在人工智能飞速发展的今天，医疗领域正经历着一场深刻的变革。OpenEvidence 作为一家专注于医疗AI的公司，正在通过其创新的产品和服务，改变医生获取和应用医学知识的方式。
医疗一直是 LLM 最具潜力的应用场景之一。OpenEvidence 则是其中最受关注的公司。OpenEvidence 所处的赛道是医疗领域中一个关键且尚未被充分满足的供需交叉点：临床医生对高效、可信且实时的循证医学知识的需求，以及传统静态数据库（如 UpToDate）在信息时效性、交互性和便捷性方面的滞后性。
CEO Nadler 在 No Priors 访谈中提到，医生之所以迫切需要 OpenEvidence，是因为医学知识更新过快：毕业仅十年的医生，可能就对最新药物或疗法一无所知；不同年龄段患者对同一病症的最佳疗法差异巨大；某些复杂病例甚至需要跨好几个专科咨询，但医生的时间和精力有限。正是这些“盲区”，导致医疗差错成为美国第三大死因。
因此，OpenEvidence 的切入点不是低风险的文书工作，而是直击临床决策中最复杂和最关键的问题。更重要的是，公司秉持一个理念：为专业人士做消费级产品。传统上，医生等知识工作者被迫使用笨拙的 2B 工具，而 OpenEvidence 让他们像普通消费者一样，在 App Store 下载一款流畅、即时可用的应用。这一设计既重塑了医疗技术的分发模式，也让医生首次真正被当作“个体用户”来对待。它绕过了传统机构冗长的采购流程，以类似消费级产品的 PLG（产品驱动增长） 策略实现了病毒式传播。
在这个过程中，OpenEvidence 发现其高效匹配医生临床需求的能力，在“决策点（Point-of-Care）”数据领域具有强烈的 PMF。因此，它将商业化重点从单纯的工具提供，转向“情境感知的药品营销”服务，从一个医生工具转型为数据商业化平台，成为医疗广告市场的直接竞争者。
OpenEvidence 目前成功吸引了超过 40% 的美国医生用户。在不到两年的时间里，平台每月处理的医生咨询量从 2024 年的 36 万次飙升至 2025 年的 850 万次，增长超过 20 倍。在自身业务高速增长的背景下，OpenEvidence 获得了 Google Ventures 和 Kleiner Perkins 领投的 2.1 亿美元 B 轮融资，投后估值攀升至 35 亿美元。
通过向医生直接提供免费的 AI chatbot 诊断助手，它绕过了传统机构冗长的系统采购流程实现了类似消费级产品的病毒式增长。这种 PLG 战略，正在取代 UpToDate 这样静态的数据库，提供的是互动式、按需的精准循证答案，以秒为单位，而不是以小时为单位。截至目前，Openevidence 吸引了超过 40%的美国医生用户。最初由住院医师引领，现在已成为主治医师、执业医师助理（APP）以及超过 1 万家医院的主流工具。
Source: Coatue EMW 2025
根据 Coatue 在 2025 年 6 月 16 日发布的 Partnering with OpenEvidence 报告：
OpenEvidence 成为医生数量增长最快的平台。该平台已被包括加州大学旧金山分校（UCSF）医学院主席 Robert Wachter 在内的专家公认为增长最快的医生平台。
OpenEvidence 在网络流量上超越 Doximity AI。过去十年，Doximity（纽交所上市公司） 一直是美国医生的“数字名片 + 临床网络工具”，被视为 医生线上互动的黄金标准。其商业模式与 OpenEvidence 类似，为制药公司和医疗机构提供精准触达医生的数字化平台。Doximity 覆盖约 80% 的美国医生，2025 财年收入 5.7 亿美元，市值约 124 亿美元。OpenEvidence 的使用量已经是 Doximity AI 工具的 12 倍（截至 2025 年 6 月），流量全面超越 Doximity。OE 可能成为美国医生使用最广泛的数字平台新标准。
