给养老院百万请不到三甲医生，一套数字全科 AI 为何成最优解？

西门子一年面试5万人，养老院长花高价请不来三甲医生：专业场景AI落地的第一刀，砍的不是数据

"信了，才会朝着那个方向探索。不信，连门都摸不到。"

西门子一年要面试5万人。不是"想面"，是"必须面"：校招季涌进来的候选人像洪水，以前靠人根本接不住。

某养老院长愿意花高价请三甲医生坐诊，人家不来，给钱都不来。

新加坡某主权基金，30个人的法务团队要服务5到6个市场，人均负荷爆炸。

这些场景的共同点是：专业壁垒极高，人不够用，钱花了事还办不成。AI看起来是解药，对吧？四位创业者——招聘、法律、医疗全科、医疗交互——坐在一起聊完，我发现一个反直觉的事：真正卡住他们的，从来都不是技术。

"你信不信大模型能搞定你的行业？"

方小雷做了9年AI面试，从几个亿参数的小模型干到现在。他说最难的事是一个translation：把物理世界的用人标准，翻译成AI世界能理解的东西。背后是工业心理学那套胜任力模型， Hidden rules一堆，得靠科学建模一点点抠。很多人卡死在这里，进来一大批，走掉一大批。

Max Ye做法律AI，合同审查场景。他说第一公里有三件事：数据、场景理解、专家把控。数据得结构化，律师改文件的track changes、highlight、comments，全是宝贝，得整理成playbook。然后场景理解，不同合同不同rules。再溯源，告诉律师为什么这么改。Document engineering花了大量时间。

听起来都很对，都是干货。但邓江直接把这层窗户纸捅破了。

他拿马斯克举例子：5年前大家都觉得火箭回收是天方夜谭，纯视觉无人驾驶更是扯淡，只有激光雷达能解决问题。但马斯克信。信了，才会朝着那个方向探索。不信，技术路线一开始就歪了。

说白了，很多公司是基于"当下的技术局限性"在创业。这在大部分时代是极度理性的做法，但AI时代不行。硅基进化速度太快了，你按今天的边界去设计产品，三个月后天就变了。

所以数据不够？可以补。场景不理解？可以学。但创始人不信，这事就从根本上不可能成。

孙君韡的说法更接地气。横方健康做了5年医患交互，他的第一公里是"产品力"。不是AI技术牛就够了，是跟场景的深度耦合。上海复旦肿瘤、北京肿瘤、中山瑞金这帮顶级专家，天天有大模型公司找他试用，用了两三天就扔。为什么？因为AI给了"有用的"答案，但没给"好用的"体验。

说到底，AI医疗这个赛道，技术不是门槛，场景耦合才是。孙君韡说得很直接：医生有付费能力，但没付费意愿，更没付费习惯。横方健康早期就是硬从医生口袋里掏钱，靠的就是把产品扎进诊室那3分钟的褶皱里。

通用大模型像个天赋极高但脾气古怪的实习生，啥都能聊，但一到专业场景就掉链子。怎么驯服？

方小雷的路径最务实。他们做AI面试的时候还没有大模型，小模型时代全靠自己训。现在有了大模型，他们的策略是：不同地方用不同的。有的环节对信息安全要求不高，直接调API；核心判断环节，用自研模型。秋招季十几万候选人同时涌进来，安全第一、稳定第一、成本第一，效果都可以稍微妥协。

他说了一句话我印象很深：所有一切都处在不断从imbalance到balance的过程中。翻译成人话就是，没有一劳永逸的方案，永远在动态调参。

Max Ye的做法更"切"。法律场景下模型不可控，尤其是合同审查：你告诉它"按买方立场审"，它根本听不懂。所以ThinkSpace AI把一个审查场景切了20多个工作流，用户完全感知不到。每个环节测不同模型的优势，总结任务用轻模型，复杂判断用重模型。完了再套一层cross check，改过的条款必须告诉律师：为什么这么改，参考了哪条rule、哪个playbook。

这话听起来很狂，但他的逻辑是自洽的：如果你做的产品目标是"让用户放弃思考"，那你自己得先学会放弃思考。未来人类的核心角色是决策，不是思考。

孙君韡的策略是"守正出奇"。守正是战略端不纠结自研还是底座模型，更关注是不是一个优秀的医疗产品经理，能不能找到专家诊疗过程中的"褶皱"。出奇是战术端，每个医生配一个私有RAG，用医生的历史数据去约束模型输出。当doctor when model，该医生出场的时候绝不全交给AI。

技术再强都要搞钱。四位嘉宾的买单逻辑，刚好拼成一张完整的地图。

方小雷打的是纯降本。西门子一年面5万人，以前要堆大量HR和业务领导的时间、差旅、组织成本。AI面试官上去，校园招聘季节80%到90%的成本直接打掉。他说客户付费的理由很简单：跟没用AI之前的管理费用直接对比，账一算就明白。

