Abridge：一家用一億次對話餵養 AI 的醫療獨角獸

TL;DR

• Abridge 是一家從醫病對話切入的 AI 公司，創立於二零一八年，目前估值五十三億美金，服務超過兩百五十家美國醫療系統
• 美國醫生平均每週要花十到二十小時做病歷記錄，這就是業界俗稱的 pajama time（睡衣時間），下班回家還要繼續打字
• Abridge 的三幕劇：第一幕省時間、第二幕幫醫院省錢賺錢、第三幕救命
• 真正的護城河不是模型，是已經累積到接近一億次的醫病對話資料，加上跟 EHR（電子病歷系統）的深度整合
• Prior Authorization（事前授權）是最有殺傷力的應用案例，把過去要拖兩到三週的審核流程壓縮到病人離開診間之前完成
• Chai 從 Glean 跳到 Abridge，他說兩家公司本質都在解同一個問題：context is king，模型再強，沒有 context 都是廢的
• Janie 的反骨觀點：在 AI 時代大家都說 PRD 死了原型萬歲，但在高賭注產業裡剛好相反

Latent Space × Unsupervised Learning：兩個圈內節目的 crossover

這集是 2026 年五月十四日上線的 crossover，主持單位是 Latent Space 跟 Unsupervised Learning。Latent Space 由 swyx（Shawn Wang）跟 Alessio Fanelli 共同主持，定位是給 AI 工程師看的硬技術節目，每集都會找一個產業內部人來拆模型、infra、工具鏈的細節。Unsupervised Learning 則是 Redpoint Ventures 旗下的 AI podcast，主持人之一 Jordan Segall 是 Redpoint 的投資人，這集合錄的原因是 Redpoint 早期投了 Abridge，兩個主持人各自從技術跟投資兩個角度發問，問題會比一般 podcast 來得更尖。

來賓是 Abridge 的兩位主管。Janie Lee 是產品副總，過去歷練包括 Atlassian、Loom、Opendoor 這幾家 SaaS 老牌，是那種對複雜 B2B 產品有 muscle memory 的人。Chai Asawa 負責 Clinical Decision Support（臨床決策支援），他在 Abridge 之前是 Glean 的創始工程師之一，待了超過六年，所以這集很多 context engineering 的觀點都是從 enterprise search 借過來的。Abridge 本身在二零二五年六月拿了 a16z 領投的三億美金 Series E，估值跳到五十三億，是現在 ambient AI scribe（環境式醫療轉錄）這個賽道的龍頭，過去十二個月對手包括 Microsoft Nuance DAX、Suki、Doximity 全部被它甩開一段距離。

Pajama Time 是什麼？醫生在自己家穿著睡衣加班

先從 pajama time 講起。

美國醫生每週花十到二十小時在「做病歷」這件事上。看完門診下班回家，吃完飯洗完澡，穿著睡衣坐在書桌前繼續打字補當天的紀錄，這就叫 pajama time。Janie 在訪談裡講了一個她自己很喜歡的客戶故事：他們公司內部 Slack 有一個叫 Love Stories 的頻道，裡面有醫生留言說「我本來打算提早退休的，用了 Abridge 之後決定再做幾年」「我終於能準時下班跟小孩一起吃晚餐」，甚至有人寫「我跟我太太不離婚了」。

不離婚的原因不是感情變好了，是因為終於不用每晚熬夜打病歷，太太不再覺得這個老公整天在書桌前消失。

這個切入點很 powerful，因為它把 AI 應用的價值從「省時間」這種乾的指標，拉到「修復人際關係」的層次。比 ROI report 上的數字更難被取代。

三幕劇：省時間、賺錢、救命

Janie 把 Abridge 的產品路徑拆成三幕。

第一幕：省時間。這是初代產品做的事，把醫病對話即時轉成符合規格的病歷，醫生不用再 pajama time。

第二幕：幫醫院省錢跟賺錢。美國醫療系統現在的營運利潤率創歷史新低，CFO 要的不是「醫生比較開心」這種定性結論，要的是「每投入一塊錢拿到多少回報」。Abridge 開始切到 billing（帳單）跟 revenue cycle（收入循環），讓病歷不只是病歷，是可以直接拿去申請保險給付的合規文件。

第三幕：救命。產品每週被打開幾百萬次，從病人進診間之前、看診過程中、看診之後，都有機會用 AI 提醒醫生做出更好的判斷。

這三幕的順序非常合理。先解決一個直觀的痛點建立信任，再切進 ROI 的硬指標讓決策層買單，最後才談「改善病人預後」這種影響力最大但最難量化的東西。先繳學費再寫考卷，這個劇本拿來看任何垂直 AI 都適用。

MRI 那通你接過的電話：Prior Auth 怎麼變成秒解

整集最有畫面感的例子是 Prior Authorization（事前授權）。

想像你膝蓋痛去看醫生，醫生開了 MRI 檢查單。四週後保險公司打電話來：「先生，那個 MRI 沒有過審，您要不要再回診一次？」這個流程在美國醫療每天上演幾百萬次。

Abridge 的解法是把整個審核流程往前壓到病人還沒離開診間的時候。系統會偵測到醫生開了 MRI，然後在後台跑一遍保險公司的審核規則（Aetna 在加州的政策可能就有六條），把資料庫裡已經滿足的四條勾掉，剩下兩條沒被滿足的部分，會悄悄提醒醫生：「在這位病人離開之前，請問他物理治療做過了沒？疼痛持續超過六週了嗎？」