医生在 OpenEvidence 上花的时间超过传统临床平台。传统平台如 Medscape、Epocrates、Doximity，一直是医生线上学习和工作的重要工具。现在 OpenEvidence 已经超过所有这些平台，成为医生在数字化工具上花时间最多的平台。
OpenEvidence 树立了医生参与度的新标杆。医生在 OpenEvidence 平均每次会话停留 13.3 分钟。这比在 Doximity 上长 4 倍，比和传统药企医药代表互动时间长 7 倍。这说明 OpenEvidence 既能让医生持续投入，也能给广告主（药企、器械厂商）带来远高于传统渠道的转化效率。
医生使用量快速增长： 过去一年，OpenEvidence 的查询量增长了 37 倍，目前每月处理美国医生的 700 万次医疗问题。
顶级、专有的医学知识：OpenEvidence 与《新英格兰医学杂志》、《美国医学会杂志》及其所有专科期刊建立了内容合作关系。这使其能够合法地使用大量受版权保护的、经过严格同行评审的黄金标准级医学内容进行模型训练。这是通用型 AI（或资金不足的初创公司无法企及的。同时，OpenEvidence 全面覆盖了 PubMed 等公共数据库，模型会进行每晚的 LLM 再训练，吸收最新的文献，这解决了传统工具（如 UpToDate）依赖数千名作者手动更新导致的滞后性问题，信息更有时效性。
用户数据飞轮：在不到两年的时间里，平台吸引了超过 40%的美国医生，每月处理的医生咨询量从 2024 年的 36 万次飙升至 2025 年的 850 万次，增长超过 20 倍。每一次用户查询都是一个宝贵的数据点。这些数据揭示了临床医生在真实工作流中遇到的真实问题，OE 可以利用这些数据识别模型的知识盲点、优化答案相关性、验证模型准确性（比如用户的后续行为，如点击哪个引用链接为模型的答案提供了隐性反馈）。
商业化数据引擎：“决策点”数据。平台的收入来自“情境感知的药品营销” 。广告的投放是基于医生当下正在研究的临床问题，比如当一名肿瘤科医生正在查询特定基因突变的治疗方案时，向他展示相关新药的广告，其价值“指数级高于”在社交平台（如 Doximity）信息流中看到的广告。这让 OpenEvidence 的广告位拥有很大的溢价空间。
OE 目前的收入几乎完全来自与上下文相关的药品营销：OE 直接切入了庞大的制药与医疗器械营销预算。在医生做临床决策的瞬间嵌入相关、精准的药物信息（例如医生在研究治疗方案时展示某新药的循证数据），能为广告主带来更高的 ROI。
公司已开始试点基于席位的许可证（比 UpToDate 便宜约 20-30%）和按使用量计费的 API 接口，商业模式向企业级转变。
公司 CEO Daniel Nadler 拥有哈佛大学经济学博士学位，曾创立 Kensho Technologies，以 5.5 亿美元被收购。团队由来自哈佛和麻省理工学院的 AI 人才组成，其开发专门的模型，在医学委员会考试中的错误率比通用大型语言模型低 77%。
来自传统巨头和科技大公司的竞争
传统临床内容平台的“信任+分销” 优势：UpToDate、ClinicalKey、BMJ 等传统 CDS 平台，虽然产品迭代缓慢，但它们在学术权威性和医院采购关系上有较深的护城河。这些传统巨头推出基于自身权威数据库的 LLM/对话式工具，可能成为 OpenEvidence 的直接替代品。但是 OE 目前数据增长势头使这件事发生的可能性很小。
AI 原生工作流初创公司（如 Abridge、Ambience、Suki）占据医生最核心的工作流环节（病历记录、EHR 接口、医嘱、计费）。如果它们成功嵌入医生日常操作，OE 可能被边缘化成参考工具，很难进入临床交易闭环。
大厂（Google、Microsoft） 拥有模型能力、云服务渠道、EHR 分销能力，一旦整合临床级助手与 EHR 深度绑定，扩张速度可能远超 OpenEvidence。
如何在利用广告实现商业化的同时保持平台的中立性？
广告模式的成功取决于能否保持医生的信任。平台必须在商业化和维护临床建议的完整性之间找到平衡。如果未能阻止广告商带来的感知或实际偏见，其用户基础和信誉可能会迅速流失，而这正是公司的核心资产。