但他后来补了一句更狠的：用人去挑另一个人，本身就有问题。AI面试官的真正价值是"一把尺子量到底"，统一标准。

Max Ye打的是增效。新加坡主权基金30人法务团队服务5到6个市场，两个人的小基金也要覆盖多个市场。重复性合同审查占掉大量时间，AI先把活干一遍，flag出重点条款、提示风险、给出修改建议，回到法务手上时已经是一个"半成品"。法务从执行者变成决策者。而且所有修改数据沉淀下来，变成企业knowhow，新人来了直接继承，不怕人走茶凉。

他们的产品本质是帮法务部建立了一个不断自我迭代的记忆库。

孙君韡的商业化理解最"冷"。他说如果只定位降本，很容易变成项目制的乙方，"今天他是搞AI的，过来帮我搞一个项目进场，变成纯纯的牛马"。要做成"农耕民族"，必须有积累，必须走增效路线，因为增效才有溢价空间。横方健康的买单方分两块：医生和企业。医生端解决的是"诊室3分钟心有余力不足"的具体褶皱；企业端（药企、保险）解决的是"新患者在哪里、老患者怎么持续用药"的战略问题。

王朝超CC补了一句：不能简单用降本或增收概括，核心是ROI。投入有限，增收可能无限，关键看回报比。

聊完当下，聊未来。三五年后，这些专业场景会变成什么样？

方小雷的描述最像科幻片，但已经在发生。他做了一个AI群才智能体，帮HR在招聘网站上全自动跟候选人聊天、要简历。这还不够，外面已经有产品在做"候选人分身"：你的招聘agent跟对方的候选agent聊天，A to A。聊得差不多了，再搬到微信或WhatsApp上，真人出场收个尾。以前招聘只能在白天进行，以后24小时不停。双方效率都提升，匹配质量反而可能更好，因为AI没有情绪波动，不会聊累了就看走眼。

Max Ye用了一个自动驾驶的比喻：法律文件处理从L1到L5。基础文件完全可以自动化，复杂文件半自动，给建议，人做最终决策。未来会从法务部门延伸到整个corporate governance，企业文件管理、合规，knowhow不断沉淀，越来越自动化。

孙君韡高度认同"院外"这个方向，但他补了一层：未来医疗的本质在于信任。今天的AI给的建议再对，患者还是不信，因为没人背锅。但当你一次次得到正反馈，信任会慢慢建立。他甚至畅想了一个场景：张雪峰的猝死令人悲痛，但如果从起点开始，每次体检发现低密度脂蛋白很高，智能体就过来提醒甚至"恐吓"你。保险公司也会变：40岁的人，有人天天吃肉不运动，有人保持运动，保费一样，这不make sense。未来一定是when patient when model，千人千面。

聊到这里，我脑子里有个画面。也许十年后，你家的机器人正在提醒你今天没吃药。不是因为你忘了，是因为医嘱下给了它，不是下给了你。

到那时候，医疗计算的中心可能已经不在医院了。就像电池厂商因为新能源车变成了汽车产业链的核心，AI医疗因为生产关系的重构，正在把“家”变成新的健康枢纽。

四位创业者，四条完全不同的落地路径。但底层逻辑出奇地一致：AI不是在替代人，是在解决"人根本不够用"的问题。而降本、增效、无限供给，不过是这场生产关系重构的不同切面。

Speakers｜嘉宾

近屿智能 CEO 方小雷

ThinkSpace AI 创始人&CEO Max Ye

缘启智慧 创始人&CEO 邓江

横方健康 CMO 孙君韡

Host ｜主持人

非凡资本 合伙人 王朝超CC

王朝超CC：今天的关键词是专业场景，我们邀请到了4位来自不同领域的嘉宾——法律、医疗、招聘、企业流程，4个场景，4条不同的落地路径。请各位嘉宾介绍一下自己和自己的公司。

方小雷：大家好，我是近屿智能的CEO方小雷。我们是一家做AI面试起家的公司，2017、2018年开始，到现在已经创业9年了。现在我们更多的是一家AI Talent System的公司，既有AI人才的培养服务，focus在AI工程师、全栈AI工程师相关的人才；另外也会向企业提供AI面试官、AI群才智能体，还有AI学习互动平台等跟Talent Deployment相关的系统服务。

Max Ye：大家好，我是Max，ThinkSpace AI的CEO和创始人。我们是一家法律AI公司，主要在做的是Agent OS for Legal Work，就是在法律场景的智能体，主要服务客户是企业内部的法务。目前base在新加坡，很高兴在这里见到大家。

邓江：大家好，我是缘启智慧的CEO。我们是一家在北京做全科全模态通用计算的AI医疗公司，定位是通过大模型和智能体技术，实现医疗全场景全模态的通用计算。目前跟很多头部的医疗机构，包括基层的医疗机构都已经落地了很多合作。未来我相信，大多数人的很多医疗服务会在AI加持下来实现服务供给。谢谢。

