a16z Podcast
Summary & Insights
The pursuit of “health intelligence” aims to solve a paradox of modern medicine: a system with a GDP larger than most nations that nonetheless suffers from chronic scarcity, where specialist appointments take months and doctor visits are compressed into frantic fifteen-minute intervals. OpenAI’s Karan Singhal posits that the path forward is not to replace the physician, but to provide every human with a high-fidelity “health expert in their pocket.” By integrating specialized medical training into general-purpose frontier models, OpenAI seeks to raise the “floor” of global health—making reliable intelligence free and abundant—while simultaneously raising the “ceiling” by accelerating scientific discovery and clinical precision.
The intellectual core of the conversation revolves around the architectural choice to embed medical expertise within a general model rather than building a standalone “medical AI.” Singhal argues that specialized models quickly fall behind the “frontier” of general intelligence and reasoning. By “hitching a ride” on the scale of flagship models and refining them with data from a global network of hundreds of physicians, OpenAI creates a system that possesses both broad reasoning capabilities and deep clinical nuance. a16z pushes Singhal on the nature of trust, questioning how an AI handles the tension between a user’s desire for reassurance and the clinical necessity of a difficult diagnosis. Singhal explains that safety is prioritized over user satisfaction (NPS), and that the model is trained to recognize and hedge its own uncertainty when consensus is lacking.
A significant portion of the dialogue explores the “last mile” of healthcare—the fragmented gap between clinical visits. a16z envisions a future where AI agents handle the administrative friction of insurance, scheduling, and post-discharge protocols. Singhal agrees, viewing the AI as a “quarterback” or a safety net. He cites experiments with Penn Medicine where a clinician co-pilot proactively flagged medication interactions that doctors had missed due to time constraints. This shift moves the AI from a passive search tool to a proactive agent that can monitor longitudinal data—such as a rising A1C level—and nudge the patient toward a necessary medication review before a crisis occurs.
The conversation then pivots to the systemic impact of “commoditized intelligence.” Singhal notes a staggering trend: newer, smaller models (like GPT-6 Luna) are outperforming previous flagship models on clinical benchmarks while being significantly cheaper (up to 34 times less expensive). a16z asks if this will actually lower the $5.3 trillion spent on US healthcare. While Singhal admits that intelligence alone isn’t a macro-economic silver bullet, he suggests that the compression of administrative “paperwork” and the reduction of expensive, late-stage procedural interventions through better preventative “targeting” will eventually drive costs down.
Looking toward the horizon, Singhal introduces the concept of “Move 37” for healthcare—referencing AlphaGo’s counterintuitive but brilliant move. He suggests that AI will eventually identify clinical patterns that surprise human experts but prove fundamentally correct, fundamentally changing how we treat disease. This extends to the scientific frontier, where AI is expected to accelerate the identification of new molecular targets and optimize the prioritization of clinical trials, which are currently bottlenecked by a surplus of candidate drugs and a shortage of trial slots.
Ultimately, the exchange between a16z and Singhal frames AI as a tool for “dissolving barriers.” Whether it is breaking down the silos of legacy EHR software through partnerships with companies like Epic or bridging the gap between biomedical literature and bedside practice—which currently takes 5 to 17 years—the goal is to ensure that the most current medical knowledge is available to every patient and provider in real-time.
Major Discussion Themes
The General vs. Specialized Model Debate
Singhal defends the strategy of “specialized training within a general model.” He argues that the pace of frontier model improvement is so rapid that any standalone medical model would quickly become obsolete. By integrating healthcare-specific evaluations and data into the general training pipeline, OpenAI leverages the reasoning power of the largest models while ensuring clinical accuracy, effectively getting the “best of both worlds.”
The “Move 37” of Medicine
A central philosophical point is the potential for AI to provide non-obvious clinical insights. Just as AlphaGo revealed new strategies in Go, Singhal believes AI will eventually analyze longitudinal patient data across decades to suggest interventions that human clinicians—constrained by cognitive biases or limited time—would never consider, but which ultimately prove life-saving.
The Trust and Consensus Framework
Because medicine is often an art of disagreement, Singhal explains that OpenAI does not rely on a small group of internal doctors to define “truth.” Instead, they use a global network of hundreds of experts to aggregate a consensus. They specifically train models to distinguish between “lay users” and “clinicians,” tailoring technical jargon accordingly and prioritizing clinical safety over the user’s emotional desire for a “positive” answer.
Reducing the “Knowledge Penetration” Gap
Singhal highlights a critical failure in current medicine: the time it takes for new clinical guidelines to reach everyday practice (5–17 years). He argues that AI can eliminate this latency by acting as a real-time bridge between the latest biomedical literature and the clinician’s workflow, ensuring that the “standard of care” is updated instantly across the globe.
The Economics of Abundant Intelligence
The discussion explores the “plummeting cost” of intelligence. Singhal posits that as a fixed level of clinical reliability is reached, the cost to deliver that intelligence will drop toward zero. While this may not instantly fix the $5.3 trillion healthcare spend, it targets the “administrative arms race” between payers and providers, potentially replacing billing bots with a shared “ground truth” based on ambient clinical notes.
Surprising Insights
- The Knowledge Lag: It can take up to 17 years for a new, evidence-based clinical guideline to be adopted by the average practicing physician.
- Cost vs. Performance: New, smaller models (like GPT-6 Luna) are performing better on professional health benchmarks than previous “best” models while being 34x cheaper.
- Safety over Satisfaction: OpenAI explicitly trains health models to ignore “Net Promoter Score” (user happiness) in favor of clinical correctness, even if the user is hoping for a reassuring but false answer.
- The “Move 37” Potential: AI is expected to discover entirely new medical strategies that initially seem “wrong” or “dumb” to human experts but are later proven brilliant.
- The Data “Box” Problem: A massive amount of medical insight is currently locked in “boxes” (legacy EHRs and claims data) that are generated but never mined for new knowledge.
- Antibiotic Overuse: Early tests with clinician co-pilots showed the AI was effective at flagging the systemic overuse of antibiotics, pushing doctors to think about global resistance rather than just the local case.
- The “Quarterback” Role: The highest value for AI in the near term is not in diagnosis, but in navigating the “fragmented” logistics between doctor visits.
Practical Takeaways
- Bet on Model Growth: For healthcare developers, the most critical strategy is to build on models that will get better, rather than trying to build a “static” specialized model that will be eclipsed by the frontier.
- Prioritize the “Last Mile”: The biggest opportunity for health-tech startups is not in “intelligence” (which is becoming a commodity) but in the “last mile” of delivery—integration into workflows and patient adherence.
- Implement “Safety Nets” not “Replacements”: AI should be deployed as a “co-pilot” or “safety net” that flags errors (like drug interactions) rather than a primary decision-maker.
- Focus on Longitudinal Data: Shift from treating “single-visit” data to analyzing “longitudinal” data (years of history) to find proactive interventions.
- Lower the Activation Energy: To increase AI adoption in health, developers must focus on reducing “activation energy” by solving for HIPAA compliance and security bottlenecks first.
- Leverage Ambient Intelligence: Use ambient listening and transcription to create a “ground truth” for medical visits, reducing the need for administrative fighting between providers and payers.