OpenEvidence 的 TAM 是两个市场的交集：重新分配美国每年超过 200 亿美元 的 医疗健康专业人士（HCP） 营销预算，以及全球 166 亿美元 的 临床决策支持系统（CDS） 市场份额。
美国 2024 年面向医生的推广预算约为 280 亿美元。 其中约 90-100 亿美元已用于数字渠道，而仍有 190 亿美元（约 68%）用于现场销售代表。我们对未来五年的展望显示，数字和即时护理（POC）渠道将以 9-11% 的复合年增长率增长，而医药代表预算保持不变，到 2029 年将额外转移 40-50 亿美元到可衡量、内容丰富的媒体渠道。
IQVIA/Kantar 估计美国商业推广总额约为 300 亿美元，其中数字渠道占 HCP 和 DTC（直接面向消费者）受众的约 100 亿美元。
ZS Associates 指出，尽管 HCP 的接触机会在减少，但超过 50% 的销售、总务和行政费用仍然流向销售代表和品牌营销。
IQVIA ChannelDynamics 的数据显示，面对面拜访仍然是最大的单一联系驱动因素（在 2023 年占所有被回忆的推广量的 39%）。
综合这些来源，我们将 300 亿美元中的约 93% 归为面向 HCP 的支出（不包括 DTC 大众媒体），得出 280 亿美元的市场规模。
由于销售代表的固定薪资、接触方式以及 MLR（医疗损失率） 的滞后性，在未来 3-5 年内，预计只有 10-15% 的销售代表支出（约 20-30 亿美元）是现实上可转移的。要赢得这部分资金，需要有闭环的、处方量增长的证据，且增长贡献要超过每位销售代表每年约 12-15 万美元的贡献。
数字渠道（程序化 + 即时护理）目前已占总支出的 18%，预计到 2029 年将上升到约 30%。除了渠道转移，还有积极的市场趋势：Doximity 的财报电话会议显示，中型和中小型制药企业的营销支出在过去 6-9 个月“强劲回归”，这是疫情以来首次看到制药营销的全面复苏。
根据 Frost & Sullivan 的预测，全球 CDS 市场到 2030 年将达到 166 亿美元，年复合增长率为 7.6% 。临床医生职业倦怠加剧、EHR 数据量激增以及 LLM 推理成本的急剧下降，正推动市场转向能在 15 秒内提供简洁、带来源链接答案的 AI 工具。
核心论点是重新分配制药和医疗器械公司每年用于影响医生决策的预算，将数十亿美元从低投资回报率（ROI）的线下渠道（如销售代表、医学会议）转移到高投资回报率、数字化的即时护理平台。
底线：UpToDate（订阅模式）
UpToDate 年收入约 5.76 亿美元，说明医生确实愿意为临床决策信息付费。但订阅模式上限有限。
直接对标：Doximity（广告模式）
Doximity 是美国医生的专业社交网络，其商业模式在原则上与 OpenEvidence 非常相似：为制药公司和医疗机构提供数字化平台，精准触达医生用户。截至 2025 年 3 月 31 日的财年，Doximity 的总收入为 5.704 亿美元，市值约 124 亿美元，覆盖了 80% 的美国医生。
值得注意的是，Doximity 的 “营销解决方案” 业务拥有高毛利和极低的边际成本。其 Adjusted EBITDA Margin 从 2021 财年上市时的约 31% 上升到 2025 财年的 55%。
Doximity 的成功验证了 OpenEvidence 的路径：拥有大量、高度活跃医生用户的平台，可以通过广告模式实现数亿美元级别的收入，远超订阅模式的天花板。
Doximity 将 TAM 分为三部分，共 185 亿美元，集中于制药公司与医疗机构的营销收入与招聘收入。
制药营销（Pharmaceutical Marketing） 指制药厂商每年用于针对医生的数字营销总支出，规模约 78 亿美元。
医疗系统营销与人员配置（Health System Marketing and Staffing） 包括医院营销支出，以及来自临时医生租赁和永久人员配置解决方案的收入机会，规模约 69 亿美元。
