跨国深谈← 返回←AI 不抢工作，是找不到人：Lassie 如何用智能体接管小诊所的文书地狱

AI 不抢工作，是找不到人：Lassie 如何用智能体接管小诊所的文书地狱

关联

人物 Olivia Moore · Frederick Rankin · Alex Rampell · Stein Pella

公司 Lassie

概念 智能体 · 人在回路 · 现有巨头

Yelp 上排名第一的牙医,每个月要花 200 个小时亲手处理保险理赔和账单——他甚至找不到人来接手,只能自己熬夜。说这话的人是 Stein Pella,他拉着朋友辞掉硅谷工作,跑去牙医诊所里亲手干了几年杂活,做出了能完全接管这些行政工作的 AI 系统 Lassie 。

这一集 a16z 的对谈里,Alex Rampell 和 Olivia Moore 找来了 Lassie 的两位创始人 Stein Pella 和 Frederick Rankin。他们讲了三件事:为什么传统软件其实没有让世界变高效,而 AI 是怎么把软件从「存数据」变成「直接干活」的;两个人是怎么靠在诊所里打杂起步,硬生生把一个自动化率做到 98% 的智能体磨出来的;以及面对全美几十万家分散在各地的小诊所,怎么设计一套完全不同于企业级销售的打法。结尾他们还聊了两个尖锐问题:如果人人都能「凭空」雇到智能体,开小公司会不会反而更难;以及当模型学不会那些没写在网上的行业惯例,下一个真正的技术瓶颈在哪。

说完了这集大概在讲什么,先来看他们切入这个生意的起点——软件到底改变了什么。

软件的真相:从存文件柜到直接干活

要理解 Lassie 为什么是个大机会,得先听 Alex Rampell 讲的一段「软件史」。他的判断很反直觉:过去几十年的企业软件,其实没让世界变得多高效 。

理由是,早期的软件做的事情只是「把纸质文件柜变成数字数据库」——比如航空公司的订座系统、人力资源档案、财务账本。信息存进去了,但活儿还得人来干。1950 年一家公司 HR 部门的人数,跟 2000 年同样规模的公司差不多 。

但现在的 AI 改变了游戏规则:软件不再只是「存数据的笨管道」,它能直接去执行操作了——比如自动跑去做员工背景调查、自动打电话催款。Alex 的判断是:干活的劳动力市场,比存信息的市场要大好几个数量级 。

更关键的一点是,在很多时候你根本找不到人来干这个活。美国有大约 16 万家牙科诊所,每家每年在行政上花约 20 万美元,但老板就是招不到人 。一个全美第一的牙医被文书活逼得要退休,不是因为 AI 抢饭碗,是因为没人愿意干这些活 。

理解了「软件从存数据变成直接干活」这个前提,接下来的问题是:Lassie 是怎么把这件事做出来的。

从亲手干杂活开始的笨办法

工具变了,具体怎么做?Lassie 的起点非常反直觉:两个毫无医疗背景的硅谷工程师,跑去牙医诊所当起了行政杂工 。

Stein 在 Robinhood 做增长,Frederick 在做邮箱产品 Superhuman。他们问医生能不能进来「接管财务」,本来以为会被轰出去,结果医生们不仅答应,还直接把他们安排在后台办公桌,要什么数据给什么数据 。

这个笨办法是他们能做到 98% 自动化的关键。Frederick 的原话是:如果自己不知道这份工作怎么干,就根本造不出能干好它的产品 。

早期模型还不够聪明时,他们自己当「人肉 API」——把所有活儿接过来手工干,一边干一边把上下文数据和工具系统搭起来。等推理模型(一种擅长逻辑推理的 AI)成熟了,他们直接把智能层换掉,产品就自动变强了 。他们的原则是:不给小企业造「要他们自己去用的工具」,因为小企业根本没专人去操作软件;他们要造的是「能接管整个工作的智能体」,这就要求做到「无人在环」(没有人工干预)的自主运行 。

这种做到 98% 就敢放手的策略之所以行得通,是因为小企业市场有一个特殊结构:这里根本没有巨头。

没有巨头的旷野

说完了 Lassie 怎么做产品,接下来的话题是市场:为什么做大公司不屑于做的事,反而是最好的护城河。

Alex 提出了一个非常经典的判断:初创公司和巨头的较量,就在于初创公司能不能在巨头搞出创新之前抢占分发渠道 。他管这叫 TiVo 问题——你发明了数字录像机,技术很棒,但最后只能被有线电视公司低价收购,因为他们手里有客户 。所以他一直的建议是:创业公司该去做那些「无聊的底层管道」,先把客户攥在手里,再在上面叠有趣的功能。

但在 Lassie 针对的小企业市场,情况完全不同:这里根本没有软件巨头。你要抢地盘,没有叫 Workday 的庞然大物会来抄你。

【背景】Workday 是做人力资源软件的巨头。

。Stein 说得好笑又扎心:在这个市场里,你要替代的「现有巨头」叫 Betty,而 Betty 两周前刚辞职了 。这给做 AI 产品的创业者留出了巨大的空白。但这条路也有它专属的难处:既然没有现成系统,你得自己一家家去敲开诊所的门,自己去做系统对接和数据本体(统一各种乱七八糟数据格式的底层框架) 。

这套逻辑引出了一个更让人头疼的问题:你做出了一个完美的产品,怎么把它卖到全国成千上万个连 LinkedIn 都不上的小诊所老板手里?