醫生問完，兩個資訊補上去，MRI 當場過審。原本要花兩到四週才會出結果的程序，被壓縮到「病人還沒站起來」的時間尺度內。

這個案例之所以漂亮，是因為它同時碰到了 AI 落地的三個最難參數：quality、latency、cost。要在對話進行中提供精準的決策支援，模型不能笨，反應不能慢，token 燒太兇又會虧本。Chai 提到他們的策略是「constellation of models」（模型星座），用便宜快的小模型先做 triage，挑出值得動用大模型的 case 再升級處理，這個思路跟前 OpenAI 工程師那集講的 coding agent context 管理其實是同一套邏輯，只是場景換到醫療。

真正的護城河是接近一億次的對話資料

Abridge 已經累積了接近一億次的醫病對話資料。

這個數字的意義是什麼？Chai 在訪談裡用了一個我覺得很到位的比喻：這些對話是「醫療系統的 trace」，是病人跟醫生互動的最完整紀錄，相當於軟體工程裡的 debug log。有了這份 log 就能做兩件事：第一，訓練自己的小模型在特定任務（轉錄、診斷分離、病歷生成）上比通用模型更便宜更準；第二，建立 evaluation 標準，知道什麼叫「好的」病歷、什麼叫「會被保險公司打回票的」病歷。

而且這份資料是 self-reinforcing 的。醫生對病歷的每一次手動修改，都是一次免費的標註，告訴系統「這裡你寫得不對」。Janie 把這個叫「memory exhaust」，是產品自然吐出來的副產品，但對訓練下一代模型而言是最珍貴的養分。

這也是為什麼模型廠商再強，都很難直接切進這個賽道。OpenAI 跟 Anthropic 的模型會持續變好，但他們拿不到這份對話資料。Abridge 把自己定位成「模型調度層」，誰強用誰，但 context 跟資料的所有權牢牢握在自己手裡。

這套邏輯 Box CEO Aaron Levie 在 Latent Space 那集也講過：AI coding 已經起飛，但企業知識工作還沒，差別就是後者的 context 又散又亂，沒有 Box 這種公司把資料整理好，agent 跑進去也是亂跑。Abridge 在醫療領域做的是同一件事。

個性化要分三層做

Abridge 對 personalization 的拆解很細，分成三層。

層級	個性化內容	範例
個人層	醫生個人偏好	要 bullet 還是段落、句點後要兩個空格、要某種特定模板
專科層	不同科別的需求	心臟科病歷跟皮膚科病歷的結構完全不同
醫院層	各家醫院的內部規範	醫院累積幾十年的 best practice 要被嵌入決策建議

最有意思的是個人層那一層。Janie 說他們收到的回饋包括「我要求每個句子之間有兩個空格」「我拒絕使用這個工具因為它把我的口頭禪改掉了」。產品團隊的挑戰是怎麼讓這些風格偏好不去影響到核心的準確度跟合規性。一個句子兩個空格沒關係，但如果醫生堅持用一個不合規的縮寫，產品就要懂得擋下來。

醫院層的設計更有意思。如果一家醫院花了十幾二十年累積出自己的「最佳實踐指南」，他們會希望這些 know-how 被嵌入 AI 的決策建議裡。當醫院願意把這份資料交給你產品化，你就變成這家醫院的關鍵基礎設施，要再被換掉成本極高。這就是 SaaS 時代我們在講的「資料黏性」，只是換到醫療場景強度更高。

Janie 的反骨觀點：PRD 還沒死

聊到最後主持人問「過去一年你對 AI 改觀最多的點是什麼」，Janie 給了一個很反主流的答案。

現在矽谷的共識是：在 AI 時代，原型（prototype）就是 PRD，寫文檔太慢了，做出來給人看比較快。Janie 說她一度也是這樣相信的，但在 Abridge 用了一段時間之後改觀了。

原因是 Abridge 在做的事情賭注太高。一個 prototype 可以很好看，可以讓 demo 很驚豔，但它沒辦法告訴你：

1. 這個產品需不需要客戶端的客製化才能上線？
2. 跟 EHR 的整合會不會碰到 API 沒開的問題？
3. 病人資料的 HIPAA 合規邊界在哪裡？
4. 競爭對手如果三個月後抄走這個功能我們的護城河在哪？

這些都要寫出來才看得清楚。她說「在資訊太多的世界裡，清楚的書面思考比任何時候都重要」。這個觀點對應到一個更大的命題：當執行成本被 AI 降到逼近於零，瓶頸就從「能不能做」變成「該不該做」。

我自己做產品也有類似的體會。AI 讓你可以瘋狂出 prototype，但每個 prototype 都會吃掉團隊的 attention budget，最後你會發現真正的瓶頸不是寫 code 的速度，是判斷的清晰度。

Trust is earned in buckets

最後想留一句 Janie 講的話。她說 Abridge 跟客戶醫院的關係是「trust is earned in buckets」（信任是一桶一桶累積出來的）。

最早期 Abridge 跟醫院的 release cycle 是每季一次，半年一次都有。隨著信任累積到一定程度，他們把節奏拉到每月一次。現在已經有一部分客戶醫院願意跟他們玩「我們想當第一個用你新產品的人」這種協作模式，等於把醫院當成 alpha tester。

這對任何做 B2B 高賭注產品的人都是個好框架。你不是一上場就拿到全部的權限，你是一桶一桶把信任賺進來，每桶都是用一次無事故的上線、一次主動的問題回報、一次對齊客戶痛點的功能換來的。

醫療這個領域的 bar 很高，但同樣的邏輯放到金融、法律、國防這些垂直賽道也都成立。垂直 AI 的真正門檻從來不是模型有多聰明，是你願不願意花五到十年的時間，一桶一桶把信任賺回家。

---

如果這篇對你看 AI 在傳統產業的落地有幫助，wilsonhuang.xyz 上還有更多類似的產業觀察文章，歡迎訂閱追蹤。