兩集講的其實是同一件事的兩面。
她投的 Council Health 就是一個例子：二十四小時的非同步聊天，介面體感像在跟 chatbot 講話，但另一端坐著真的有執照的醫師，可以開藥、可以轉診、可以下診斷。AI 負責把成本跟等待壓掉，人負責承擔那個 AI 承擔不了的責任。
我覺得這個框架不只適用醫療。任何一個行業，你都可以拿這兩個問題問自己：我內部的成本有沒有被 AI 重寫過？我對外賣的東西，是不是一個通用模型明天就能取代的？兩題都答錯的公司，日子會很難過。
你的病歷其實是一堆碎片
最後一段她講了一個我沒想過的角度。
如果要訓練一個真正醫療等級的模型，資料從哪來？現在的答案是電子病歷。但電子病歷的資料非常稀疏，因為你一年頂多看一次醫生，很多人好幾年才進一次診間。
也就是說，你身為一個病人的完整敘事，中間絕大部分是空白的。你昨天睡得好不好、這個月體重怎麼變、上禮拜開始的那個酸痛，全部都不在任何資料集裡。
她的預測是，接下來會有一批公司專門做「N of 1」的實驗，也就是一個人一套的超個人化方案，然後這些方案本身會產生新的資料軌道，再回頭餵養下一代模型。
她給的十年後預測是：每個人口袋裡都會有一個陪你一輩子的 AI 醫生。
不是那種你不舒服才打開的一次性問答，而是一個持續認識你、記得你每一次狀況的東西。她說現在的醫療 AI 高度「交易化」，問完就結束，沒有連續性。連續性才是真正的價值所在。
幾個我自己的判斷
第一，這集講的整個結構在台灣不太一樣，因為健保把第三方付費的問題壓得很平，我們沒有一千美金自付額逼出來的自費市場。但「等待時間」跟「醫師產能媒合」這兩個痛點是共通的，甚至更嚴重，大醫院名醫的號一樣搶不到。
第二，蛙跳邏輯我認為是真的，但風險是跳得太急。一個從來沒有數位化過的組織，直接導 AI agent，中間缺的不是模型，是流程本身根本沒被定義過。之前在AI Agent 跨不進 production 的真相提過那道 demo 到上線的溝，醫療只會更寬，因為出錯的代價是人命。
第三，Julie 沒有明說但我覺得藏在底下的是：AI 在醫療真正的商業機會，不在「更聰明的診斷」，在「更便宜的交付」。診斷這件事會迅速商品化，通用模型免費送。真正能收錢的，是那些把成本壓到讓一個月十美金的服務在財務上成立的公司。
十五年前她拿鑿子敲混凝土牆的時候，這些都做不到。現在牆變薄了，但站在牆前面的人也多了很多。
如果覺得這類產業拆解有幫助，我的其他文章都在 wilsonhuang.xyz，不嫌棄的話歡迎訂閱。
Sources:
推薦閱讀
喜歡這篇文章嗎？
訂閱電子報，每週收到精選技術文章與產業洞察，直送你的信箱。
💌 隨時可以取消訂閱，不會收到垃圾郵件