4000萬美元！紅杉美國和NEA搶投這家醫療AI公司

想象一下這個場景：一位癌癥患者剛剛結束與腫瘤科醫生的會診，醫生建議立即開始化療。但在傳統流程中，這位患者需要等待幾周時間，才能獲得保險公司的治療批準。在這幾周里，患者焦慮不安，病情可能惡化，醫生和護士則要花費大量時間準備材料、打電話追蹤進度、填寫各種表格。這不僅是醫療體驗的問題，更關乎生命。現在，有一家公司正在用 AI 技術將這個等待時間壓縮到 155 秒。是的，你沒看錯，從幾周變成不到三分鐘。這意味著患者可以在還坐在診室里的時候，就獲得治療批準，立即開始治療計劃。

這家公司叫 Anterior，剛剛完成了 4000 萬美元的融資，使其總融資額達到 6400 萬美元。這輪融資由 NEA 和 Sequoia Capital 繼續參與，新投資者包括 FPV 和 Kinnevik。但讓我真正感興趣的不是融資金額本身，而是他們正在解決的問題以及他們解決問題的方式。在我看來，Anterior 代表了 AI 在醫療保健領域應用的一個關鍵轉折點：從技術炫技轉向實際落地，從概念驗證轉向規模化部署。他們的故事揭示了一個深刻的洞察：AI 在醫療保健領域頻繁失敗，并非因為技術不夠先進，而是因為實施方法根本錯了。

醫療保險行業的頑疾：事前授權的噩夢

在深入討論 Anterior 的創新之前，我覺得有必要先理解他們要解決的問題到底有多嚴重。事前授權，也就是 prior authorization，是美國醫療保險體系中最令人頭疼的環節之一。簡單來說，就是患者在接受某些治療或檢查之前，必須先獲得保險公司的批準。這個流程的初衷是合理的：防止不必要的醫療支出，確保治療方案符合臨床指南。但在實際執行中，它卻變成了一場災難。

從患者角度看，等待審批意味著治療被推遲，焦慮感加劇，病情可能惡化。我經常聽到身邊朋友抱怨，明明醫生說需要做某個檢查或手術，卻要等保險公司批準，一等就是一兩周甚至更久。在這段時間里，他們不知道自己能否得到治療，不知道費用會不會被覆蓋，只能被動等待。對于癌癥、心臟病這類需要緊急治療的疾病，這種延遲可能直接影響治療效果甚至生存率。

從醫療機構角度看，事前授權流程消耗了大量人力和時間。護士和醫生需要花費數小時整理病歷資料、填寫表格、與保險公司溝通。我認識的一位護士朋友曾告訴我，她每天有三分之一的時間都在處理各種行政文書工作，而不是照顧患者。這不僅降低了醫療效率，也是導致醫護人員職業倦怠的重要原因之一。想象一下，你選擇從醫是為了救死扶傷，結果卻發現自己大部分時間都在填表格、打電話、等待回復，這種挫敗感可想而知。

從保險公司角度看，他們也面臨巨大挑戰。他們需要雇傭大量臨床審核人員來處理這些授權請求，需要建立復雜的流程和系統來管理審批。每一份授權請求都需要人工審閱病歷、對照臨床指南、做出判斷。這個過程既昂貴又低效。而且，由于審核人員工作量巨大，難免會出現延遲或錯誤，進一步惡化了整個系統的表現。可以說，事前授權是一個三輸的局面：患者體驗差，醫療機構負擔重，保險公司成本高。

為什么 AI 在醫療保健領域頻繁失敗

在過去幾年里，無數科技公司試圖用 AI 解決醫療保健領域的各種問題。我見過太多令人興奮的演示和概念驗證項目，但絕大多數都止步于試點階段，無法真正規模化部署。這個現象讓我深思：為什么 AI 在其他行業已經取得巨大成功，在醫療保健領域卻如此艱難？