远程医疗（Telehealth） 指向医疗服务机构和个人销售远程医疗服务所带来的收入机会，规模约 43 亿美元。
Doximity 偏向“社交”，而 OpenEvidence 在 “临床决策点（Point-of-Care）” 与医生互动，商业价值更高。决策点库存持续显示处方量有 10-30% 的增长，是标准展示广告的 3-5 倍，这支持了其高达 80-100 美元以上的 千次展示成本（eCPM）。如果 OpenEvidence 嵌入确定性的国家执业医师注册号（NPI） 数据分析和预先批准的广告模板，它可以在避免与根深蒂固的销售代表预算直接竞争的情况下，获得 20-30 亿美元转移预算中的实质性份额。
综上来看，OpenEvidence 未来有望：
抢占占总体营销预算近 70%的医药代表预算有一定的困难，转移这些预算不仅是财务问题；它也是一个复杂的组织和文化挑战。内部惰性是一个巨大的障碍，品牌团队在面临市场压力时可能会默认选择“久经考验”的销售代表模式。预算通常是孤立的，营销、医疗事务和现场销售团队各自为政，预算重新分配缓慢且充满政治色彩。所以要克服这种摩擦，OE 必须提供一个无可辩驳、有数据支持的价值，能够超越传统的孤岛。
目标用户数：
OpenEvidence 目前拥有 30 万至 40 万的月活跃用户 （MAU）。
OpenEvidence 的目标是达到与 Doximity 相似的用户渗透率。Doximity 的用户覆盖了超过 80%的美国医生。
美国大约有 100 万名执业医生。Doximity 级别的用户渗透率意味着约 80 万名医生的核心目标用户基数。
每用户平均收入（ARPU）：
广告：对标 Doximity
Doximity 年收入：$4.7 亿美元 （2024 财年）。
Doximity 用户基数：约 80 万名医生。
ARPU：$588/每位医生每年。但是 OpenEvidence “决策点” 的更高价值使其有每用户平均收入（ARPU） 提升潜力，OpenEvidence 的广告位能为药企带来更高的投资回报率，每用户平均收入（ARPU） 的天花板应高于 Doximity 的 588 美元。
CDS：对标 UpToDate
UpToDate 模型：约 $500/席位/年，对应全球 $5.95 亿收入（≈119 万席位用户，含医院 + 个人订阅）。
如果 OpenEvidence 能够逐步替代 UpToDate，则可以以更低价格（便宜 20–30%）但更高渗透率切入。所以假设未来 OE 平均 ARPU ≈ $350–400/医生/年
这样来计算，保守的可服务市场（Serviceable Market）约为 10 亿美元。
OpenEvidence 是专注于辅助医学诊断的 deepresearch 产品，为医生和医学生提供高效、精准的临床支持。其交互界面设计独特，每个回答都附带交叉引用编号和文献列表，确保信息的可追溯性和可验证性。
产品提供“双响应模式”:Care Guidelines（护理指南）和 Clinical Evidence（临床证据），一侧关注实践建议，一侧关注理论数据支持。每个答案后均附可能的后续问题，用户可以进行多轮深入互动。
高频任务：
临床诊疗支持：医生可以在查房时通过手机或网页确认药物剂量、禁忌症或最新指南。在症状分析模块，可解释模糊症状、识别潜在原因并建议检测路径。其治疗决策支持功能基于最新研究推荐方案，对药物疗效和耐药性进行比较，尤其适用于罕见和复杂病例。产品还包括了50+ 临床计算器涵盖高频场景，如疾病评分和药物剂量计算，简化复杂计算流程。例如 CHA2DS2-VASc 评分。（该评分通过患者年龄、性别、心衰、高血压、糖尿病、卒中史等因素计算风险分数，帮助医生判断 AF 患者发生卒中的概率）
复杂病例的快速证据综合：医生可以通过提示词让大语言模型（LLM）汇总关键试验，并提供带有内联 PubMed 链接的摘要。
行政及工作流辅助：住院医师报告称，他们会直接将 OE 生成的、富含引用的信函粘贴到保险公司的门户网站，取代了手动文献检索。还有患者出院说明及其他医疗文档，并自动附带引用。