孙君韡：大家好，下午好，我是横方健康的CMO孙君韡。很巧，横方健康也是2020年成立的，一直致力于用AI来解决医患交互的问题。我们是AI医疗公司，客户是药企或者说保险企业，用户是医生和患者。解决的问题是诊室有限的3分钟，给到患者更好的体验，以及给到医生更好的体验，乃至于给到企业——就是药企买单方——更好的体验。这是横方健康一直在做的业务场景简介。

王朝超CC：大家都说AI通用能力在飞速提升，但专业场景有自己的门槛——法律讲究法条和证据，医疗讲究循证，招聘讲究匹配。在你们所处的专业领域里面，智能体落地的第一个比较难跨越的障碍，或者第一刀砍是什么？可能是数据，还是场景理解，还是用户信任，还是别的什么？

方小雷：我们最早的一个AI产品就是AI面试官，现在这个产品已经非常popular，国内有很多各行各业的头部企业都在用我们的产品。回顾最早的时候，我们觉得最难的地方就是一个translation——把物理世界的标准翻译成AI世界的标准。对于招聘来说，背后就是IO Psychology，就是工业和应用心理学的胜任力模型，现在已经是胜任力加上技能模型。通过一整套科学的建模方法，把企业的用人要求标准，很多hidden rules，translate成AI可以理解的东西。这个事情我们做了很多年。再进一步获得数据，标注对应的数据，跟客户做背靠背的人机对比实验，验证AI确实能够理解这些对应的criteria。这个事情是很难的。整个行业进来很多家公司，也离开很多家公司，基本上都是在这个点上卡住了。这是我们行业的情况。

Max Ye：我们在一开始的第一公里，主要有三个地方。第一个是数据，数据是基础；第二个是对场景的理解，这个是核心；第三个是专业专家对结果的把控。先从数据说起，我们主要做的是非诉合同领域，法律合同场景会有非常多的批注，主要看三个metadata：track changes、highlight和comments。律师在修改文件时会在文件上做很多调整，这些数据往往比较珍贵。我们需要把这些数据进行结构化，帮助律师制定playbook，这个playbook可以复用到未来的重复性合同中，这是第一。第二，数据必须可溯源。律师在审合同时需要知道为什么这么审，为什么这么写，写法要根据律师本身的偏好去做训练。这个层面我们花了比较多时间，叫做document engineering。我们有非常多的技术在parsing、mapping和理解文件的树状结构上。然后是场景理解，不同场景下需要不同的rules。最后是给律师本身溯源，对结果的把控。大概是这个样子。

邓江：刚才说第一道坎，我觉得第一道坎是信念。作为一个大模型创业公司，你相不相信大模型能够解决问题？在医疗领域，我们看到很多公司在做所谓的垂直打磨，那么你相不相信在当下AI能够实现全场景的无人驾驶、全场景的编程、全场景的视频生成？你相不相信它能够做全场景的医学通用计算，就是全科全模态的统一计算，而不是专科的计算？信念是很重要的。第二，大模型代表的硅基进化速度非常快，在当下做不到的情况下，你相不相信3个月以后它能做到？这个实际上是做AI创业必须迈过的第一道坎。我们看到很多公司基于当下的技术和局限性在做创业，这在大部分时代是极度buy in的，因为它进化得太快。所以我觉得第一道坎是这个。

王朝超CC：我再追问一下，你说的第一道坎是创始人、创始团队，还是客户这边？

邓江：其实是创始人和创始团队的信念。就像马斯克，他相信火箭能回收，这是一个信念。5年前技术上有很多不满足的地方，包括他说纯图像就能实现无人驾驶，那个时代大家认为只有激光雷达能解决问题，但他相信随着技术进步，纯图像就能解决。所以这个选择远比数据层面那些问题要重要。从另外一个角度讲，供给方得自己先信了，才能去打动需求方。或者只有你信了，你才会朝着那个方向探索，才有可能探索出来。如果自己都不信，技术探索的方向就会出现问题。

孙君韡：我说一下我浅薄的一些理解。第一公里的核心点在于，一家科技公司不活在宏大叙事里面，而是活在微观的褶皱里面。我相信AI场景的变现是共性问题，因此我们非常重视用户体验。在医生、患者和企业当中，我们非常focus在医生这里，因为医生才是今天中国医疗体系大健康的起点。医生这个群体有付费能力，但没付费意愿，更没付费习惯。所以早期横方健康1.0阶段，我们都是为医生收费的。第一公里永远是产品力。怎么定义产品力？医疗基本上是所有大模型公司都会重仓的场景。从一个有用的产品到一个好用的产品，除了很牛的AI技术之外，还有一个东西很容易被人忽略，就是和场景的深度耦合。很多专家——上海复旦肿瘤、北京肿瘤、中山瑞金这帮医生——天天有太多大模型公司跟他讲AI医疗，他们用了一下，两天、三天就不用了。横方健康追求的是场景深度耦合，加上一点AI技术来做到让医生付费。这是横方健康已经做到的，也是我认为在AI结合医疗场景里相对比较重要的一个点。