Anterior 的 CEO Abdel Mahmoud 博士給出了一個非常精辟的回答："醫療保險領域的 AI 之所以舉步維艱，不是因為技術差距，而是因為實施被當作事后考慮的問題。"這句話擊中了要害。大多數醫療 AI 公司采用的是"技術優先"的方法：他們開發出一個先進的 AI 模型，然后試圖說服醫療機構使用它。他們假設只要技術夠好，采用就會自然發生。但現實完全不是這樣。

醫療保健是一個極度復雜、高度監管、風險極高的領域。一個 AI 系統不僅需要技術上可行，還需要在真實的臨床工作流程中無縫運行，需要被臨床醫生信任和接受，需要符合各種法規要求，需要能夠審計和解釋，需要與現有的各種系統集成。這些"非技術"因素往往比技術本身更難解決。我見過太多案例，AI 模型在實驗室環境中表現完美，但一旦部署到真實環境中就問題百出，因為它無法處理真實數據的混亂性，無法適應復雜的工作流程，或者無法獲得臨床醫生的信任。

更深層的問題在于，許多 AI 公司并不真正理解醫療機構的運作方式和臨床醫生的工作需求。他們開發出的解決方案可能在技術上很先進，但在實際使用中卻非常笨拙或不實用。比如，一個需要臨床醫生花費額外時間輸入數據的 AI 系統，不管它多么智能，都不會被廣泛采用，因為臨床醫生已經忙得不可開交了。或者一個輸出結果難以理解或無法解釋的 AI 系統，臨床醫生也不會信任它，因為他們需要對自己的決策負責。

我認為，這就是為什么通用的大語言模型雖然強大，但無法直接應用于醫療保險工作流程的原因。Mahmoud 博士明確指出，通用大語言模型可以支持一些醫療保險任務，但缺乏醫療保健領域日常使用所需的準確性和集成能力。換句話說，技術只是第一步，"最后一公里"——讓大語言模型在醫療保健中真正可用——才是最難的部分。這需要解決準確性、安全性、集成性和可審計性等一系列問題。

Anterior 的差異化：實施優先而非技術優先

Anterior 的創新之處在于，他們從一開始就圍繞一個不同的前提構建公司："AI 只有在由臨床醫生部署、與臨床醫生并肩工作時，才能在醫療保健領域發揮作用。"這不僅僅是一句口號，而是滲透到他們整個商業模式和產品設計中的核心哲學。Mahmoud 博士說："我們在實施上的投入與在技術上的投入一樣多，市場反應驗證了這種方法。"

這種方法的具體體現是什么？不同于那些開發一個 AI 產品然后交付給客戶自己部署的公司，Anterior 采用的是深度嵌入式的合作模式。他們不僅提供技術，還派遣工程師和臨床醫生直接與客戶團隊合作，將技術定制到現有工作流程中，測試輸出結果，幫助員工在實踐中使用它。這種方法被稱為"Forward Deployed Clinician"（前沿部署臨床醫生）模型，是 Anterior 的一大創新。

我特別欣賞這個模型的地方在于，它承認了一個基本事實：每個醫療保險公司的工作流程都是獨特的。他們使用不同的系統，有不同的政策，面臨不同的挑戰。沒有一個通用的 AI 解決方案可以完美適配所有組織。因此，成功部署 AI 需要深入理解每個組織的具體情況，并進行針對性的定制和優化。這就是為什么 Anterior 要派遣臨床醫生和工程師駐場工作，他們可以觀察實際工作流程，與一線員工溝通，發現痛點，然后調整 AI 系統以最好地滿足需求。

從客戶反饋來看，這種方法確實產生了顯著效果。MedWatch 的首席運營和技術官 Valerie Limpus 說："當我們第一次接觸 Anterior 時，我對 AI 能否在我們的臨床工作流程中大規模運作持懷疑態度。現在我們已經在數百名護士中部署了 Anterior，生產力顯著提高，護士們都很喜歡使用它。"WNS-HealthHelp 的首席戰略和產品官 George Gjermano 則強調了 Anterior 的協作性："Anterior 與眾不同的地方在于他們的協作方式。我與很多醫療科技供應商合作過，但 Anterior 不同。他們真的會接電話并與你一起解決問題。"