- Focus on Preventative Targeting: Use AI to identify the exact moment a patient needs a procedure to avoid the exponentially higher costs of late-stage interventions.
🛍️ Products & Resources Mentioned
- ⚡ DeviceChatGPT — Discussed as a tool used by over 300 million people weekly for health and wellness questions and as a proactive personal health assistant.View on Amazon →
- ⚡ DeviceChatGPT for Clinicians — A specialized version of ChatGPT used by healthcare providers for tasks like chart review and streamlining clinical workflows.View on Amazon →
- ⚡ DeviceGPT-6 Luna — A cost-efficient frontier model on the OpenAI API that performs well on the health-bench professional benchmark.View on Amazon →
Việc theo đuổi “trí tuệ sức khỏe” (health intelligence) nhằm giải quyết một nghịch lý của y học hiện đại: một hệ thống có quy mô GDP lớn hơn hầu hết các quốc gia nhưng vẫn chịu cảnh khan hiếm trầm trọng, nơi mà việc đặt lịch hẹn với chuyên gia mất hàng tháng trời và các cuộc thăm khám với bác sĩ bị nén chặt trong những khoảng thời gian 15 phút hối hả. Karan Singhal từ OpenAI cho rằng con đường phía trước không phải là thay thế bác sĩ, mà là cung cấp cho mỗi con người một “chuyên gia sức khỏe độ chính xác cao ngay trong túi”. Bằng cách tích hợp đào tạo y khoa chuyên sâu vào các mô hình tiên phong đa năng, OpenAI tìm cách nâng cao “mức sàn” của sức khỏe toàn cầu — khiến trí tuệ tin cậy trở nên miễn phí và phổ biến — đồng thời nâng cao “mức trần” bằng cách đẩy nhanh khám phá khoa học và độ chính xác trong lâm sàng.
Cốt lõi trí tuệ của cuộc đối thoại xoay quanh lựa chọn kiến trúc: nhúng chuyên môn y tế vào một mô hình đa năng thay vì xây dựng một “AI y tế” độc lập. Singhal lập luận rằng các mô hình chuyên biệt sẽ nhanh chóng tụt hậu so với “biên giới” của trí tuệ và khả năng suy luận tổng quát. Bằng cách “đi nhờ” quy mô của các mô hình chủ lực và tinh chỉnh chúng bằng dữ liệu từ mạng lưới toàn cầu gồm hàng trăm bác sĩ, OpenAI tạo ra một hệ thống vừa sở hữu khả năng suy luận rộng, vừa có sự tinh tế sâu sắc về lâm sàng. a16z đã chất vấn Singhal về bản chất của niềm tin, đặt câu hỏi về cách AI xử lý sự mâu thuẫn giữa mong muốn được an ủi của người dùng và sự cần thiết về mặt lâm sàng của một chẩn đoán khó khăn. Singhal giải thích rằng sự an toàn được ưu tiên hơn sự hài lòng của người dùng (NPS), và mô hình được huấn luyện để nhận biết cũng như dè dặt trước những điều không chắc chắn của chính nó khi thiếu sự đồng thuận.
Một phần đáng kể của cuộc đối thoại khám phá “dặm cuối cùng” của chăm sóc sức khỏe — khoảng trống phân mảnh giữa các lần thăm khám lâm sàng. a16z hình dung về một tương lai nơi các tác nhân AI xử lý những rắc rối hành chính về bảo hiểm, lập lịch trình và các quy trình sau xuất viện. Singhal đồng ý, coi AI như một “tiền vệ điều phối” (quarterback) hoặc một lưới an toàn. Ông dẫn chứng các thử nghiệm với Penn Medicine, nơi một “trợ lý phi công” lâm sàng đã chủ động cảnh báo về các tương tác thuốc mà bác sĩ đã bỏ sót do hạn chế về thời gian. Sự chuyển dịch này đưa AI từ một công cụ tìm kiếm thụ động trở thành một tác nhân chủ động có thể theo dõi dữ liệu theo thời gian (longitudinal data) — chẳng hạn như mức A1C đang tăng — và nhắc nhở bệnh nhân xem xét lại thuốc cần thiết trước khi khủng hoảng xảy ra.
Cuộc trò chuyện sau đó chuyển sang tác động hệ thống của “trí tuệ hàng hóa hóa” (commoditized intelligence). Singhal lưu ý một xu hướng đáng kinh ngạc: các mô hình mới hơn, nhỏ hơn (như GPT-6 Luna) đang vượt mặt các mô hình chủ lực trước đó trong các bài kiểm tra lâm sàng trong khi chi phí rẻ hơn đáng kể (gấp 34 lần). a16z hỏi liệu điều này có thực sự làm giảm con số 5,3 nghìn tỷ USD chi cho y tế tại Mỹ hay không. Mặc dù Singhal thừa nhận rằng chỉ riêng trí tuệ không phải là “viên đạn bạc” cho kinh tế vĩ mô, ông gợi ý rằng việc nén các “thủ tục giấy tờ” hành chính và giảm thiểu các can thiệp quy trình giai đoạn muộn đắt đỏ thông qua việc “nhắm mục tiêu” phòng ngừa tốt hơn cuối cùng sẽ kéo chi phí xuống.
Nhìn về phía chân trời, Singhal giới thiệu khái niệm “Nước đi 37” (Move 37) cho y tế — ám chỉ nước đi trái ngược với trực giác nhưng thiên tài của AlphaGo. Ông cho rằng AI cuối cùng sẽ xác định được các mô hình lâm sàng khiến các chuyên gia con người ngạc nhiên nhưng lại chứng minh là hoàn toàn chính xác, từ đó thay đổi căn bản cách chúng ta điều trị bệnh. Điều này mở rộng sang biên giới khoa học, nơi AI được kỳ vọng sẽ đẩy nhanh việc xác định các mục tiêu phân tử mới và tối ưu hóa việc ưu tiên các thử nghiệm lâm sàng, vốn hiện đang bị nghẽn do dư thừa thuốc ứng viên nhưng lại thiếu chỗ cho các thử nghiệm.
Cuối cùng, cuộc trao đổi giữa a16z và Singhal định nghĩa AI như một công cụ để “xóa bỏ các rào cản”. Cho dù đó là phá bỏ các “ốc đảo” dữ liệu của phần mềm EHR cũ thông qua quan hệ đối tác với các công ty như Epic, hay thu hẹp khoảng cách giữa tài liệu y sinh và thực hành tại giường bệnh — vốn hiện nay mất từ 5 đến 17 năm — mục tiêu là đảm bảo rằng kiến thức y khoa cập nhật nhất luôn sẵn có cho mọi bệnh nhân và nhà cung cấp dịch vụ trong thời gian thực.
Các chủ đề thảo luận chính
Cuộc tranh luận giữa Mô hình Đa năng và Chuyên biệt
Singhal bảo vệ chiến lược “đào tạo chuyên biệt trong một mô hình đa năng”. Ông lập luận rằng tốc độ cải tiến của các mô hình tiên phong nhanh đến mức bất kỳ mô hình y tế độc lập nào cũng sẽ nhanh chóng trở nên lỗi thời. Bằng cách tích hợp các đánh giá và dữ liệu đặc thù y tế vào quy trình huấn luyện tổng quát, OpenAI tận dụng sức mạnh suy luận của các mô hình lớn nhất trong khi vẫn đảm bảo độ chính xác lâm sàng, đạt được “điều tốt nhất của cả hai thế giới”.