王朝超CC：大家都知道大模型是通用引擎，但专业场景需要的是专业工具或者专业Agent，不能只靠提示词工程。各位是如何把通用大模型的通用能力驯化成智能体的？在技术上是怎么做的？

方小雷：因为我们开始做AI面试的时候还没有通用大模型，是小模型时代。小模型时代全要自己训练，最早模型可能只有几个亿的参数，成本也低，不需要多少张卡，那时候还没有禁售这种事情。一开始用自己的模型，也能够达到比较好的效果，但不像大模型，它不能追问，不能做非常深度的解析。它可以做很好的判断，判断候选人回答这个问题是好中差，也可以达到很好的跟人类一致性的标准。有了大模型之后，一切都开始变得非常的稚嫩。第一代大模型参数量仍然有限，智能也有限，所以那时候做SFT是不够的，还要做增量预训练，23年、24年都还要做。到现在情况发生了很大变化，因为产品变得非常复杂，我们并不是很早期的产品，产品复杂度很高，背后有很多地方会用到不同的模型。有的模型基于成本考虑，从信息安全角度可能并不是很重要，这时候很可能也会用一些其他公司的API。但核心关键的一些判断的地方可能还是在用自研的模型。所以对我们来说并不是一个选择题，在不同的地方用合适的。更多考量的是成本。以AI面试官来说，有非常繁忙的季节，每年到了campus recruitment的时候，比如秋季，每天可能进来十几万甚至几十万个候选人。这个时候安全第一、稳定第一、成本第一，可能连效果都需要稍微compromise一下。不同阶段KPI不同，重点不同。所有一切都处在一个不断从imbalance到balance的过程中。

Max Ye：在我们看来，模型本身是非常不可控的，特别在法律场景下。我是23年5月开始创业的，那时候GPT刚出来半年左右，3.5和4的时候我们做了非常多的不同尝试和预训练。但对于合同审查这一件事来说，它没有办法识别到立场。即便我们跟他说按照买方或者卖方或者某个立场去审，他没有办法精准做判断。但在O3出来之后，我们发现有个非常大的转变——之前做的非常多的训练或者控制手段都不需要了，模型本身就已经足够能够理解某些立场。现在这个阶段，每个模型的优势是不一样的。有些模型对于简单任务来说，不需要推理，比如总结或简单任务，我们需要在第一阶段进行不同模型优势的测试。会进行非常大量的测试，测每个模型适合做什么样的工作。这个也叫multimodel，我们在产品中也会设计在不同的workflow里面用不同的模型去执行。除了模型端，测试完需要把工作流切得非常细。在一个审查场景，我们其实切了20多个工作流，用户感知不到。只有切得足够细，才能保证模型的幻觉降到最低，这是第二个手段。第三，除了工作流切分、模型优势测试和模型选择，最后还需要有cross check，就是cross reference。在它出来的时候，需要非常强的溯源，告诉用户这个条款这么改是为什么，参考了哪个rules或者哪个playbook。基于这三点之后，还会把最后的修改权利给到律师本身——你可以选择要不要接受这个修改，最大程度给到用户选择。他可以依靠自己的判断再做一次决定，这个东西要不要执行。当然也可以直接依靠AI，但我们还是保留这个权利给他们。这是我们做的一些工作。

邓江：从源头讲，我们公司希望打造一个AI Native的公司，才能做出AI Native的产品。所以我们公司有一个基本要求，就是要求所有员工放弃思考。放弃思考的意思是你只提目标和做决策，中间所有思考过程交给AI。比方说我们要打造一个全科全模态的智能体，这就是目标。skill从哪里来？所有方案都应该由最牛的模型给，给5个、6个、7个方案，我来做决策就好了。所以他需要什么skills、需要什么tools、需要什么workflow、用什么技术架构，如果你的目标是打造一个产品让用户放弃思考，首先你自己得先学会放弃思考。这是我们认为未来AI Native，或者说AI深度融合到工作生活场景中，需要做的角色转变——我们需要做的是决策，而不是所谓的思考。比方说我们一款APP，大多数人的做法是说跟AI讲我想做一个蓝色风格的APP，你帮我生成一个。我们不是，我们说我们要做一个APP，面向什么用户，你出示。我举一个医疗场景的例子。我们总是跟客户对齐目标，而不是对齐需求。他说我希望的目标是我今天所有的危重症能够在1秒钟之内有预警，这是他的目标。怎么实现这个目标？整个方案交给AI——是给他做一个APP、做个系统、做个智能体、做个机器人，还是做个什么东西？为了实现目标需要做12345哪些事情？最后呈现出来的demo是什么样子？这个demo可能让他出10个、甚至20个demo，我最终只需要做决策。目标是客户给的，任务是我这边汇总的，方案都是AI来做的，我只需要做决策。就像现在去纹身图，实际上就是让他生成10个图、100个图、1000个图，你挑一个。你需要告诉他图的细节，告诉他目标是什么，比如我要一个大头照去办签证，他哐哐哐生成一大堆不同的发型、不同的背景，你挑一个就好了。为了AI在所有场景，特别是较复杂的知识计算场景，跟人类配合的过程中，人类就是提目标和做决策。做PPT也是一样。