這些評價看似簡單，但實際上揭示了 Anterior 成功的關鍵：他們真正將客戶的成功視為自己的成功，愿意投入時間和資源來確保部署順利。在一個充滿了"交付即離開"的供應商的行業中，這種深度合作的態度顯得尤為珍貴。我認為，這也是為什么 Anterior 能夠在短時間內實現如此快速的擴張和如此高的客戶滿意度的原因。

模塊化 AI 平臺：從技術架構到實際應用

Anterior 的技術架構也體現了他們"實施優先"的哲學。他們沒有開發一個單一用途的 AI 工具，而是構建了一個模塊化的臨床 AI 推理平臺。這個平臺提供了多種可組合的模塊化 actions，比如讀取傳真、根據指南解讀醫療記錄、將政策 PDF 轉換為決策邏輯等。醫療保險公司可以將這些模塊組合起來，大規模自動化其員工的工作流程。

我覺得這種模塊化方法非常聰明，因為它提供了靈活性而不犧牲深度。醫療保險公司可以根據自己的具體需求選擇和組合不同的模塊，而不是被迫使用一個一刀切的解決方案。同時，每個模塊都經過深度優化，確保在其特定任務上表現出色。這就像是樂高積木：每一塊積木本身都設計精良，但真正的價值在于你可以用它們構建出無限多種組合。

Mahmoud 博士強調："在核心層面，我們有一個臨床 AI 推理平臺。"這個"推理"能力是關鍵。不同于簡單的自動化工具，Anterior 的 AI 能夠理解復雜的臨床情境，應用醫學知識和保險政策規則，做出合理的判斷。比如，在處理事前授權請求時，AI 需要讀取患者的病歷，理解診斷和推薦的治療方案，查閱相關的臨床指南和保險政策，然后判斷這個治療是否符合批準標準。這個過程涉及多步推理和決策，而不僅僅是模式匹配。

更重要的是，Anterior 解決了醫療 AI 最關鍵的"最后一公里"問題。正如 Mahmoud 所說，AI 有時在醫療保險領域失敗"不是因為模型的問題，而是因為實施的問題"。Anterior 專注于讓大語言模型在醫療保健中真正可用，解決準確性、安全性、集成性和可審計性等問題。他們的系統不僅要準確，還要能夠與現有的各種醫療保險系統集成，要能夠解釋其決策過程以滿足監管要求，要足夠安全以保護患者隱私。

從定價模式來看，Anterior 也體現了對客戶價值的關注。他們基于創造的價值向醫療保險客戶收費，定價因使用場景而異，也可能包括基于任務的費用，比如每個自動批準的事前授權收費。這種價值導向的定價模式將 Anterior 的利益與客戶的利益緊密綁定：只有當 AI 真正創造價值時，Anterior 才能獲得收入。這進一步激勵他們確保系統在實際環境中表現出色。

實際成果：數字背后的真實影響

理論和方法論固然重要，但最終還是要看實際成果。從 Anterior 公布的數據來看，他們的方法確實產生了令人印象深刻的結果。讓我們仔細看看這些數字背后的意義。

首先是臨床準確率：99.24%，這個數字由 KLAS Research 獨立驗證。在醫療保健領域，準確性不是一個可以妥協的指標。一個錯誤的批準決策可能導致不必要的醫療支出，一個錯誤的拒絕決策可能延誤必要的治療。99.24% 的準確率意味著在實際生產環境中，Anterior 的 AI 系統幾乎總是能夠做出正確的判斷。而且這不是在受控的實驗室環境中達到的，而是在真實的、復雜的臨床工作流程中實現的。

其次是效率提升：某大型企業客戶在數百名護士中部署 Anterior 后，臨床審核周期減少了約 75%。這意味著原本需要四小時完成的工作，現在一小時就能完成。或者原本需要四天處理的授權請求，現在一天就能處理完。這種效率提升不僅節省了成本，更重要的是加快了患者獲得治療的速度。想象一下，成千上萬的患者因此可以更快地開始治療，這對整個醫療體系的影響是巨大的。