“Nước đi 37” của Y học
Một điểm triết học trung tâm là tiềm năng của AI trong việc cung cấp những hiểu biết lâm sàng không hiển nhiên. Giống như cách AlphaGo tiết lộ những chiến thuật mới trong cờ Vây, Singhal tin rằng AI cuối cùng sẽ phân tích dữ liệu bệnh nhân theo thời gian trong nhiều thập kỷ để đề xuất các can thiệp mà các bác sĩ lâm sàng — vốn bị hạn chế bởi định kiến nhận thức hoặc thời gian — không bao giờ cân nhắc đến, nhưng cuối cùng lại chứng minh là cứu sống được người bệnh.
Khung Niềm tin và Sự đồng thuận
Vì y học thường là một nghệ thuật của sự bất đồng, Singhal giải thích rằng OpenAI không dựa vào một nhóm nhỏ bác sĩ nội bộ để định nghĩa “sự thật”. Thay vào đó, họ sử dụng mạng lưới toàn cầu gồm hàng trăm chuyên gia để tổng hợp sự đồng thuận. Họ huấn luyện các mô hình đặc biệt để phân biệt giữa “người dùng phổ thông” và “nhà lâm sàng”, điều chỉnh thuật ngữ chuyên môn cho phù hợp và ưu tiên an toàn lâm sàng hơn là mong muốn cảm xúc của người dùng về một câu trả lời “tích cực”.
Giảm khoảng cách “thâm nhập kiến thức”
Singhal nhấn mạnh một thất bại nghiêm trọng trong y học hiện nay: thời gian để các hướng dẫn lâm sàng mới tiếp cận được thực hành hàng ngày (từ 5–17 năm). Ông lập luận rằng AI có thể xóa bỏ độ trễ này bằng cách đóng vai trò là cầu nối thời gian thực giữa các tài liệu y sinh mới nhất và quy trình làm việc của bác sĩ, đảm bảo rằng “tiêu chuẩn chăm sóc” được cập nhật tức thì trên toàn cầu.
Kinh tế học về Trí tuệ Dồi dào
Cuộc thảo luận xoay quanh việc “chi phí sụt giảm” của trí tuệ. Singhal cho rằng khi đạt đến một mức độ tin cậy lâm sàng cố định, chi phí để cung cấp trí tuệ đó sẽ giảm dần về mức bằng không. Mặc dù điều này có thể không ngay lập tức giải quyết khoản chi tiêu y tế 5,3 nghìn tỷ USD, nhưng nó nhắm vào “cuộc chạy đua vũ trang hành chính” giữa bên chi trả (bảo hiểm) và bên cung cấp dịch vụ, có khả năng thay thế các bot lập hóa đơn bằng một “sự thật khách quan” (ground truth) chung dựa trên các ghi chép lâm sàng môi trường.
Những hiểu biết bất ngờ
- Độ trễ kiến thức: Có thể mất tới 17 năm để một hướng dẫn lâm sàng mới dựa trên bằng chứng được áp dụng bởi một bác sĩ hành nghề trung bình.
- Chi phí so với Hiệu suất: Các mô hình mới, nhỏ hơn (như GPT-6 Luna) đang hoạt động tốt hơn trên các tiêu chuẩn đánh giá y tế chuyên nghiệp so với các mô hình “tốt nhất” trước đây, trong khi chi phí rẻ hơn gấp 34 lần.
- An toàn quan trọng hơn sự hài lòng: OpenAI huấn luyện các mô hình y tế một cách rõ ràng để phớt lờ “Net Promoter Score” (mức độ hài lòng của người dùng) nhằm ưu tiên tính chính xác lâm sàng, ngay cả khi người dùng hy vọng nhận được một câu trả lời an ủi nhưng sai sự thật.
- Tiềm năng “Move 37”: AI được kỳ vọng sẽ khám phá ra những chiến lược y tế hoàn toàn mới mà ban đầu có vẻ “sai” hoặc “ngớ ngẩn” đối với các chuyên gia con người, nhưng sau đó được chứng minh là thiên tài.
- Vấn đề “Chiếc hộp” dữ liệu: Một lượng khổng lồ hiểu biết y tế hiện đang bị khóa trong các “chiếc hộp” (hệ thống EHR cũ và dữ liệu yêu cầu bảo hiểm) — những dữ liệu được tạo ra nhưng chưa bao giờ được khai thác để tìm kiếm kiến thức mới.
- Lạm dụng thuốc kháng sinh: Các thử nghiệm sớm với trợ lý AI cho bác sĩ cho thấy AI có hiệu quả trong việc cảnh báo tình trạng lạm dụng kháng sinh mang tính hệ thống, thúc đẩy các bác sĩ suy nghĩ về khả năng kháng thuốc toàn cầu thay vì chỉ tập trung vào một ca bệnh đơn lẻ.
- Vai trò “Tiền vệ điều phối” (Quarterback): Giá trị cao nhất của AI trong ngắn hạn không nằm ở việc chẩn đoán, mà ở việc điều phối các khâu hậu cần “manh mún” giữa các lần thăm khám của bác sĩ.
Bài học thực tiễn
- Đặt cược vào sự phát triển của mô hình: Đối với các nhà phát triển y tế, chiến lược quan trọng nhất là xây dựng trên các mô hình sẽ ngày càng cải thiện, thay vì cố gắng xây dựng một mô hình chuyên biệt “tĩnh” vốn sẽ sớm bị các mô hình tiên phong vượt mặt.
- Ưu tiên “Dặm cuối cùng”: Cơ hội lớn nhất cho các startup công nghệ y tế không nằm ở “trí tuệ” (thứ đang trở thành một loại hàng hóa phổ biến) mà nằm ở “dặm cuối cùng” của việc triển khai — tích hợp vào quy trình làm việc và sự tuân thủ của bệnh nhân.
- Triển khai “Lưới an toàn” thay vì “Sự thay thế”: AI nên được triển khai như một “trợ lý” (co-pilot) hoặc “lưới an toàn” giúp cảnh báo lỗi (như tương tác thuốc) thay vì là người ra quyết định chính.
- Tập trung vào dữ liệu theo thời gian (Longitudinal Data): Chuyển từ việc xử lý dữ liệu của “một lần khám” sang phân tích dữ liệu “theo thời gian” (tiền sử nhiều năm) để tìm ra các can thiệp chủ động.
- Hạ thấp “Năng lượng kích hoạt”: Để tăng cường việc áp dụng AI trong y tế, các nhà phát triển phải tập trung vào việc giảm “năng lượng kích hoạt” bằng cách giải quyết các nút thắt về bảo mật và tuân thủ HIPAA trước tiên.
- Tận dụng trí tuệ môi trường: Sử dụng tính năng lắng nghe và chuyển soạn môi trường để tạo ra “sự thật khách quan” cho các buổi thăm khám y tế, giảm bớt các tranh chấp hành chính giữa bên cung cấp và bên chi trả.