王朝超CC：这么听下来，缘启的整个AI程度或者AI化的程度相比而言还是蛮高的。

邓江：我们公司没有任何一个传统的白领岗位，比如说没有UI、没有美工、没有产品经理、没有程序员。

王朝超CC：那领导人都在干啥呢？

邓江：我们会有原来干程序员的人，但他只需要做决策，不允许写代码。就是给Cursor提目标，让Cursor去写代码，最后只需要confirm就行了。不允许他去改代码，不需要让他碰代码。

孙君韡：对于这个问题，我的回答是守正出奇。守正来自于战略端，出奇来自于战术端。邓总做的场景我听下来就很垂、也很深。横方健康做的相对容错率比较高，做的是医患交互，相对比较浅一些，容错率比较高。而且回应我刚刚提到的问题，我们致力于让一个有用的产品不是停留在理论上面或者发布会上面，而是真正让每一个专家去用到，甚至为此付费。所以从有用到好用，除了技术端之外，更重要的是和场景深度耦合的能力。所谓的守正，是我们对于自研模型还是用底座模型不是那么care，更关注的是你是不是一个优秀的医疗产品经理，能不能知道今天专家诊疗过程中褶皱在哪里，并且知道今天模型迭代的边界在哪里，这个迭代才服务于我们前面所讲从有用到好用。所谓出奇，是因为大家都知道，今天大模型的发展阶段必然会有概率推导——"今天天气很好"，它大概率会推"很热""很差"。但在医疗交互场景，容错率很低。所以我们肯定会遵循when doctor when model的原则，每一个医生会有一个私有的RAG来尽可能多地约束他的模型。这就是我前面讲的守正和出奇。

王朝超CC：您做的医患沟通到什么程度？

孙君韡：这是一个很主观的东西。我的定义在于患者，因为所有的东西还是会来到医生的KPI。至少患者的获得感很强，患者会自发地去写感谢信，会准时地去用药治疗，甚至活跃度蛮高的。医患交互的精标准在于患者的活跃度，患者的就医获得感不是嘴上说说的，而是他的行为。在后台我们全国服务了几千个医生、小100万患者的过程中，活跃度基本上达到了百分之六七十。

王朝超CC：有句老话说得好，技术再强都还是要搞钱的，没钱说个毛线呢？所以咱们都会面临一个问题——客户是谁？他凭啥付钱？你们的客户最核心的买单理由是什么？是降本，还是增收，还是干了以前干不了的事情，还是别的什么？

方小雷：OK，其实HR相关的核心问题还是降本。有很多复杂因素，但他们最初的原动力还是降本。比如我们最初做的场景是campus recruitment校园招聘。客户西门子一年至少20万个候选人，要面试5万人。以前用人去面5万人是不可能的，首先没有时间，成本非常高。现在每年都可以面5万人，因为AI面试官面试一场很便宜。绝大多数客户肯定是效率优先、准确度优先，但无论如何首先你要足够便宜。原来可能要这么多人，在校园招聘季节出差到很多地方去面试。当然现在有腾讯会议，但要消耗那么多业务领导的时间、HR同事的时间去组织面试、面试每一个人，这对业务本身就是一种时间、一种成本。AI可以把校园招聘季节80%-90%的成本全部打掉。所以原动力还是在降本。但有这么大招聘规模的，只有500强或者一线巨头、比较头部的公司才有这样的预算或成本支出。

王朝超CC：超大和大型企业肯定是这样，但实际上任何一家公司从百人规模成长为千人以上规模，招聘可不是从100人招500个人就剩600个人，不是这样的。往往有一些很大量的、重复需要招聘的、有很高离职率的岗位，这些项目中一样需要AI面试。如果把企业规模扩展到百人以上，在中国可能有接近400万家企业，所以市场还是足够大。