第三是員工滿意度：超過 90% 的員工滿意度。這個數字特別有意義，因為它表明 AI 不是在取代或威脅員工，而是真正在幫助他們。我認為這是 AI 成功應用的一個關鍵標志：當一線員工喜歡使用這個工具時，說明它真正解決了他們的痛點，讓他們的工作變得更輕松而不是更復雜。護士們不再需要花費大量時間處理繁瑣的行政工作，可以將更多精力投入到患者護理中，這正是他們選擇這份職業的初衷。

Geisinger Health Plan 的案例更是令人震撼。癌癥治療的批準時間從幾周縮短到約 155 秒。讓我們把這個數字放到具體場景中理解：一位剛被診斷出癌癥的患者，坐在腫瘤科醫生的辦公室里，醫生建議立即開始化療。在傳統流程中，這位患者需要離開診室，焦慮地等待幾周時間。但現在，醫生可以在會診過程中提交授權請求，系統在 155 秒內給出批準，患者還坐在診室里就已經可以開始安排治療了。這不僅是效率的提升，更是患者體驗和治療效果的根本改善。

從規模來看，Anterior 目前支持覆蓋 5000 萬人的醫療保險組織。這意味著他們的系統已經不是在小規模試點，而是在為數千萬人的醫療保險決策提供支持。同時，他們實現了平均 5 天的部署周期，這在企業軟件領域是非常罕見的快速部署速度，尤其是在醫療保健這樣一個復雜和高度監管的領域。

這些數字共同描繪了一幅圖景：Anterior 不僅在技術上成功，更重要的是在實際應用中創造了真實的、可衡量的價值。這正是投資者 FPV Ventures 的管理合伙人 Pegah Ebrahimi 所說的"真正的 AI 投資回報（RO'AI）"。在一個充滿了無法產生回報的 AI 投資的環境中，Anterior 用實際成果證明了其價值。

醫療 AI 的未來：從點解決方案到全面平臺

在與多位醫療科技從業者交流后，我逐漸形成了一個觀點：醫療 AI 正在經歷一個關鍵的轉型期，從碎片化的點解決方案轉向全面的平臺化方案。Anterior 的戰略正是這一趨勢的體現。

Mahmoud 博士在談到競爭格局時，將競爭對手分為兩類。第一類是針對特定醫療保險工作流程的點解決方案。他表示對這些公司的工作很尊重，并承認在某些工作流程上可能有重疊。但他強調："Anterior 正在構建更廣泛的東西：一個跨醫療保險全系列工作流程運作的臨床 AI 大腦，從事前授權到護理管理，到支付完整性，到風險調整。"

我認為這個定位非常關鍵。醫療保險公司面臨的挑戰不是單一的，而是系統性的。事前授權只是眾多需要優化的工作流程之一。還有護理管理（確保患者獲得適當的護理）、支付完整性（防止欺詐和不當支付）、風險調整（準確評估患者健康風險以合理定價）等等。如果每個工作流程都需要一個單獨的 AI 系統，醫療保險公司就會面臨集成噩夢：多個系統、多個供應商、多個界面、多個數據格式。

Anterior 的平臺化方法試圖解決這個問題。通過構建一個統一的臨床 AI 推理平臺，他們可以跨多個工作流程提供一致的 AI 能力。這不僅簡化了集成和管理，還創造了協同效應：在一個工作流程中學到的知識和改進可以應用到其他工作流程中。而且，隨著平臺處理更多的數據和更多的場景，AI 模型會變得越來越智能和準確。

第二類競爭對手是大型科技公司，如 Anthropic 和 OpenAI。有趣的是，Mahmoud 將 Anterior 與這些公司的關系描述為"合作競爭"而非單純競爭，視它們為潛在合作伙伴。這個觀點很有啟發性。大型科技公司擅長開發通用的、強大的基礎模型，但他們通常不會深入到特定行業的應用層面。Anterior 可以在這些基礎模型之上，構建專門針對醫療保險工作流程優化的應用層，解決準確性、集成性、可審計性等"最后一公里"問題。