医学知识追踪与学习功能：结构化知识更新，每日精选最新论文，生成可视化图表，并提供按专业分类的摘要
2025年7月15日，OpenEvidence 推出 DeepConsult，这是首个为医生设计的 AI 助手，可在医生繁忙时自主分析数百篇同行评议研究。医生可在休息前提交问题，返回后即可获得博士级别的证据综合结果。
处理复杂、深入的临床问题，超越以速度为核心的 OpenEvidence 搜索。
揭示跨学科洞察并生成循证报告。
向全美医生免费提供服务，尽管每次运行的计算成本是标准搜索的 100 倍。
OpenEvidence 是首个在美国执业医师资格考试（USMLE）中得分超过 90% 的 AI 系统。它在全部三项考试中的表现均优于 ChatGPT，错误率低 77%，显著减少了通用 AI 模型常见的“幻觉”问题。这种可靠性增强了医生对 AI 助手的信任，为医疗 AI 的实用性和可信度树立了新标准。
注： USMLE 是美国医学生获取临床执业资格的唯一资格考试。考试分为三步，分别侧重于基础医学科学、临床医学和技能应用。
自 2022 年成立以来，OpenEvidence 采取了独特的技术路径，专注于更小、更专业的模型，这与业界普遍强调大型通用语言模型（LLM）的趋势不同。尽管这一选择限制了模型的泛化能力，但却极大地增强了其在专业医疗领域的准确性和可靠性。
2023年，OpenEvidence 的研究论文《我们还需要临床语言模型吗》进一步验证了这一决策的正确性。该论文指出，在医疗领域，更小、更专业的模型表现优于大型通用模型，并因此获得了当年机器学习与医疗健康大会的最佳论文奖。
创始人 Daniel Nadler 引用了科幻作家 Ted Chiang 的比喻，指出“大型语言模型就像是世界的‘JPEG 压缩’”，强调了其广泛适用性是以牺牲细节准确性为代价的。相比之下，OpenEvidence 优先在医疗领域进行高质量的“压缩”，确保准确性和可靠性，为医疗 AI 提供精准、值得信赖的支持。
数据来源策略：
纯净知识库： 仅使用来自政府机构（如 FDA 和 CDC）、顶级期刊（如《新英格兰医学杂志》NEJM）以及专业协会指南的公开医疗文献进行模型训练。这种方法构建了一个“纯血”的知识库，其来源从超过 3600 万份 PubMed 摘要到完整的 NEJM 集团文献集，使用了超过 4 亿个同行评审的生物医学证据点。
质量分级： 建立了数据质量分级系统，从多个维度（如发表日期、影响因子、引用次数）对文献进行评分，优先使用权重更高的证据，以进一步确保回答的科学准确性和权威性。
实时更新： 每日访问美国国家医学图书馆的数据库，选择相关的期刊文章添加到其知识库中，从而保持文献的最新性。
隔离策略： 避免连接公共互联网，从而杜绝了来自健康博客和社交媒体等非专业来源的不准确信息和泛化数据，显著降低了 AI 产生“幻觉”的风险。
集成模型架构：
检索增强生成（RAG）路径： 遵循 RAG 技术路径，利用多个协作的小型模型（如检索、排序和验证模型）共同构成一个集成系统。
交叉验证： 每个模型负责一个特定任务，通过交叉验证来提高结果的可靠性。与传统的单一模型相比，这种设计显著降低了 AI“幻觉”的风险。
优化查询： 采用了专门的检索和排序模型，以优化医疗文献查询的效率。
目前已经被约 40% 美国医生采用，对应 ～40 万 MAU，每月医生咨询量达到 850 万次（2025 年 7 月）。每月新增 65,000 名认证临床医生注册，覆盖超过 10,000 家医院和医疗中心。
以一位医生使用 OpenEvidence 的典型案例为例：
案例分析
临床挑战： 皮肤科医生在治疗同时患有银屑病和多发性硬化症（MS）的患者时面临两难：既要有效治疗银屑病，又不能加重多发性硬化症。传统方法要求医生查阅多个专业领域的最新研究，而这些信息通常分散在冗长的论文中，难以快速获取。
OpenEvidence 解决方案： 医生可以直接向系统提问：“对于同时患有银屑病和多发性硬化症的患者，IL-17 抑制剂 和 IL-23 抑制剂 的安全性如何比较？” 系统会根据最新的医学文献迅速给出答案：对于此类患者，IL-23 抑制剂比 IL-17 抑制剂 更安全，并附上具体的参考文献。