方小雷：明白了。客户付费的理由就是跟他原来没有用之前的整个管理费用以及招聘管理费用的支出直接对比。

王朝超CC：是，一开始大家肯定这样想，后来发现另外一个更严重的问题——用人去挑另外一个人。

方小雷：对，所以用AI面试官可以深度解决很多问题，可以统一标准或者相对标准统一。我们称之为"一把尺子量到底"。

Max Ye：对于付费意愿这件事情，我觉得主要是两点。第一点是增效。对于法律团队来说，在一个企业中往往不会很大，像新加坡主权基金，整个法律团队只有30到40个人，但他们是非常大的基金。很多客户比如小一点的基金，可能是两个人要服务5到6个市场，工作量非常大。我们第一款产品叫Syndoc，核心能力是希望把重复性的工作用AI代替掉，基础是希望他们过往的数据结构化，这样第一有数据沉淀，就是企业knowhow和知识的沉淀；第二当有人离职，或者培养新的junior时，可以快速上手，避免立场遗失或重新浪费时间教这个人。第二点，第二款产品更多是进行整个关系管理。过往场景下，比如我需要一个NDA，需要去审核，会把NDA从业务方发给法务，他可能在很多文件里面过一段时间审完再审回来。我们希望把整个流程重建——当收到邮件时，agent本身自动进行第一阶段分析，分析这个邮件属于什么合同、重点条款是什么、需要注意什么、怎么改。当回到法务手上时，其实已经改过一遍了，不是刚收到的状态。所有东西被flag out、提示和修改好之后，他要做的就是决策，把前面重复性的时间节省了。整个流程改变之后，再进行所有knowhow的再次沉淀，形成一个闭环。企业结构和工作方式的改变也是非常重要的一环，会从现在的增效到未来很多重复性工作的减少。所以咱们打的是企业里面的法务部。

王朝超CC：换句话说是去卷律所。

Max Ye：律所也可以用我们的产品，但首先的ICP是内部法务。

王朝超CC：OK，邓总，你那边的客户凭什么要给你付钱？

邓江：我刚好在上周跟一个比较大的医疗上市公司的创始人对话。我说1000万卖给你一套AI系统，你愿不愿意买单？他说我要评价这1000万花的值不值。我说这样，我给你供给1000个优秀的全科医生，每个医生年薪只要1万块，你愿不愿意？他说非常愿意。所以OK，你跟我的合作，你就把我当成一个人力外包公司，我给你供给的是优秀的掌握全科医疗知识的数字员工，而且我可以无限供给，你要多少给多少。因为这类医疗公司内有大量岗位的人在从事医学知识计算，比如招医学背景的人做临床数据分析、病例整理、诊断用药等等。我们要看到当下在做什么——实际上做的是知识计算，法律的知识计算、医疗的知识计算。真正要取代的就是原来那个岗位那个人。但在脑力劳动场景，特别是复杂脑力劳动，供给是远远不足的，不是取代关系，不是企业人已经足够了，而是不够，不够才高薪挖人。我们要构建新的供给关系，可以无限供给高质量的医学知识计算服务。现在真正落地的反而不是在院内，而是在院外。院外大量客户在跟我们建立合作，因为在院外场景想获得优质医学服务，得高薪高价请医生，还请不来。我一个养老院想请个三甲医生来一趟，他不来，给钱都不来。所以在大量供给不足的场景，我们才有更大机会，买单意愿非常充足，因为anyway比雇人要便宜。

王朝超CC：这么听下来，您打的是增收的逻辑、创收的逻辑？把GMV、把收入做大的逻辑？

邓江：刚才方总和Max打的是降本、降管理费用的逻辑，这边是增收。

王朝超CC：信念是无价的。你信，那我给你上账，上什么账呢？我可以用无限多的数字员工给你创造。

邓江：理论上是这样，而且我还不需要信念，因为很多场景测试特别容易测，一测就知道，一算就明白。

王朝超CC：这是增收的逻辑。孙总看看您这边。

孙君韡：我认为商业化对于AI智能体公司是非常重要的事。在我浅薄的认知里，我们去寻找客户的过程中，应该守住降本的下限来突破增效的上限。如果定位是降本，很容易没有溢价空间，变成项目制——今天他是搞AI的，过来帮我搞一个项目进场，变成纯纯的乙方、纯纯的牛马，很多人力物力包括精力就会耗散。我一直定义为这叫游牧民族，以战止战。要做成农耕民族、有积累，一定是增效，因为增效有更多溢价空间。这是从纯商业化来聊。从横方的场景来讲，买单方一部分来自医生，一部分来自企业。回到场景深度耦合，医生今天诊室有限3分钟，希望服务好患者但心有余力不足，横方切入的就是心有余力不足的具体细分场景。对于企业，我之前来自一家药企，企业方的第一性原理永远是：今天一款新药出来，创新药，新患者在哪里？老患者怎么持续用药？怎么找到循证医学、监测不良反应？企业方为了达成战略目标，传统方式是雇大量的人——医药代表、地区经理大家应该不陌生。5月1号国家反腐这一块其实是在帮横方一大把，因为劳动密集型产业，企业方的逻辑是我不知道你能不能成，但我确实没有更多的路，愿意跟你试一下，所以把我放到了增效的路径。这是横方健康在今年或去年年底开始探索的一条路，也是我对智能体商业化的一些浅薄理解。