從更宏觀的角度看，我認為 Anterior 代表了醫療 AI 發展的一個重要方向：專業化的垂直整合。與其試圖構建一個適用于所有行業的通用 AI，不如深入到一個特定領域，真正理解這個領域的復雜性，構建針對性的解決方案。醫療保險就是一個足夠大、足夠復雜、足夠有價值的垂直領域，值得一家公司全力以赴地深耕。

我對醫療 AI 落地的深層思考

在研究 Anterior 的過程中，我對 AI 在醫療保健領域的應用有了一些更深層的思考。這些思考超越了單個公司或技術，觸及了整個行業轉型的本質。

我越來越相信，AI 在醫療保健領域的價值不在于替代人類，而在于重新定義人類的角色。Mahmoud 博士有一句話讓我印象深刻："臨床醫生變成了 AI 的監督者，而不是文書工作的處理者。"這句話抓住了核心：AI 應該解放臨床醫生，讓他們能夠專注于真正需要人類判斷、同理心和專業知識的工作，而不是被繁瑣的行政任務淹沒。

想象一下未來的醫療保險工作流程：AI 自動處理 90% 的常規授權請求，只將復雜或邊緣案例提交給臨床醫生審核。臨床醫生不再需要逐字逐句閱讀每份病歷、查閱每條政策規則，而是專注于那些真正需要專業判斷的困難案例。這不僅提高了效率，也提升了工作質量和滿意度。臨床醫生可以運用他們多年的專業訓練去解決真正有挑戰性的問題，而不是重復性地處理簡單案例。

但這種轉型需要建立在信任的基礎上。臨床醫生必須信任 AI 系統的判斷，相信它不會犯致命錯誤。這就是為什么 99.24% 的臨床準確率如此重要，為什么可解釋性和可審計性如此關鍵。如果臨床醫生不信任 AI，他們就會重新審查每一個 AI 決策，這樣 AI 就沒有產生任何效率提升，反而增加了額外的工作負擔。

我也思考了 AI 對醫療公平性的影響。理論上，AI 可以通過標準化決策流程來減少人為偏見和不一致性。如果每個授權請求都由同一個 AI 系統根據同樣的標準評估，那么來自不同背景、不同地區的患者應該得到更公平的待遇。但前提是 AI 系統本身沒有偏見，這需要在訓練數據、算法設計和驗證過程中都保持警惕。Anterior 的做法是將臨床醫生深度嵌入到系統開發和部署中，這有助于發現和糾正潛在的偏見。

從經濟角度看，我認為像 Anterior 這樣的 AI 平臺有潛力從根本上降低醫療成本。美國醫療體系的一個大問題是行政成本過高，據估計占總醫療支出的 25-30%。如果 AI 能夠大幅減少行政成本，節省下來的資源可以用于實際的患者護理。同時，通過加快授權流程和改善護理協調，AI 還可以改善治療效果，避免不必要的并發癥和再入院，進一步降低成本。

但我也看到一些挑戰和風險。隨著 AI 在醫療決策中扮演越來越重要的角色，責任歸屬問題會變得復雜。如果 AI 做出了錯誤的批準或拒絕決策，誰應該負責？是 AI 開發公司、醫療保險公司，還是監督這個決策的臨床醫生？這需要法律和監管框架的更新。另外，過度依賴 AI 也可能導致臨床技能的退化。如果臨床醫生習慣了讓 AI 處理大部分案例，他們是否還能保持敏銳的臨床判斷能力？

隱私和數據安全也是一個重要考慮。AI 系統需要訪問大量敏感的患者數據才能運作。雖然這些數據通常是去標識化的，但仍然存在泄露或濫用的風險。醫療保險公司和 AI 供應商需要實施嚴格的數據保護措施，確保符合 HIPAA 等法規要求。Anterior 作為一個處理高度敏感醫療數據的平臺，必須在這方面做到極致的謹慎。

結尾

也歡迎大家留言討論，分享你的觀點！

覺得內容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產出更好的內容。

歡迎關注深思圈，一起探索更大的世界。

- END -

兩個“特別坑”的AI產品創業方向，你知道嗎

速度將成為AI時代唯一的護城河

a16z重磅預測：Vibe coding贏者通吃？錯了，垂直專業化才是未來