- Tập trung vào mục tiêu phòng ngừa: Sử dụng AI để xác định chính xác thời điểm bệnh nhân cần một thủ thuật để tránh chi phí cao hơn theo cấp số nhân của các can thiệp ở giai đoạn muộn.
對「健康智能」（health intelligence）的追求旨在解決現代醫學的一個悖論：一個 GDP 超過大多數國家的系統，卻長期處於資源匱乏的狀態——專科就診需等待數月，而醫生的診療時間被壓縮在倉促的十五分鐘之內。OpenAI 的 Karan Singhal 認為，未來的方向並非取代醫師，而是為每個人提供一個高保真度的「口袋健康專家」。透過將專業的醫學訓練整合到通用前沿模型中，OpenAI 試圖提高全球健康的「底線」（使可靠的智能變得免費且豐富），同時透過加速科學發現和提高臨床精準度來提升其「天花板」。
對話的知識核心圍繞在一個架構選擇上：將醫學專業知識嵌入通用模型，而非構建獨立的「醫療 AI」。Singhal 主張，專用模型會迅速落後於通用智能與推理的「前沿」。透過「搭便車」利用旗艦模型的規模，並使用來自全球數百名醫師網絡的數據進行微調，OpenAI 創造出一個兼具廣泛推理能力與深層臨床細節的系統。a16z 就信任的本質對 Singhal 提出挑戰，質疑 AI 如何處理用戶對慰藉的渴望與臨床診斷中必須面對殘酷事實之間的緊張關係。Singhal 解釋，安全性優先於用戶滿意度（NPS），且模型經過訓練，在缺乏共識時能識別並對其自身的不確定性採取謹慎表述。
對話中的很大一部分探討了醫療保健的「最後一哩路」——即臨床就診之間碎片化的空白期。a16z 構想了一個未來，由 AI 代理（agents）處理保險、預約和出院後協議等行政摩擦。Singhal 表示贊同，將 AI 視為「四分衛」或安全網。他引用了與賓州大學醫學院（Penn Medicine）的實驗，其中一名臨床副駕駛（co-pilot）主動標記了醫師因時間壓力而遺漏的藥物相互作用。這種轉變將 AI 從被動的搜索工具變成了主動的代理，能夠監控長期數據（例如 A1C 血糖水平的上升），並在危機發生前促使患者進行必要的藥物複審。
隨後，對話轉向「商品化智能」的系統性影響。Singhal 指出一個令人震驚的趨勢：較新且較小的模型（如 GPT-6 Luna）在臨床基準測試中的表現優於之前的旗艦模型，且成本大幅降低（最高低 34 倍）。a16z 詢問這是否能真正降低美國 5.3 兆美元的醫療支出。雖然 Singhal 承認單靠智能並非宏觀經濟的靈丹妙藥，但他建議，行政「文書工作」的壓縮，以及透過更精準的預防性「目標定位」減少昂貴的晚期手術干預，最終將推低成本。
展望未來，Singhal 提出了醫療保健的「第 37 手」（Move 37）概念——參考 AlphaGo 那手反直覺但精妙的著法。他認為 AI 最終將識別出令人類專家驚訝但從根本上正確的臨床模式，從而徹底改變我們治療疾病的方式。這延伸到了科學前沿，AI 有望加速新分子靶點的識別，並優化臨床試驗的優先順序（目前臨床試驗的瓶頸在於候選藥物過多而試驗名額不足）。
最終，a16z 與 Singhal 的交流將 AI 定義為一種「打破壁壘」的工具。無論是透過與 Epic 等公司合作打破舊有電子健康紀錄（EHR）軟件的孤島，還是縮短生物醫學文獻與臨床實踐之間（目前需 5 到 17 年）的差距，其目標都是確保每位患者和醫療提供者都能實時獲取最前沿的醫學知識。
主要討論主題
通用模型 vs. 專用模型之爭
Singhal 為「通用模型內的專項訓練」策略辯護。他認為前沿模型進步的速度如此之快，任何獨立的醫療模型都會迅速過時。透過將醫療專用評估和數據整合到通用訓練流程中，OpenAI 在利用最大模型推理能力的同時，確保了臨床準確性，有效地達到了「兩全其美」。
醫學的「第 37 手」
一個核心哲學觀點是 AI 提供非顯而易見臨床洞察的潛力。正如 AlphaGo 揭示了圍棋的新策略，Singhal 相信 AI 最終將分析跨越數十年的長期患者數據，提出人類臨床醫生（受限於認知偏差或時間有限）永遠不會考慮、但最終能挽救生命的干預方案。
信任與共識框架
由於醫學往往是一門關於分歧的藝術，Singhal 解釋說 OpenAI 並不依賴一小群內部醫生來定義「真相」。相反，他們利用由數百名專家組成的全球網絡來匯聚共識。他們專門訓練模型區分「普通用戶」與「臨床醫生」，據此調整專業術語的使用，並將臨床安全性置於用戶對「正面」答案的情緒渴望之上。
縮小「知識滲透」差距
Singhal 強調了當前醫學的一個關鍵缺陷：新臨床指南傳達到日常實踐所需的時間（5-17 年）。他認為 AI 可以作為最新生物醫學文獻與臨床醫生工作流之間的實時橋樑，消除這種延遲，確保「標準治療方案」能在全球範圍內立即更新。
充裕智能的經濟學 (The Economics of Abundant Intelligence)
此次討論探討了智能「成本驟降」的現象。Singhal 認為，一旦達到一定的臨床可靠性水平，提供該智能的成本將趨近於零。雖然這可能無法立即解決 5.3 兆美元的醫療支出問題，但它瞄準了支付方與醫療提供者之間的「行政軍備競賽」，有望利用基於環境臨床筆記的共享「事實基準」(ground truth) 來取代計費機器人。
驚人洞察
- 知識滯後： 一項新的循證臨床指南，平均需要長達 17 年才能被執業醫師採納。
- 成本與性能： 新型的小型模型（如 GPT-6 Luna）在專業健康基準測試中的表現優於之前的「最佳」模型，而成本卻降低了 34 倍。
- 安全性優先於滿意度： OpenAI 在訓練健康模型時，明確要求忽略「淨推薦值」(NPS，即用戶滿意度)，而優先考慮臨床正確性，即便用戶希望能得到一個雖虛假但令人安心的答案。
- 「第 37 步」的潛力： 預計 AI 將發現全新的醫療策略，這些策略最初在人類專家眼中可能顯得「錯誤」或「愚蠢」，但隨後被證明是天才之舉。
- 數據「黑盒」問題： 大量的醫療洞察目前被鎖在「盒子」中（遺留的電子健康紀錄 EHR 和理賠數據），這些數據雖然被生成，但從未被挖掘以獲取新知識。
- 抗生素過度使用： 針對臨床醫師輔助工具的早期測試顯示，AI 能有效標記系統性的抗生素過度使用情況，促使醫生思考全球耐藥性問題，而非僅關注單個病例。
- 「四分衛」角色： 短期內 AI 的最高價值不在於診斷，而是在於協調就診之間「碎片化」的物流與流程管理。
實務啟示
- 押注於模型的成長： 對於醫療開發者而言，最關鍵的策略是基於會持續進步的模型進行開發，而非試圖構建一個「靜態」的專業模型，因為後者很快會被前沿模型所超越。
- 優先考慮「最後一哩路」： 醫療科技創業公司的最大機會不在於「智能」（智能正逐漸商品化），而是在於交付的「最後一哩路」——即工作流的整合與患者的依從性。
- 實施「安全網」而非「替代方案」： AI 應被部署為「副駕駛」或「安全網」，用於標記錯誤（如藥物相互作用），而非作為主要的決策者。
- 專注於縱向數據： 從處理「單次就診」數據轉向分析「縱向」數據（多年的病史），以尋找主動干預的機會。
- 降低激活能： 為了提高 AI 在醫療領域的普及率，開發者必須首先解決 HIPAA 合規性和安全瓶頸，從而降低採用的「激活能」。
- 利用環境智能： 利用環境監聽與轉錄技術為醫療就診建立「事實基準」，減少醫療提供者與支付方之間的行政爭端。
- 專注於預防性精準定位： 利用 AI 確定患者需要手術的確切時刻，以避免後期干預所帶來的指數級高昂成本。
La quête de « l’intelligence santé » vise à résoudre un paradoxe de la médecine moderne : un système dont le PIB est supérieur à celui de la plupart des nations, mais qui souffre néanmoins d’une pénurie chronique, où les rendez-vous avec des spécialistes prennent des mois et où les consultations médicales sont compressées en intervalles frénétiques de quinze minutes. Karan Singhal, d’OpenAI, avance que la voie à suivre n’est pas de remplacer le médecin, mais de fournir à chaque être humain un « expert en santé de haute fidélité dans sa poche ». En intégrant une formation médicale spécialisée dans des modèles de pointe polyvalents, OpenAI cherche à relever le « plancher » de la santé mondiale — en rendant l’intelligence fiable gratuite et abondante — tout en relevant simultanément le « plafond » en accélérant la découverte scientifique et la précision clinique.