临床价值： OpenEvidence 帮助医生快速获取关键信息，避免因治疗不当而加重患者的多发性硬化症，同时又能有效治疗银屑病，直接改善患者的生活质量和疾病预后。
客户评价：用户喜欢的方面：
高事实可靠性和低幻觉率：一位哈佛内科医生报告称，在使用数月后仅发现一个错误答案，且“没有明显的幻觉”。一项外部研究发现，OE 在骨关节病例中的表现“优于五种其他 LLM”，并率先在 USMLE（美国执业医师资格考试）风格的测试中准确率超过 90%。
透明的来源引用：所有答案都附有 PubMed 或 NEJM 的内联链接，便于快速验证。这是其与 ChatGPT-4o 和 Gemini 等通用 AI 的主要区别。
速度：10-15 秒内即可提供答案，每次查询节省数分钟。
用户抱怨的痛点：
EHR 整合不足：需要单独登录，无法在电子病历系统内无缝使用。
CME 学分（ Continuing Medical Education，继续医学教育学分）不通用：虽然通过 NEJM 提供免费的微型 CME 学分，但尚未覆盖所有专科。
专业领域深度不足：在处理高风险决策时，医生仍然会用 UpToDate 进行二次验证
*各州医学委员会（State Medical Boards）通常要求医生每年或每隔几年完成一定数量的 CME 学分，才能保持执照的有效性
OpenEvidence 的商业模式正在从免费增值向企业级收费演变。
变现方式：
制药公司、医疗器械厂商以及其他医疗健康相关方的定向广告。核心搜索体验免费，以最大化用户参与度和数据网络效应，这也是其广告业务的基础。广告会嵌入到医生的工作流程中，例如：当医生查阅免疫疗法研究时，展示 PD-1 抑制剂的信息；在回顾糖尿病病例时，提供 SGLT2 抑制剂相关数据。通过将广告内容与临床决策紧密结合，OpenEvidence 的广告转化效率远超传统互联网消费类平台。
订阅制。包括基于席位的许可证，将 OE 嵌入 EHR，解锁针对特定患者的模板。以及按使用量计费的 API，为第三方工具（如 AI 医疗文书助手）提供动力。
收入及 ARPU
假设：
用户规模
当前（2025 年中）：约 40% 美国医生，对应 ～40 万 MAU（source: Sacra 和 AlphaSense）
增长率：20% YoY（基础情景）；乐观情景下 25% YoY。
收入来源结构
广告：2025 年仍是绝对核心，占 ～95%+ 收入。随着 API/订阅启动，到 2028 年降至 ～50%。
企业订阅（席位许可证）：2026 年起逐步放量，价格比 UpToDate 低 20–30%（假设 ～$350/席位/年 vs UpToDate $500）。
API：2027 年起逐渐贡献收入，目标是支持 B2B 工具和 EHR 集成。
支付意愿（WTP）与转化率
席位转化率：基础情景 15%，乐观情景 30%。
广告 CPM 提升：预计每年 ～10–15% 提升。
1.未来增长驱动力会转移：
2025–2026 → 广告仍是核心（药企高 WTP）。
2026–2027 → 企业订阅放量，部分替代 UpToDate 开支。
2027–2029 → API 与 B2B 成为第三增长曲线，推动 ARR 破 $200M。
2.到 2028 年基础情景 ARR ～2.3 亿美元，乐观情景 ～3.95 亿美元
3.广告→订阅/API 的转型是决定估值溢价的核心逻辑，因为订阅+API 收入粘性更强，波动性低于广告。
尽管 UpToDate、ClinicalKey、BMJ 和 Amboss 等传统内容平台的产品迭代周期较慢，但它们拥有高度的信任和成熟的采购关系。一旦它们推出基于自身编辑内容库的可信的对话式/大型语言模型（LLM）界面，它们有可能成为 OpenEvidence 在许多用例上的直接替代品。
