你的产品可能被下一代模型取代！a16z：下一代 AI 公司要卖的不是智慧，而是承担责任

当 OpenAI、Anthropic、Google 等公司持续推进前沿模型能力，AI 初创正面临一个愈发棘手的问题：如果今天产品最大的价值只是“模型比较聪明”或“帮客户自动化工作”，当下一代基础模型直接把这些能力商品化，公司还剩下多少护城河？

a16z 普通合伙人 Julie Yoo 近日提出一套判断框架：真正值得建立的公司，不只要做到 AI-Native，也必须做到 AI-Proof。前者代表公司能充分利用最先进的 AI 模型，并且让效率改善实际反映在损益表；后者则意味着，即使 GPT、Claude 等前沿模型变得愈来愈强，公司本身也不容易被模型供应商直接取代。

Yoo 以医疗产业为例指出，AI 时代真正稀缺的产品可能已经不再只是“智慧”与“自动化”，而是另一层能力：Accountability，也就是为结果负责。

Yoo 认为，医疗产业这一波 AI 采用速度，比过去任何技术周期都更快、更自然。目前最常见的 AI 医疗产品，大致可以分成两类：第一是提供更好的 intelligence，例如诊断、临床决策支援与资讯整理；第二则是自动化行政工作，例如病历纪录、保险流程、排程与后台作业。

当通用模型持续进步，原本需要一家垂直 AI 初创才能做到的能力，未来可能直接内建于基础模型、Agent 或企业软件之中。因此 Yoo 认为，单纯依靠“我的 AI 比较聪明”或“我的 AI 可以替你省人力”，防御性会逐渐下降。真正的价值将从 Intelligence + Automation 逐渐转向 Intelligence + Automation + Accountability。

Julie Yoo：Accountability 本身就是产品

Yoo 将这套逻辑概括为一句话：Accountability is the Product。即使模型能力大幅提升，它也不会自动替企业完成各州执照申请、保险公司认证、医疗责任保险、监管核准、医院合作关系、实体医疗服务，以及各种线下营运。

更重要的是，模型能力提升也不代表提供模型的公司愿意承担相应的法律与财务风险。Yoo 半开玩笑地指出，一家前沿模型公司的 CEO 每天醒来，脑中可能已经充满诉讼、政府监管、中国竞争、巨额融资、算力取得、人才竞争，以及与全球最强科技公司的竞争。在这种情况下，他们究竟有多大意愿，再把医疗服务本身的监管责任与法律责任一起扛进公司？

Yoo 认为，初创应该向医疗产业的“责任层”垂直整合，也就是成为那个必须交付结果、为结果背书，并且承担判断错误后果的实体。

Yoo 提出的第一种模式，是 AI-native clinical services，也就是直接成为医疗服务提供者，而不是只卖软件给医疗机构。AI 可以大幅降低医疗服务的人力与行政成本，同时让企业比传统医疗服务公司更快跨州营运、服务更多患者，甚至更快扩张至不同专科。因此，同样一名医师或医疗团队，在 AI 辅助下理论上可以管理更大的患者群体。

但真正让这类公司 AI-Proof 的，反而不是 AI，而是执照。一家医疗机构仍然必须逐州取得执照、完成保险支付方 credentialing、购买医疗责任保险、与转诊伙伴签约及整合，并真正建立线下医疗服务流程。即使是监管程度较低的医疗周边服务，也往往需要安全性验证、医师监督，以及真正嵌入医疗工作流程。这些事情背后代表的是责任与法律风险，而不只是模型 intelligence。即使 GPT 或 Claude 明天突然再聪明 10 倍，它也不代表 OpenAI 或 Anthropic 就会直接变成一家跨州医疗机构。

第二种模式，则是成为 risk-bearing entity。这可能是整篇文章最值得注意的观点之一：AI 最强的商业模式，未必只是帮保险公司或医疗机构降低成本，而可能是直接承担成本控制失败的财务后果。AI 在这里的作用，是自动化大量风险管理背后的行政工作，进而改变大规模管理患者群体的成本结构。

但一家真正 full-stack 的风险承担者，可能还必须筹措准备金、取得州政府执照、建立医疗供应商网络、与医师和会员沟通，并管理整体医疗支出。即使是一家纯软件企业，也可以主动承担 financial risk。例如，不再按照 SaaS 席位或使用量收费，而是只有在一笔多方交易成功完成、或者客户真的收到钱时，企业才能取得收入。

但当 AI Agent 可以大量取代人工操作，甚至一个 Agent 能完成过去数十个员工的工作时，“seat-based pricing”本身就可能受到挑战。如果进一步按照 Yoo 的 accountability 框架来看，最 AI-Proof 的公司甚至可能直接走向 outcome-based pricing：不是卖工具，而是对结果收费。例如，企业不是卖一套“提升医疗账款回收率的 AI 软件”，而是直接替医院收回账款，并从成功追回的收入抽成。一旦商业模式走到这一步，公司承担的风险变高，但模型公司要直接取代它的难度也同步上升。

AI 可以愈来愈多地自动化药物发现、诊断产品研发中的认知与营运工作，例如分析资料、寻找候选分子、设计实验或协助临床流程。一家生技或医疗公司仍然必须真正制造产品、进行多年人体临床试验，并且取得 FDA 核准，才能正式宣称某项诊断或疗法具有效果。

Yoo 指出，人类对生物学的理解仍然只在非常早期的阶段，因此 AI 不只是需要更多公开资料，而是需要企业持续进行实验、生成新的生物资料并建立大规模验证循环。因此，真正能持续产生 proprietary data 的公司，也更可能建立模型公司难以直接复制的壁垒。