Le cœur intellectuel de la conversation s’articule autour du choix architectural consistant à intégrer l’expertise médicale au sein d’un modèle général plutôt que de construire une « IA médicale » autonome. Singhal soutient que les modèles spécialisés sont rapidement dépassés par la « frontière » de l’intelligence et du raisonnement général. En « profitant de l’élan » des modèles phares et en les affinant grâce aux données d’un réseau mondial de centaines de médecins, OpenAI crée un système qui possède à la fois de vastes capacités de raisonnement et une nuance clinique profonde. a16z interpelle Singhal sur la nature de la confiance, s’interrogeant sur la manière dont une IA gère la tension entre le désir de réassurance de l’utilisateur et la nécessité clinique d’un diagnostic difficile. Singhal explique que la sécurité prime sur la satisfaction de l’utilisateur (NPS), et que le modèle est entraîné à reconnaître et à nuancer sa propre incertitude lorsque le consensus fait défaut.
Une part importante du dialogue explore le « dernier kilomètre » des soins de santé — l’écart fragmenté entre les visites cliniques. a16z imagine un futur où des agents d’IA géreraient les frictions administratives liées aux assurances, à la planification et aux protocoles post-hospitalisation. Singhal acquiesce, considérant l’IA comme un « quarterback » ou un filet de sécurité. Il cite des expériences menées avec Penn Medicine où un copilote clinicien a signalé proactivement des interactions médicamenteuses que les médecins avaient manquées en raison de contraintes de temps. Ce changement fait passer l’IA d’un outil de recherche passif à un agent proactif capable de surveiller des données longitudinales — comme l’augmentation d’un taux d’hémoglobine glyquée (A1C) — et d’inciter le patient à effectuer une révision nécessaire de son traitement avant qu’une crise ne survienne.
La conversation pivote ensuite vers l’impact systémique de « l’intelligence commoditée ». Singhal note une tendance stupéfiante : des modèles plus récents et plus petits (comme GPT-6 Luna) surpassent les anciens modèles phares sur les tests de référence cliniques tout en étant nettement moins coûteux (jusqu’à 34 fois moins chers). a16z demande si cela réduira réellement les 5,3 billions de dollars dépensés pour les soins de santé aux États-Unis. Bien que Singhal admette que l’intelligence seule n’est pas une solution miracle macroéconomique, il suggère que la compression de la « paperasse » administrative et la réduction des interventions procédurales coûteuses et tardives grâce à un meilleur « ciblage » préventif finiront par faire baisser les coûts.
Se tournant vers l’horizon, Singhal introduit le concept du « Coup 37 » pour la santé — en référence au coup contre-intuitif mais brillant d’AlphaGo. Il suggère que l’IA finira par identifier des schémas cliniques qui surprendront les experts humains mais s’avéreront fondamentalement corrects, changeant ainsi radicalement la manière dont nous traitons les maladies. Cela s’étend à la frontière scientifique, où l’IA devrait accélérer l’identification de nouvelles cibles moléculaires et optimiser la priorisation des essais cliniques, qui sont actuellement limités par un surplus de médicaments candidats et une pénurie de créneaux d’essais.
En fin de compte, l’échange entre a16z et Singhal présente l’IA comme un outil pour « dissoudre les barrières ». Qu’il s’agisse de briser les silos des logiciels de dossiers de santé électroniques (DSE) hérités grâce à des partenariats avec des entreprises comme Epic, ou de combler le fossé entre la littérature biomédicale et la pratique au chevet du patient — qui prend actuellement 5 à 17 ans — l’objectif est de garantir que les connaissances médicales les plus actuelles soient disponibles en temps réel pour chaque patient et chaque prestataire.
Principaux thèmes de discussion
Le débat Modèle Général vs Modèle Spécialisé
Singhal défend la stratégie de « l’entraînement spécialisé au sein d’un modèle général ». Il soutient que le rythme d’amélioration des modèles de pointe est si rapide que tout modèle médical autonome deviendrait rapidement obsolète. En intégrant des évaluations et des données spécifiques à la santé dans le pipeline d’entraînement général, OpenAI tire profit de la puissance de raisonnement des plus grands modèles tout en garantissant l’exactitude clinique, obtenant ainsi « le meilleur des deux mondes ».
Le « Coup 37 » de la médecine
Un point philosophique central est le potentiel de l’IA à fournir des perspectives cliniques non évidentes. Tout comme AlphaGo a révélé de nouvelles stratégies au jeu de Go, Singhal pense que l’IA analysera éventuellement des données longitudinales de patients sur plusieurs décennies pour suggérer des interventions que les cliniciens humains — limités par des biais cognitifs ou un manque de temps — n’envisageraient jamais, mais qui s’avéreront finalement vitales.
Le cadre de confiance et de consensus
Parce que la médecine est souvent un art du désaccord, Singhal explique qu’OpenAI ne s’appuie pas sur un petit groupe de médecins internes pour définir la « vérité ». Au lieu de cela, ils utilisent un réseau mondial de centaines d’experts pour agréger un consensus. Ils entraînent spécifiquement les modèles à distinguer les « utilisateurs profanes » des « cliniciens », adaptant le jargon technique en conséquence et privilégiant la sécurité clinique sur le désir émotionnel de l’utilisateur d’obtenir une réponse « positive ».