最后一公里:把 AI 卖给爱荷华州

工具变了,人怎么办?这正是下一个话题。

Stein 有一句精准的判断:AI 在硅谷被过度炒作,但在爱荷华州被严重低估了 。把 AI 卖给主流小企业,是跟企业级销售完全两码事。卖企业软件,搞定几个关键决策者吃几顿牛排,可能就签下千万美元合同;但 Lassie 得去触达成千上万个零散分布的诊所 。

这里考验的是怎么把复杂的配置做成消费级体验。他们借鉴了在 Robinhood 和 Superhuman 的经验——给用户 48 小时时间,产品不出核心价值就走人 。

所以他们得把接入银行账户、打通保险公司门户网站这些极其繁琐的事,做成像 Stripe(一家提供在线支付接口的公司)或 Reppling 那样几近自助的流程 。Stein 期待的未来是:每个小企业都应该能自己运转,忙碌的杂活全由智能体接管,最终小企业的智能体甚至能直接跟消费者的个人智能体对接 。

那么,如果所有小企业都能随手「召唤」出一个能干的智能体,会发生什么?这引出了最后一个深刻的问题。

更深的追问:护城河在哪,瓶颈又在哪

如果说前半场聊的是机会,后半场两位创始人面对的是两个扎心的追问。

第一个关于竞争。如果开公司、管公司变得极其容易,开小公司会不会变得反而更难?

Alex 用了棒球名宿 Yogi Berra 的一句名言「这里太挤了,没人再来了」来形容这种悖论 。Stein 给出了一个相当乐观的判断:这是基于「需求有上限」的假设。

但现实是,找一个好牙医、好水管工的需求,永远是供给的两倍。如果能用智能体解放时间,现有诊所能多看一倍的病人,或者让更多人能开起诊所,这是把蛋糕做大 。

第二个关于技术瓶颈。模型到底还缺什么?

Frederick 的发现很出人意料:现在的模型在海量数据上训练,体型巨大,但实际上它们并不知道这些具体的工作流程怎么走 。互联网上找不到那些行业惯例和潜规则——它们藏在办公室经理的脑子里和没数字化的 ERP(企业资源计划系统)数据里 。

所以现实里还有一个别扭的现状:美国有大约 70% 的小企业依然靠纸质支票付款 。哪怕 AI 模型五年前就这么强,只要数据还在纸质的文件柜里,这活就根本没法自动化 。

本集带走

最后收个尾,这一集值得带走的是三个判断。第一,传统软件只是把文件柜变成了数据库,真正干活还得靠人,而当 AI 能直接去执行操作时,它打开的劳动力市场比软件市场要大好几个数量级。

第二,Lassie 的笨办法恰恰是它最强的护城河——创始人自己泡在诊所里当人肉杂工去理解业务,磨出了能做到 98% 自动化、无人在环的智能体,这个在一线趟出来的 know-how,是大公司想抄都抄不来的。第三,把 AI 卖给爱荷华州的小诊所和卖给大企业是两码事,这里的对手不是 Workday 而是那个两周前刚辞职的员工 Betty,但这同时也意味着你要把极度复杂的系统对接,封装成像消费级 App 一样开箱即用的体验。

我有点认为,AI 在硅谷被过度炒作,但在爱荷华州被低估了。
I kind of think, like, AI is overhyped in Silicon Valley but underhyped in Iowa.
—— Alex Rampell · [30:25]

结果表明,工作的量级比工作所基于的信息存储要大得多。
It just turns out that the work is orders of magnitude bigger than the storage of information that the work is done on.
—— Alex Rampell · [09:39]

每家初创公司和现有巨头之间的战斗归结为初创公司是否在现有巨头获得创新之前获得了分发。
The battle between every startup and incumbent comes down to whether the startup gets the distribution before the incumbent gets the innovation.
—— Alex Rampell · [25:49]

这些模型在如此多的数据上训练,它们如此巨大,然而它们实际上真的不知道如何做其中的任何一项工作。
The models are trained on so much data and they’re so large and yet they actually don’t really know how to do any of this work.
—— Frederick Rankin · [46:31]

所以你会看到,很多这类小企业,我认为统计数据是 70% 仍然通过纸质获得报酬。
So you will see that like a lot of these small businesses, I think the stats are 70% are still paid on paper.
—— Stein Pella · [53:34]