王朝超CC：听孙总分享完，我觉得有必要修正一下，刚才说的降本和增效，邓总和孙总这边不能单纯用增收单一指标来概括，应该是ROI。对于药械或客户端来讲，投入有限，增收可能突破无限，所以核心还是ROI，这个可能相对比较准确。

王朝超CC：今天圆桌的关键词是落地，但落地肯定不是终点，而是新的起点。接下来，你们认为在三五年里，整个你们所服务的行业里面，智能体可能带来什么样的范式变化？是人机协作的更深化，还是决策权的转移，还是整个服务模式的重构？

方小雷：我最近也在思考一个问题。我们有一个产品叫AI群才智能体，可以帮助招聘的HR同学在很多招聘网站上全自动地跟候选人聊天、要简历。以前这个工作可能消耗招聘同事一半以上的时间，就是刷招聘网站，很枯燥。刚开始做的时候眼睛还看得过来，看着看着就变得很累了。

王朝超CC：刚才上台之前你滴眼液是因为这个原因吗？

方小雷：我早就已经让AI去看了，我自己已经不看了。对于招聘同学来说，这个产品是个巨大福音，帮助大家把简单工作替代掉了。但候选人可能在未来三五年时间里，在招聘网站上聊天的对象可能只是AI，关键是他自己并不知道在跟一个AI聊天。同时外面也有一些产品反过来做，帮助候选人投简历，就是候选人的分身。候选人找工作相当于我们做的HR招聘分身，外面很多企业做了候选人的分身，最终变成你的招聘agent跟别人的候选人的agent在聊，A to A。聊完之后，可能把这个场子搬到微信或WhatsApp上面，这个时候才有真人去interactive。对于双方来讲都提升了效率，以前这种业务只能在白天进行，以后可能24小时进行，完成很好的匹配。未来很多工作都会先由AI分身做一轮，做好初步筛选和匹配，然后真人再出场。从进程上来讲，招聘agent先去走一轮，这应该是最先发生的。

王朝超CC：不知道，因为有很多不确定因素。

方小雷：其实我们越做越深，发现产品难度是几何基数提升的。因为一直服务很多客户，客户有很多深度要求，发现大模型的boundary也是非常limit，并不是什么事情都做不到。我们又不是做人机协作的——AI先做一下人再接管，不是，我们做的是百分之百AI去做，做完再人去做。所以越做越难。未来是不是也许只能某些岗位、某一个层次、某一类别会做得比较好，应该是一个逐渐展开的过程。需求很旺盛，模型增长也很迅猛。

王朝超CC：难题就在您这里了。

方小雷：我们很期待模型变得越来越厉害，相向而行。

Max Ye：模型本身就像刚才方总说的，一定会越来越强。在整个模型进步中，未来行业会有怎么样的改变？首先，很多基础和重复性的工作肯定会被AI替代掉。第二，从判断里面就是从L1到L5，就像车一样，从一开始的文件理解，到可以生成内容，再到可以做一些判断，再到比较自动化的直接执行，未来肯定会走向更自动化。

王朝超CC：那你认为现在的状态，在法律法务这个事情上，您是L几？产品可以达到的水平？

Max Ye：我们认为对于基础比较初级的文件来说，完全可以自动化。但对于复杂性文件，目前还没有做到，因为复杂文件需要做的角色非常多。我们不太希望所有东西都让AI来做决定，法务本身也不会愿意，因为如果最后他看的东西还要再看一遍，其实并没有节省太多时间。所以在复杂文件中，我们是给一个半自动的状态——通过过往修改的风格和建议，提供修改建议，你来判断是否可行。在这个基础之上，把整个工作流通过法务的工作流到corporate governance，就是对企业的文件管理、合规，这里面所有的knowhow和要做的事情很多东西非常相似。在这个框架下，企业在法律这一块会变得越来越自动化。