凭借其严谨的编辑内容和与主流电子病历系统（Epic/Cerner）的深度集成，UpToDate 行业标杆的地位稳固。但其高昂的机构订购费用（约每席位 300 美元）及年度价格上涨（7-10%），大型医疗网络（IDN）：150-200 万美元/年，给了 AI startup 机会。DynaMed 和 ClinicalKey AI 的价格比 UpToDate 低 30-50%，吸引了预算敏感的买家。但临床医生认为它们的专科覆盖范围和 AI 聊天体验仅为“勉强够用” 。
OE 与 UpToDate 的工作流整合比较：
这些公司不直接竞争内容，而是竞争医生的工作流程和注意力。 Abridge、Ambience 和 Suki 等公司想要逐步掌控临床医生的工作流程，包括病历记录、医嘱和计费。如果它们成功，OpenEvidence 就有被边缘化为“参考工具”的风险，而不是一个嵌入到工作流中的核心层。
Big Tech 拥有强大的模型能力（如 Med-PaLM/MedLM）、云服务和企业销售团队，以及（以微软为例）Nuance 庞大的医院和电子健康档案（EHR）合作伙伴安装基础。如果它们将一个临床级的对话助手与云/电子健康档案（EHR）集成捆绑在一起，其用户采用速度可能会非常快。
为保持领先地位，OpenEvidence 需采取以下策略：
强化内容护城河：尽可能锁定内容并寻求排他性合作，比如目前与NEJM/JAMA的合作，OpenEvidence 应与其他顶级出版商和专业协会建立类似的独家或优先合作关系。
从“参考工具”转向“工作流核心”：优先发展 电子健康档案（EHR） 和 Scribe 合作，将 产品驱动增长（PLG） 带来的医生使用量转化为嵌入式的 电子健康档案（EHR） 工作流，使其成为临床交易的一部分，而非仅仅是一个外部参考工具。
双轨商业化：保持免费的 产品驱动增长（PLG） 漏斗以扩大用户覆盖，同时加速企业级服务，如医院订阅、制药/器械厂商定向广告和机构授权，从而降低用户流失并抵御科技巨头的收购。
快速且透明地实现广告与制药价值： 保持广告格式符合临床需求并注重引文，从而在扩大规模的同时维持医生的信任。
创始人与团队
CEO Daniel Nadler 是一位成功的连续创业家，拥有跨领域的专业知识。2013 年，他联合创立了 Kensho Technologies，一个由 AI 驱动的量化交易工具，并于 2018 年以 5.5 亿美元被标准普尔（S&P）收购。2021 年，他创立了 Xyla，专注于高精度的 大型语言模型（LLM）。在意识到医生获取最新医学知识的挑战后，Nadler 在 Xyla 内部孵化了 OpenEvidence。为了降低计算成本并提高准确性，团队采用了 检索增强生成（RAG） 技术，将用户数据与预训练模型相结合，提供有针对性、可靠的输出，并解决 AI 的“幻觉”问题。
Nadler 的团队主要由来自哈佛和麻省理工学院的顶尖人才组成，奉行一种学术驱动的方法，专注于将研究转化为实际应用。他坚信“顶尖人才只愿与顶尖人才合作”，并表示：“在高难度问题上，高智商、学习能力强的人所能达成的成就，可能超过一个大 100 倍的团队。”
CTO Zachary Ziegler 是哈佛大学计算机科学的博士候选人，师从自然语言处理（NLP）] 领域的领军学者 Alexander Rush。他拥有扎实的学术背景和机器学习方面的专业知识。Ziegler 曾担任 IMAX AI 的 AI 负责人，并于 2021 年与 Nadler 共同创立了 Xyla。作为首席技术官，他领导了 OpenEvidence 的开发，专注于解决医疗领域的 AI 幻觉问题。
2025年 2 月，OpenEvidence 完成了 A 轮融资，融资金额为 7500 万美元，投后估值超过 10 亿美元。本轮融资由红杉资本合伙人 Pat Grady 领投，他认为 OpenEvidence 的被采纳和传播方式类似于消费互联网产品：“很少有医疗工具能像消费应用一样传播，而 OpenEvidence 就是其中之一。
作者：Haina 排版：夏悦涵
本文由人人都是产品经理作者【海外独角兽】，微信公众号：【海外独角兽】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。