Réduire l’écart de « pénétration des connaissances »
Singhal souligne une défaillance critique de la médecine actuelle : le temps nécessaire pour que les nouvelles directives cliniques atteignent la pratique quotidienne (5 à 17 ans). Il soutient que l’IA peut éliminer cette latence en servant de pont en temps réel entre la littérature biomédicale la plus récente et le flux de travail du clinicien, garantissant que la « norme de soins » soit mise à jour instantanément à travers le monde.
L’économie de l’intelligence abondante
La discussion explore la « chute vertigineuse » du coût de l’intelligence. Singhal avance qu’une fois qu’un niveau fixe de fiabilité clinique sera atteint, le coût de production de cette intelligence tendra vers zéro. Bien que cela ne puisse pas régler instantanément les 5 300 milliards de dollars de dépenses de santé, cela s’attaque à la « course aux armements administrative » entre les payeurs et les prestataires, en remplaçant potentiellement les robots de facturation par une « vérité terrain » partagée, basée sur des notes cliniques ambiantes.
Perspectives surprenantes
- Le retard de connaissances : Il peut falloir jusqu’à 17 ans pour qu’une nouvelle directive clinique fondée sur des preuves soit adoptée par le médecin praticien moyen.
- Coût vs Performance : De nouveaux modèles plus petits (comme GPT-6 Luna) obtiennent de meilleurs résultats sur les tests de référence de santé professionnelle que les précédents « meilleurs » modèles, tout en étant 34 fois moins chers.
- La sécurité avant la satisfaction : OpenAI entraîne explicitement ses modèles de santé à ignorer le « Net Promoter Score » (le bonheur de l’utilisateur) au profit de l’exactitude clinique, même si l’utilisateur espère une réponse rassurante mais fausse.
- Le potentiel du « Coup 37 » : On s’attend à ce que l’IA découvre des stratégies médicales entièrement nouvelles qui sembleraient initialement « erronées » ou « stupides » aux yeux des experts humains, mais qui s’avéreraient géniales par la suite.
- Le problème des données « enfermées » : Une quantité massive de connaissances médicales est actuellement enfermée dans des « boîtes » (anciens dossiers de santé électroniques et données de réclamations) qui sont générées mais jamais exploitées pour produire de nouveaux savoirs.
- La surutilisation des antibiotiques : Les premiers tests avec des co-pilotes cliniciens ont montré que l’IA était efficace pour signaler la surutilisation systémique des antibiotiques, poussant les médecins à réfléchir à la résistance mondiale plutôt qu’au seul cas local.
- Le rôle de « Quarterback » : À court terme, la valeur ajoutée la plus élevée de l’IA ne réside pas dans le diagnostic, mais dans la navigation à travers la logistique « fragmentée » entre les visites médicales.
Enseignements pratiques
- Parier sur la croissance des modèles : Pour les développeurs de santé, la stratégie la plus critique est de s’appuyer sur des modèles qui s’amélioreront, plutôt que d’essayer de construire un modèle spécialisé « statique » qui sera éclipsé par les modèles de pointe.
- Prioriser le « dernier kilomètre » : La plus grande opportunité pour les startups de HealthTech ne réside pas dans « l’intelligence » (qui devient une commodité), mais dans le « dernier kilomètre » de la prestation : l’intégration dans les flux de travail et l’observance des patients.
- Implémenter des « filets de sécurité » et non des « remplacements » : L’IA doit être déployée comme un « co-pilote » ou un « filet de sécurité » qui signale les erreurs (comme les interactions médicamenteuses) plutôt que comme un décideur principal.
- Se concentrer sur les données longitudinales : Passer du traitement de données de « visite unique » à l’analyse de données « longitudinales » (plusieurs années d’historique) pour identifier des interventions proactives.
- Réduire l’énergie d’activation : Pour accroître l’adoption de l’IA en santé, les développeurs doivent se concentrer sur la réduction de « l’énergie d’activation » en résolvant d’abord les goulots d’étranglement liés à la sécurité et à la conformité HIPAA.
- Exploiter l’intelligence ambiante : Utiliser l’écoute et la transcription ambiantes pour créer une « vérité terrain » pour les visites médicales, réduisant ainsi les conflits administratifs entre prestataires et payeurs.
- Cibler la prévention : Utiliser l’IA pour identifier le moment exact où un patient a besoin d’une procédure afin d’éviter les coûts exponentiellement plus élevés des interventions tardives.
Das Streben nach „Health Intelligence“ zielt darauf ab, ein Paradoxon der modernen Medizin zu lösen: ein System, dessen BIP größer ist als das der meisten Nationen, das jedoch unter chronischer Knappheit leidet – wo Termine bei Fachärzten Monate dauern und Arztbesuche in hektische Fünfzehn-Minuten-Intervalle gepresst werden. Karan Singhal von OpenAI postuliert, dass der Weg nach vorne nicht darin besteht, den Arzt zu ersetzen, sondern jedem Menschen einen hochpräzisen „Gesundheitsexperten in der Tasche“ zur Verfügung zu stellen. Durch die Integration spezialisierter medizinischer Ausbildung in allgemeine Frontier-Modelle strebt OpenAI danach, das „Minimum“ der globalen Gesundheit anzuheben – indem zuverlässige Intelligenz kostenlos und im Überfluss verfügbar gemacht wird –, während gleichzeitig das „Maximum“ durch die Beschleunigung wissenschaftlicher Entdeckungen und klinischer Präzision gesteigert wird.
Der intellektuelle Kern des Gesprächs dreht sich um die architektonische Entscheidung, medizinische Expertise in ein allgemeines Modell einzubetten, anstatt eine eigenständige „medizinische KI“ zu bauen. Singhal argumentiert, dass spezialisierte Modelle schnell hinter der „Frontier“ der allgemeinen Intelligenz und des logischen Denkens zurückbleiben. Indem sie „eine Mitfahrgelegenheit“ auf der Skalierung von Flaggschiff-Modellen nutzen und diese mit Daten aus einem globalen Netzwerk von Hunderten von Ärzten verfeinern, schafft OpenAI ein System, das sowohl über breite Argumentationsfähigkeiten als auch über tiefe klinische Nuancen verfügt. a16z hinterfragt Singhal zur Natur des Vertrauens und dazu, wie eine KI mit dem Spannungsfeld zwischen dem Wunsch eines Nutzers nach Beruhigung und der klinischen Notwendigkeit einer schwierigen Diagnose umgeht. Singhal erklärt, dass die Sicherheit Vorrang vor der Nutzerzufriedenheit (NPS) hat und dass das Modell darauf trainiert ist, seine eigene Unsicherheit zu erkennen und vorsichtig zu formulieren, wenn kein Konsens besteht.