邓江：我在想这个事。实际上所有新技术带来的都是生产关系的改变，这件事是所有企业站在长期视角一定要关注的。比方说新能源汽车，以前电池厂商不在汽车产业链中，但因为新能源汽车，电池厂商变成了汽车产业重要的一环。医疗实际上以前的供给生产关系是靠人，由医学院培养医生进到医院，以医院为核心扩展了很多事情——数据采集在院内完成，疾病初筛、诊疗、开药管理都在医院，因为能够提供服务的人在医院。现在院外的检测越来越丰富，智能手环、手表这些设备采集端越来越丰富，但计算依然还在医院。不管外面卖了多少手环，发现异常第一时间都是去挂号、去医院，这就是传统生产关系。刚才提到降本增效，实际上这是一个生意，在当下生产关系下可以做的生意。但如果你做一家公司，希望面向未来5年、10年、20年，要积极拥抱新的生产关系。什么叫新的生产关系？我畅想一下，10年或15年，每家会有一个机器人帮你洗衣服、做饭，大家相不相信？当这个机器人装上医疗大脑，它就是你的全职家庭医生。后背长了一个红色湿疹，你自己都没发现，它就看见了，当下给你诊断，说后边有湿疹，建议擦点药。10年太长了，我说得非常保守。未来医疗的供给，从数据采集到数据计算可能是围绕着家庭，而不是围绕着医院。健康管理更加会在家庭。在医院得了某个病，医生给了医嘱，要求每天早中晚吃药，未来这个医嘱不是下给你的，而是下给家里机器人，家里机器人每天盯着你——中午怎么没吃药，晚上记得吃药。生产关系的改变才是创业者最兴奋的，有机会在新的生产关系中找到自己重要的位置。这是我们对这件事的思考，非常确定这件事会发生。当然那时候是不是缘启在里面，需要我们做很多努力。

孙君韡：这点我跟邓总是高度认同的，未来场景一定是院外的。

王朝超CC：邓总认为院外可能更多是家庭，您认为是哪里？

孙君韡：这是一个哲学问题，其实也是一个现实问题。我认为是来自于自己内心，就像总书记所说的，每个人都是自己健康第一责任人。为什么我高度认同邓总讲的院外？因为横方健康一直在探索未来。在医患交互过程中，极力避免成为打猎的公司、游牧民族，要成为农耕民族。所以在医患交互过程中沉淀了很多院外数据，包括行为数据。我们在研发一个叫横方患者旅程模型，这个旅程模型知道你的现在和过去，能预测你的未来，站在上帝视角，从几个维度比如健康管理来干预你。载体可能不是一个APP或微信群，可能是手机、手环、Google Glass，这是another story。在这个场景里面能够赋能大家。比如张雪峰这个事很令人悲痛，他是怎么到了猝死这个阶段？一定是从起点开始，每一次体检报告发现低密度脂蛋白很高，很多人自我安慰"没关系，少吃点肉、多吃点蔬菜"。但事实上基因决定了在菜和肉面前，会毫不犹豫选择夹肉。这时候智能体就会过来提醒你，甚至来恐吓你。我们在药企服务很多肿瘤患者，大老爷们嘴上说着不抽烟，但往往期望牺牲健康换回眼前的爽。很多小姐姐乳腺癌患者，包括像我父母这个年纪，他们很焦虑、过度焦虑。未来智能体面对的患者一定是千人千面的。我试着小结一下，医疗的本质在于信任。今天还没有到，是因为还是会绑着医生，在中国诊疗看病，刚刚邓总提到，我们不太会相信AI给我们一大堆正确的废话，最好要到医院去，因为医生要负责背锅、要负责任。这是现在阶段在做的。但患者旅程，当患者像邓总提到的一次次给到正反馈，患者会慢慢相信院外智能体带来的帮助，就像现在很多人开始用线上医疗服务一样。制约院内到院外的核心要素在于诊疗底层逻辑在于筛、诊、治、管，筛查、诊断都要到医院。医生说你开个检查单，检查单没人给你，在家里没人上门采血。有了筛查之后，我相信今天用AI上传很多报告，给的答复不会差太多。但难就难在今天没啥用，AI不准是因为很多人疏忽的一点——有没有给到足够多的证据。抽象一点讲，AI今天已经是顶级卧龙了，很多人对于AI的理解不一样，在于忽视了一个点：自己是不是刘备，能不能三请诸葛亮把他请出来。很多人没有立军之德，所以请不住这个东西。横方健康在这个维度希望拉齐，发现很多患者在交互过程中，认知能力和语言表达能力制约了他，最后给到他的结果。这是横方健康希望拉平的。进一步畅想，当我们有了院外体系能够患者交互，除了上帝视角健康管理，当患者发现问题，一定会有创新药、创新械及时关注到你。我老东家是诺华制药，一款药出来所有人千人千面都用一款药，未来一定是when patient when model，我相信以中国供应链一定能做到。包括未来保险公司，现在保险公司都是40岁——比如我跟CC，40岁？我还没有40岁。我40岁了，看着不像。举个例子，我可能天天吃肉、不运动，你可能保持运动，年纪比我长，但保费一样，这是不make sense的。在这个体系里，当知道了患者足够多的现在、未来的数据，就能预测你的现在和过去、预测你的未来。保险公司一定是when patient when model的。之后患者会根据选择做健康归档，甚至干预未来。今天医疗是健康人群和生病人群，中间很多亚健康人群被忽视。一旦健康人群用了智能体，会有新经济——长寿经济，这是新的picture。当然我想讲的是，横方健康今天已经探索了患者旅程模型，并且得到了很多患者以及医生的认同。