a16z 提出 AI-Proof 框架
当 OpenAI、Anthropic、Google 等公司持续推进前沿模型能力时，AI 新创面临的问题也更直接：如果产品最大的价值只是「模型更聪明」或「帮客户自动化工作」，当下一代基础模型把这些能力商品化后，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。她认为，真正值得建立的公司，不只要做到 AI-Native，也必须做到 AI-Proof。前者指的是公司能充分利用最先进的 AI 模型，并让效率改善反映在损益表上；后者则意味着，即使 GPT、Claude 等前沿模型越来越强，公司本身也不容易被模型供应商直接取代。
医疗行业里，稀缺的不是智慧，而是责任
Yoo 以医疗产业为例指出，AI 时代真正稀缺的产品，可能已经不只是「智慧」和「自动化」，而是另一层能力：Accountability，也就是为结果负责。她说，模型会越来越聪明，但「更好的智慧」本身却越来越不值钱。
她认为，医疗产业这一波 AI 采用速度，比过去任何技术周期都更快，也更自然。目前常见的 AI 医疗产品，大致分成两类：一类提供更好的 intelligence，例如诊断、临床决策支持和信息整理；另一类自动化行政工作，例如病历纪录、保险流程、排程和后台作业。
问题在于，这两类价值恰好也是前沿模型进步最快的领域。随着通用模型持续进步，原本需要一家垂直 AI 新创才能做到的能力，未来可能直接内建于基础模型、Agent 或企业软件之中。Yoo 因此认为，单靠「我的 AI 比较聪明」或「我的 AI 可以帮你省人力」，防御性会逐渐下降。
她把真正的价值变化概括为：Intelligence + Automation，最后会转向 Intelligence + Automation + Accountability。她甚至直接说，Accountability is the Product。
第一种 AI-Proof 公司：直接提供医疗服务
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。她认为，这类公司的 AI-Native 优势很直观：AI 可以大幅降低医疗服务的人力与行政成本，也能让企业比传统医疗服务公司更快跨州营运、服务更多患者，甚至更快扩张到不同专科。同样一名医生或医疗团队，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。即便是没有高度监管的医疗周边服务，也往往需要安全性验证、医生监督，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。Yoo 也指出，就算 GPT 或 Claude 明天突然再聪明 10 倍，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：直接承担患者的财务风险
第二种模式，是成为 risk-bearing entity。Yoo 认为，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，也可能是直接承担成本控制失败的财务后果。
例如，一家公司可以承担特定患者族群的医疗支出风险。AI 在这里的作用，是自动化大量风控背后的行政工作，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、与医生和会员沟通，并管理整体医疗支出。
这些资本、监管与商业关系，都是前沿模型本身无法直接提供的。Yoo 还强调，这套概念不只适用于医疗公司。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。此时公司卖的就不只是软件，而是结果。
从 SaaS 月费转向按结果收费
这也指向 AI 时代商业模式可能出现的一个变化。传统 SaaS 的典型模式，是按照账号、席位或使用量收费。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。
如果再按 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中抽成。进入这一步后，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。
第三种模式：把 AI 做成 FDA 核准的真正产品
第三种模式，是开发 FDA 监管产品，包括诊断工具与药物。AI 可以越来越多地自动化药物发现、诊断产品研发中的认知与营运工作，例如分析数据、寻找候选分子、设计实验或协助临床流程。
但模型最终无法跳过现实世界。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，并取得 FDA 核准，才能正式宣称某项诊断或疗法有效。Yoo 认为，另一道重要护城河是「数据生成」。她指出，人类对生物学的理解仍然处于非常早期阶段，因此 AI 不只是需要更多公开数据，而是需要企业持续做实验、生成新的生物数据，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。
这篇文章最早出现在《链新闻 ABMedia》。