Ein erheblicher Teil des Dialogs befasst sich mit der „letzten Meile“ der Gesundheitsversorgung – der fragmentierten Lücke zwischen den klinischen Besuchen. a16z stellt sich eine Zukunft vor, in der KI-Agenten die administrativen Reibungsverluste bei Versicherungen, Terminplanungen und Entlassungsprotokollen übernehmen. Singhal stimmt dem zu und sieht die KI als „Quarterback“ oder als Sicherheitsnetz. Er führt Experimente mit Penn Medicine an, bei denen ein Clinician-Copilot proaktiv Wechselwirkungen von Medikamenten meldete, die Ärzte aufgrund von Zeitdruck übersehen hatten. Diese Verschiebung macht die KI von einem passiven Suchwerkzeug zu einem proaktiven Agenten, der longitudinale Daten – wie einen steigenden HbA1c-Wert – überwachen und den Patienten zu einer notwendigen Medikamentenüberprüfung anstoßen kann, bevor eine Krise eintritt.
Das Gespräch wendet sich dann den systemischen Auswirkungen einer „kommoditisierten Intelligenz“ zu. Singhal weist auf einen frappierenden Trend hin: Neuere, kleinere Modelle (wie GPT-6 Luna) übertreffen frühere Flaggschiff-Modelle in klinischen Benchmarks, während sie deutlich günstiger sind (bis zu 34-mal preiswerter). a16z fragt, ob dies tatsächlich die 5,3 Billionen Dollar senken wird, die in den USA für das Gesundheitswesen ausgegeben werden. Während Singhal zugibt, dass Intelligenz allein kein makroökonomisches Allheilmittel ist, legt er nahe, dass die Komprimierung administrativer „Papierarbeit“ und die Reduzierung teurer, spätstadiumiger prozeduraler Eingriffe durch ein besseres präventives „Targeting“ die Kosten letztlich senken werden.
Mit Blick auf den Horizont führt Singhal das Konzept des „Move 37“ für das Gesundheitswesen ein – in Anlehnung an den kontraintuitiven, aber brillanten Zug von AlphaGo. Er vermutet, dass die KI schließlich klinische Muster identifizieren wird, die menschliche Experten überraschen, sich jedoch als grundlegend korrekt erweisen und damit die Art und Weise, wie wir Krankheiten behandeln, fundamental verändern. Dies erstreckt sich auf die wissenschaftliche Grenze, wo von der KI erwartet wird, die Identifizierung neuer molekularer Ziele zu beschleunigen und die Priorisierung klinischer Studien zu optimieren, die derzeit durch einen Überschuss an Wirkstoffkandidaten und einen Mangel an Studienplätzen gebremst werden.
Letztendlich rahmt der Austausch zwischen a16z und Singhal die KI als ein Werkzeug zum „Auflösen von Barrieren“ ein. Ob es darum geht, die Silos veralteter elektronischer Patientenakten-Software durch Partnerschaften mit Unternehmen wie Epic aufzubrechen oder die Lücke zwischen biomedizinischer Literatur und der Praxis am Krankenbett – die derzeit 5 bis 17 Jahre beträgt – zu schließen: Das Ziel ist es, sicherzustellen, dass das aktuellste medizinische Wissen jedem Patienten und jedem Anbieter in Echtzeit zur Verfügung steht.
Zentrale Diskussionsthemen
Die Debatte: Allgemeines vs. spezialisiertes Modell
Singhal verteidigt die Strategie des „spezialisierten Trainings innerhalb eines allgemeinen Modells“. Er argumentiert, dass das Tempo der Verbesserung der Frontier-Modelle so rasant ist, dass jedes eigenständige medizinische Modell schnell obsolet würde. Durch die Integration gesundheitsspezifischer Evaluierungen und Daten in die allgemeine Trainingspipeline nutzt OpenAI die Argumentationskraft der größten Modelle und stellt gleichzeitig die klinische Genauigkeit sicher – effektiv das „Beste aus beiden Welten“.
Der „Move 37“ der Medizin
Ein zentraler philosophischer Punkt ist das Potenzial der KI, nicht offensichtliche klinische Erkenntnisse zu liefern. So wie AlphaGo neue Strategien im Spiel Go enthüllte, glaubt Singhal, dass die KI schließlich longitudinale Patientendaten über Jahrzehnte hinweg analysieren wird, um Interventionen vorzuschlagen, die menschliche Kliniker – eingeschränkt durch kognitive Verzerrungen oder Zeitmangel – niemals in Betracht ziehen würden, die sich jedoch letztendlich als lebensrettend erweisen.
Der Rahmen für Vertrauen und Konsens
Da Medizin oft eine Kunst der Uneinigkeit ist, erklärt Singhal, dass OpenAI sich nicht auf eine kleine Gruppe interner Ärzte verlässt, um die „Wahrheit“ zu definieren. Stattdessen nutzen sie ein globales Netzwerk aus Hunderten von Experten, um einen Konsens zu aggregieren. Sie trainieren die Modelle gezielt darauf, zwischen „Laien“ und „Klinikern“ zu unterscheiden, passen den technischen Jargon entsprechend an und priorisieren die klinische Sicherheit gegenüber dem emotionalen Wunsch des Nutzers nach einer „positiven“ Antwort.
Verringerung der Lücke in der „Wissenspenetration“
Singhal hebt ein kritisches Versagen der aktuellen Medizin hervor: die Zeit, die neue klinische Leitlinien benötigen, um in die tägliche Praxis zu gelangen (5–17 Jahre). Er argumentiert, dass KI diese Latenz eliminieren kann, indem sie als Echtzeit-Brücke zwischen der neuesten biomedizinischen Literatur und dem Arbeitsablauf des Klinikers fungiert und so sicherstellt, dass der „Standard of Care“ weltweit sofort aktualisiert wird.
Die Ökonomie der überbordenden Intelligenz
Die Diskussion befasst sich mit den „stark sinkenden Kosten“ von Intelligenz. Singhal geht davon aus, dass die Kosten für die Bereitstellung dieser Intelligenz gegen Null sinken werden, sobald ein fest definiertes Niveau an klinischer Zuverlässigkeit erreicht ist. Dies mag zwar nicht sofort die Gesundheitsausgaben in Höhe von 5,3 Billionen Dollar beheben, zielt jedoch auf das „administrative Wettrüsten“ zwischen Kostenträgern und Leistungserbringern ab, indem Abrechnungs-Bots potenziell durch eine gemeinsame „Ground Truth“ (objektive Faktenbasis) ersetzt werden, die auf ambienten klinischen Notizen basiert.
Überraschende Erkenntnisse
- Die Wissenslücke: Es kann bis zu 17 Jahre dauern, bis eine neue, evidenzbasierte klinische Leitlinie vom durchschnittlichen praktizierenden Arzt übernommen wird.
- Kosten vs. Leistung: Neue, kleinere Modelle (wie GPT-6 Luna) schneiden bei professionellen Gesundheits-Benchmarks besser ab als frühere „Best-in-Class“-Modelle und sind gleichzeitig 34-mal günstiger.
- Sicherheit vor Zufriedenheit: OpenAI trainiert Gesundheitsmodelle explizit darauf, den „Net Promoter Score“ (Nutzerzufriedenheit) zugunsten der klinischen Korrektheit zu ignorieren – selbst wenn der Nutzer auf eine beruhigende, aber falsche Antwort hofft.
