作者：Haina
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NoPriors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。
01.
核心论点
1.传统临床内容平台
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：
2.AI 原生挑战者
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。
3.Big tech
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。
OpenEvidence 的发展方向
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。
07.
团队与融资
哈佛、MIT 的顶尖学术背景，“高智商、小而精的团队”
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。
融资
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。
排版：夏悦涵
本文网址：
