你的產品可能被下一代模型取代！a16z：下一代 AI 公司要賣的不是智慧，而是承擔責任
當 OpenAI、Anthropic、Google 等公司持續推進前沿模型能力，AI 新創正面臨一個愈來愈棘手的問題：如果今天產品最大的價值只是「模型比較聰明」或「幫客戶自動化工作」，當下一代基礎模型直接把這些能力商品化，公司還剩下多少護城河？
a16z General Partner Julie Yoo 近日提出一套判斷框架：真正值得建立的公司，不只要做到 AI-Native，也必須做到 AI-Proof。
前者代表公司能充分利用最先進的 AI 模型，並且讓效率改善實際反映在損益表；後者則意味著，即使 GPT、Claude 等前沿模型變得愈來愈強，公司本身也不容易被模型供應商直接取代。
廣告 - 內文未完請往下捲動
Yoo 以醫療產業為例指出，AI 時代真正稀缺的產品可能已經不再只是「智慧」與「自動化」，而是另一層能力：Accountability，也就是為結果負責。
模型會愈來愈聰明「更好的智慧」本身卻愈來愈不值錢
Yoo 認為，醫療產業這一波 AI 採用速度，比過去任何技術週期都更快、更自然。
目前最常見的 AI 醫療產品，大致可以分成兩類：第一是提供更好的 intelligence，例如診斷、臨床決策支援與資訊整理；第二則是自動化行政工作，例如病歷紀錄、保險流程、排程與後台作業。
問題在於，這兩類價值恰好也是前沿模型進步最快的領域。
當通用模型持續進步，原本需要一家垂直 AI 新創才能做到的能力，未來可能直接內建於基礎模型、Agent 或企業軟體之中。
因此 Yoo 認為，單純依靠「我的 AI 比較聰明」或「我的 AI 可以替你省人力」，防禦性會逐漸下降。
真正的價值將從 Intelligence + Automation 逐漸轉向 Intelligence + Automation + Accountability。
Julie Yoo：Accountability 本身就是產品
Yoo 將這套邏輯概括為一句話：Accountability is the Product。
原因在於，責任層涉及大量存在於模型之外的能力。
即使模型能力大幅提升，它也不會自動替企業完成各州執照申請、保險公司認證、醫療責任保險、監管核准、醫院合作關係、實體醫療服務，以及各種線下營運。
更重要的是，模型能力提升也不代表提供模型的公司願意承擔相應的法律與財務風險。
Yoo 半開玩笑地指出，一家前沿模型公司的 CEO 每天醒來，腦中可能已經充滿訴訟、政府監管、中國競爭、鉅額融資、算力取得、人才競爭，以及與全球最強科技公司的競爭。
在這種情況下，他們究竟有多大意願，再把醫療服務本身的監管責任與法律責任一起扛進公司？
這正是垂直 AI 公司的機會。
Yoo 認為，新創應該向醫療產業的「責任層」垂直整合，也就是成為那個必須交付結果、為結果背書，並且承擔判斷錯誤後果的實體。
第一種 AI-Proof 公司：直接提供醫療服務
Yoo 提出的第一種模式，是 AI-native clinical services，也就是直接成為醫療服務提供者，而不是只賣軟體給醫療機構。
這類公司的 AI-Native 優勢非常直觀。
AI 可以大幅降低醫療服務的人力與行政成本，同時讓企業比傳統醫療服務公司更快跨州營運、服務更多患者，甚至更快擴張至不同專科。
因此，同樣一名醫師或醫療團隊，在 AI 輔助下理論上可以管理更大的患者群體。
但真正讓這類公司 AI-Proof 的，反而不是 AI，而是執照。
一家醫療機構仍然必須逐州取得執照、完成保險支付方 credentialing、購買醫療責任保險、與轉診夥伴簽約及整合，並真正建立線下醫療服務流程。
即使是沒有高度監管的醫療周邊服務，也往往需要安全性驗證、醫師監督，以及真正嵌入醫療工作流程。
這些事情背後代表的是責任與法律風險，而不只是模型 intelligence。
即使 GPT 或 Claude 明天突然再聰明 10 倍，它也不代表 OpenAI 或 Anthropic 就會直接變成一家跨州醫療機構。
第二種：直接承擔患者的「財務風險」
第二種模式，則是成為 risk-bearing entity。
這可能是整篇文章最值得注意的觀點之一：AI 最強的商業模式，未必只是幫保險公司或醫療機構降低成本，而可能是直接承擔成本控制失敗的財務後果。
例如，一家公司可以承擔特定患者族群的醫療支出風險。
AI 在這裡的作用，是自動化大量風險管理背後的行政工作，進而改變大規模管理患者群體的成本結構。
但一家真正 full-stack 的風險承擔者，可能還必須籌措準備金、取得州政府執照、建立醫療供應商網路、與醫師和會員溝通，並管理整體醫療支出。
這些資本、監管與商業關係，都是前沿模型本身無法直接提供的。
而 Yoo 強調，這套概念甚至不只適用於醫療公司。
即使是一家純軟體企業，也可以主動承擔 financial risk。
例如，不再按照 SaaS 席位或使用量收費，而是只有在一筆多方交易成功完成、或者客戶真的收到錢時，企業才能取得收入。
此時公司賣的就不只是軟體，而是結果。
從 SaaS 收月費，走向「成功了才收錢」
這也指向 AI 時代商業模式可能出現的一個重要轉變。
傳統 SaaS 的典型模式，是按照帳號、席位或使用量收費。
但當 AI Agent 可以大量取代人工操作，甚至一個 Agent 能完成過去數十個員工的工作時，「seat-based pricing」本身就可能受到挑戰。
如果進一步按照 Yoo 的 accountability 框架來看，最 AI-Proof 的公司甚至可能直接走向 outcome-based pricing：不是賣工具，而是對結果收費。
例如，企業不是賣一套「提升醫療帳款回收率的 AI 軟體」，而是直接替醫院收回帳款，並從成功追回的收入抽成。
一旦商業模式走到這一步，公司承擔的風險變高，但模型公司要直接取代它的難度也同步上升。
第三種：把 AI 做成 FDA 核准的真正產品
第三種模式則是開發 FDA 監管產品，包括診斷工具與藥物。
AI 可以愈來愈多地自動化藥物發現、診斷產品研發中的認知與營運工作，例如分析資料、尋找候選分子、設計實驗或協助臨床流程。
但模型最終無法跳過現實世界。
一家生技或醫療公司仍然必須真正製造產品、進行多年人體臨床試驗，並且取得 FDA 核准，才能正式宣稱某項診斷或療法具有效果。
這裡另一個重要護城河是「資料生成」。
Yoo 指出，人類對生物學的理解仍然只在非常早期的階段，因此 AI 不只是需要更多公開資料，而是需要企業持續進行實驗、生成新的生物資料並建立大規模驗證迴圈。
因此，真正能持續產生 proprietary data 的公司，也更可能建立模型公司難以直接複製的壁壘。
風險提示
加密貨幣投資具有高度風險，其價格可能波動劇烈，您可能損失全部本金。請謹慎評估風險。
