25 個工程師服務美國半數醫師——OpenEvidence 的產品心法與 Bottom-up 成長奇蹟

本文整理自 Khosla Ventures Builder Forum 的訪談。

醫師離開診間後去了哪裡？

你去看醫生，坐在候診室等了一陣子，終於被叫進診間。護理師或醫師問了你一些問題、量了血壓、做了一些基本檢查，然後說：「請稍等一下。」接著他們離開診間。

這是每個人都經歷過的場景，但你有沒有想過——他們離開後，到底去做什麼？

OpenEvidence 共同創辦人暨技術長佐卡里·齊格勒（Zachary Ziegler）在一場創業論壇上揭開了這個謎底：大多數時候，他們是去查資料。這不是因為醫師不夠專業或偷懶。事實是，全球至今已發表超過四千萬篇醫學論文，每天還有一萬篇新論文問世。一位基層醫師（Primary Care Physician）每年要看大約三千名病患、每天接診二十位病人，而這些病人可能帶來任何你想得到的疾病與症狀。要把所有醫學知識都裝在腦子裡，根本是不可能的任務。

這就是 OpenEvidence 要解決的問題。它是一個為醫師打造的 AI 臨床決策支援系統，讓醫師能在幾秒鐘內取得實證醫學的答案——不是 WebMD 那種「你可能得了癌症」的驚悚資訊，而是根據臨床試驗、醫學指引、系統性回顧所整理出的專業解答。

一家你應該認識的公司

OpenEvidence 由丹尼爾·乃德勒（Daniel Nadler）和齊格勒於 2022 年共同創立。乃德勒並非醫療圈出身，他的前一家公司 Kensho Technologies 是一家金融 AI 公司，2018 年以 5.5 億美元被 S&P Global 收購。賣掉公司後經歷了一段職業倦怠，在新冠疫情期間，乃德勒開始關注醫療領域。他注意到一個諷刺的現象：生物科技正處於「黃金時代」，但臨床醫師卻深陷「資訊過載」的黑暗時代。1950 年，醫學知識的倍增週期是五十年；現在，這個週期已經縮短到五年，每分鐘就有兩篇新論文發表。

齊格勒則是哈佛的機器學習博士生，專攻機率生成模型——這正是大型語言模型背後的數學基礎。在 ChatGPT 出現之前，齊格勒就在思考一個問題：這些很酷的生成模型，除了翻譯之外，還能做什麼真正有用的事？兩人相遇後一拍即合，決定用 AI 來解決醫療資訊過載的問題。

這家公司的成長速度驚人。2025 年 2 月，紅杉資本領投 A 輪，估值 10 億美元。同年 7 月 B 輪估值跳到 35 億；10 月 C 輪 60 億；2026 年 1 月的最新一輪，估值已達 120 億美元。一年之內，估值翻了 12 倍。投資人陣容堪稱夢幻：Google Ventures、紅杉、Kleiner Perkins、Thrive Capital、Coatue、Blackstone、NVIDIA，甚至連梅約診所（Mayo Clinic）也參與其中。

這些數字很嚇人，但更嚇人的是它的使用數據：OpenEvidence 現在每月處理超過 1800 萬次臨床諮詢，服務美國約 40% 的醫師。而且，這一切是由一個 65 人的團隊完成的，其中只有 25 位工程師。

他們做對了什麼？

齊格勒在訪談中反覆強調一個核心概念：專注於真正困難的問題，忽略其他一切。

創業初期有太多「看起來像工作」的事情可以做：募資、招募、找辦公室、建立漂亮的官網、設計完善的身份驗證系統、規劃 go-to-market 策略。這些事情不能說不重要，但它們都不是最核心的問題。最核心的問題是：你的產品能不能真正解決使用者的痛點？

OpenEvidence 團隊的做法是：找一組具有代表性的醫學問題，然後不斷自問——「我們回答這些問題的表現如何？」「這個答案夠不夠 awesome？」如果答案是否定的，就繼續迭代，直到答案變成肯定為止。

他們在這個過程中經歷過一次關鍵的認知升級。最初，OpenEvidence 只使用臨床試驗（clinical trials）作為資料來源。這個選擇很直覺——臨床試驗是最嚴謹的醫學證據等級。但當他們把產品開放給更多醫師使用後，發現有太多問題根本無法回答。原因是：臨床試驗只是醫學文獻的一部分。還有 meta-analysis（統合分析）、還有各大醫學會花費大量心力撰寫的臨床指引（guidelines）。

當他們決定把資料來源從「只有臨床試驗」擴展到「所有醫學文獻」時，產品的能力出現了質的飛躍。醫師可以問的問題範圍一下子變得無限大，不只是「這個藥有沒有效」，還包括「如何寫病患衛教單張」「如何撰寫保險核准函」這類原本沒有預期到的使用場景。