- Das „Move 37“-Potenzial: Es wird erwartet, dass die KI völlig neue medizinische Strategien entdeckt, die menschlichen Experten anfangs „falsch“ oder „dumm“ erscheinen, sich später jedoch als brillant erweisen.
- Das Problem der Daten-„Boxen“: Eine enorme Menge an medizinischen Erkenntnissen ist derzeit in „Boxen“ (veralteten elektronischen Patientenakten und Abrechnungsdaten) gefangen; diese Daten werden generiert, aber niemals nach neuem Wissen durchforstet.
- Übermäßiger Antibiotikaeinsatz: Erste Tests mit klinischen Co-Piloten zeigten, dass die KI effektiv den systemischen Übergebrauch von Antibiotika markieren konnte und Ärzte dazu anregte, über globale Resistenzen statt nur über den Einzelfall nachzudenken.
- Die Rolle des „Quarterbacks“: Der höchste kurzfristige Wert der KI liegt nicht in der Diagnose, sondern in der Steuerung der „fragmentierten“ Logistik zwischen den Arztbesuchen.
Praktische Schlussfolgerungen
- Auf Modellwachstum setzen: Für Entwickler im Gesundheitswesen ist die wichtigste Strategie, auf Modellen aufzubauen, die stetig besser werden, anstatt zu versuchen, ein „statisches“, spezialisiertes Modell zu entwickeln, das von den Frontier-Modellen überholt wird.
- Priorisierung der „letzten Meile“: Die größte Chance für Health-Tech-Startups liegt nicht in der „Intelligenz“ (die zu einem Commodity-Gut wird), sondern in der „letzten Meile“ der Bereitstellung – der Integration in Arbeitsabläufe und der Patienten-Compliance.
- „Sicherheitsnetze“ statt „Ersatzlösungen“ implementieren: KI sollte als „Co-Pilot“ oder „Sicherheitsnetz“ eingesetzt werden, das Fehler (wie Medikamentenwechselwirkungen) meldet, und nicht als primärer Entscheidungsträger.
- Fokus auf Longitudinaldaten: Wechsel von der Behandlung von „Einzelbesuchsdaten“ hin zur Analyse von „Longitudinaldaten“ (jahrelange Historie), um proaktive Interventionen zu finden.
- Aktivierungsenergie senken: Um die KI-Adaption im Gesundheitswesen zu steigern, müssen Entwickler die „Aktivierungsenergie“ senken, indem sie zuerst HIPAA-Konformität und Sicherheitsengpässe lösen.
- Ambient Intelligence nutzen: Einsatz von ambientem Zuhören und Transkription, um eine „Ground Truth“ für Arztbesuche zu schaffen und so den administrativen Streit zwischen Leistungserbringern und Kostenträgern zu reduzieren.
- Fokus auf präventives Targeting: Einsatz von KI, um den exakten Moment zu identifizieren, in dem ein Patient einen Eingriff benötigt, um die exponentiell höheren Kosten von Spätinterventionen zu vermeiden.
More than 300 million people use ChatGPT for health and wellness questions each week. OpenAI’s Karan Singhal thinks that’s only the beginning: the longer-term goal is AI that can help people navigate their health proactively, while making trustworthy medical intelligence dramatically more accessible.
Karan joins a16z Partner Jay Rughani to explain why OpenAI trains healthcare expertise directly into its general-purpose frontier models, how it works with hundreds of medical experts to evaluate safety and disagreement, and why the company sees AI as a complement to doctors rather than a replacement for medical care. They also discuss integrations with Epic, AI copilots for clinicians, and what happens as personal agents begin navigating appointments, health records, and other fragmented parts of the healthcare system.
Looking further ahead, Karan makes the case that the cost of medical intelligence could continue to fall dramatically, allowing AI to act as a safety net for patients and clinicians, surface insights from years of health data, and potentially accelerate the discovery and validation of new treatments.
Resources:
Follow Karan Singhal on X: https://x.com/thekaransinghal
Follow Jay Rughani on X: https://x.com/JayRughani
Stay Updated:
Find a16z on YouTube: YouTube
Find a16z on X
Find a16z on LinkedIn
Listen to the a16z Show on Spotify
Listen to the a16z Show on Apple Podcasts
Follow our host: https://twitter.com/eriktorenberg
Please note that the content here is for informational purposes only; should NOT be taken as legal, business, tax, or investment advice or be used to evaluate any investment or security; and is not directed at any investors or potential investors in any a16z fund. a16z and its affiliates may maintain investments in the companies discussed. For more details please see a16z.com/disclosures.
Hosted by Simplecast, an AdsWizz company. See pcm.adswizz.com for information about our collection and use of personal data for advertising.
-
How Global Networks Are Reshaping Startup Success
Elena Burger is joined by a16z’s Angela Strange and Gabriel Vasquez to discuss the rise of the “borderless founder”: entrepreneurs who bring the networks and insights of their home markets together with the talent, capital,…
-
How Whatnot Built a Global Marketplace
a16z General Partner David George is joined by Grant LaFontaine, co-founder of Whatnot, to unpack how a marketplace that started with collectibles evolved into one of the world’s leading live shopping platforms. Grant traces the…
-
How Do You Defend Against AI That Can Hack?
a16z’s Joel De La Garza is joined by Nick Warner of Neo and Max Pollard of Cotool to discuss what happens when cybersecurity tools built to defend against humans and malware suddenly have to contend…
-
Stripe’s AI Strategy: Build More, Not Less
a16z General Partner David George is joined by Will Gaybrick, President of Product & Business at Stripe, to discuss how AI is changing the way Stripe builds products, organizes teams, and thinks about the future…
-
Ben Horowitz and Travis Kalanick on Building Again
Ben Horowitz, Travis Kalanick, and Erik Torenberg take the stage at Atoms’ launch event for a candid fireside conversation about entrepreneurship, company building, and why Kalanick believes the next industrial revolution will be powered by…
-
The Two Ways to Sell AI: Lighthouse or Landgrab?
Elena Burger is joined by a16z’s Andy McCall and Joe Schmidt to break down two very different ways AI startups can go to market: the lighthouse and the landgrab. Should founders win a handful of…
-
Garry Tan on Taste, Agents and Founder Ambition
Anish Acharya is joined by Garry Tan, President and CEO of Y Combinator, for a conversation about how AI is rewriting the startup playbook, why founders should be more ambitious than ever, and what two…
-
The CISO Playbook for AI Agents | Datadog
a16z’s Joel De La Garza is joined by Emilio Escobar, Chief Information Security Officer at Datadog, to discuss what it takes to secure a company where nearly every employee is using AI and more than…
-
The Self-Improving Company | Kavak’s AI Playbook
Angela Strange and Gabriel Vasquez are joined by Alejandro Maza Ayala, Chief Product & AI Officer at Kavak, to unpack how the Latin American used-car marketplace rebuilt itself around AI agents, with 96% of customer…
-
The Reality of AI-Powered Cyberattacks | Truffle Security & Socket
Joel De La Garza is joined by Dylan Ayrey, co-founder and CEO of Truffle Security, and Feross Aboukhadijeh, founder and CEO of Socket, to discuss one of the biggest shifts happening in cybersecurity: AI models…