齊格勒用 ChatGPT 來類比這個轉變。ChatGPT 之所以成為現象級產品，不是因為它在某個特定任務上表現最好，而是因為你可以問它任何問題。這種「通用性」是真正的護城河。OpenEvidence 也是如此——當醫師發現他可以把任何臨床問題丟進去，而且能得到有用的回答時，這個工具就變成了不可或缺的存在。

「我以為追蹤程式壞了」的有機成長

OpenEvidence 的成長故事中，有一個齊格勒至今記憶猶新的轉折點。

早期，他們有在 Twitter 上投放廣告，推廣一些用 OpenEvidence 產出的醫學問答內容。他們也在後台設了追蹤碼，用來區分哪些流量來自廣告、哪些是自然流量。有一天，齊格勒在看數據時發現一件奇怪的事：大部分的使用量都沒有追蹤碼，只有極少數來自 Twitter 廣告。

他第一個反應是：追蹤程式壞了。他去檢查程式碼，找不到 bug。他跟共同創辦人乃德勒說：「我覺得追蹤程式有問題。」乃德勒說：「對啊，一定是你寫出來的 bug，去修好它。」

齊格勒又查了一輪，還是找不到問題。最後他意識到：沒有 bug。這些沒有追蹤碼的流量，就是純粹的有機成長。使用者自己找上門來的。

他們決定做一個實驗：關掉 Twitter 廣告。結果，使用量完全沒有下降，而且繼續以每月 20% 左右的速度成長。廣告關了就一直關著，到現在都沒有重新開過。

這個故事的關鍵不在於「不需要做行銷」，而在於它揭示了 OpenEvidence 成長的真正引擎：同儕推薦。住院醫師用了覺得好用，推薦給主治醫師；主治醫師覺得好用，推薦給醫學生。這種 bottom-up 的傳播路徑，比任何 top-down 的企業銷售都更有說服力。

齊格勒在訪談中對比了另一家醫療科技公司的經驗。那家公司採用傳統的 B2B 銷售模式，向醫院的資訊長（CMIO）推銷產品。他們得出的結論是：醫師就是不願意嘗試新工具，他們太忙了、太習慣現有的工作流程了。

但 OpenEvidence 的經驗恰恰相反。醫師的確很忙、的確習慣現有工具，但當有同事告訴他「這東西真的有用」時，他會試試看。當老闆說「你必須用這個」時，他的第一反應是抗拒。這就是 bottom-up 和 top-down 的根本差異。

我的觀察：垂直 AI 的護城河在哪裡？

讀完這個訪談，我一直在想一個問題：在 ChatGPT、Claude、Gemini 這些通用大型語言模型能力越來越強的時代，像 OpenEvidence 這樣的垂直 AI 應用，護城河到底在哪裡？

齊格勒給了一個有趣的答案：他認為基礎模型的能力提升，對他們是利多而非利空。他們把模型視為「引擎」——每當 OpenAI 或 Google 推出更好的模型，他們只要換上新引擎，產品就會「自動」變得更好。真正的差異化在於：對醫療場景的深刻理解、對資料來源的嚴格把關、對使用者工作流程的優化、以及最重要的——使用者的信任。

這個邏輯聽起來很熟悉。它跟 Cursor 在程式開發領域做的事情很像——底層都是呼叫 OpenAI 或 Anthropic 的 API，但 Cursor 對「開發者的工作流程」有更深的理解，所以能在這個垂直場景中創造出遠超過 ChatGPT 的體驗。

不過，我對這個護城河的持久性仍有疑慮。OpenAI 已經推出了 HIPAA 合規版的 ChatGPT Health，Anthropic 也有 Claude Healthcare。當基礎模型公司開始認真經營垂直市場時，純應用層的公司會不會被夾殺？

也許真正的護城河不是技術，而是使用者習慣和信任。OpenEvidence 現在服務美國 40% 的醫師，這些醫師已經把它整合進日常工作流程。要讓他們換到另一個工具，即使那個工具「技術上更好」，也需要跨越一道很高的門檻。這跟當年 UpToDate 成為醫師標配的邏輯是一樣的——一旦成為工作流程的一部分，就很難被取代。

對台灣讀者來說，OpenEvidence 的故事有幾個值得關注的點：第一，它證明了 AI 在醫療場景的應用已經從「展示」階段進入「大規模採用」階段；第二，它的 bottom-up 成長策略，對於任何想進入專業服務市場的創業者都有參考價值；第三，它的估值成長軌跡（一年 12 倍），反映了當前資本市場對 AI 應用層公司的狂熱——這既是機會，也是泡沫的警訊。

醫療 AI 會不會是下一個「所有人都在談，但只有少數人真正做出東西」的領域？還是會出現幾家通吃市場的巨頭？OpenEvidence 的發展，會是一個重要的觀察指標。