马克·库班的AI医疗账本：从公开药价到重写合同，技术收益如何抵达患者

一、嘉宾背景

马克·库班是企业家，也是Cost Plus Drugs联合创始人。他在本期节目中讨论医疗改革，依据的是一家同时开展透明定价药品销售、药房合作和药品制造业务的企业的经营经验。他熟悉采购、供货与付款的具体安排，也对自己提出的制造方案具有直接商业利益。这些经营者自述，应与经过独立验证的行业结论分别看待。

据他介绍，costplusdrugs.com于2022年1月19日上线，最初销售111种仿制药，到访谈时已扩展至约4,000个SKU。业务从线上购药延伸至本地领取、医院和诊所供货，再进入可移动制造单元。这样的业务范围，使他的论述不断回到药品如何生产、由谁购买、由谁承担付款责任，而不只讨论模型能做什么。

这场约一小时的a16z访谈，以AI可能造就单人创业万亿富翁为标题，主要内容则围绕库班的医疗业务与AI创业判断展开。价格发现、合同审查、患者服务和制造交付，是他反复提及的机会所在。标题中的财富判断是对未来的预测，节目没有提供已经实现这一结果的成功案例。

二、本期主要内容

库班首先介绍了Cost Plus Drugs逐步扩展的供给业务。他说，公开价格和API让企业能够获取报价，要求现有供应商匹配价格；零售端固定15%的加价、透明定价和口碑传播，则是他眼中建立信任、推动业务的关键。即使企业没有直接下单，这些价格也可能成为采购谈判的依据。TeamCubanCard又将部分药品接入约17,000家合作药房。不过，平台支付的12美元药房费用，会削弱这条渠道销售廉价药的竞争力：一款5美元的药未必适合通过它购买。对于较贵的药品或需要冷链配送的产品，本地领取则可能更划算。

在制造端，库班称，AI与机器人使达拉斯生产设施的面积缩小至5,000平方英尺，并能在四小时内完成产品切换。这座设施面向医院和诊所供货，目标包括缓解仿制药短缺。他进一步介绍了可运输、按用途配置并相互连接的制造舱pods，单个成本约2,000万美元。他说，政府已经收到一个，并订购了第二个。他还设想将这些设备部署到研究医院，就地制造和迭代针对单个患者的疗法。政府交付是他的业务自述，研究医院用途则仍是设想。

机构采购带来的阻力，并不随生产能力的提升而消失。Cost Plus Marketplace供应自产和外购的无菌注射剂。库班宣称，这项业务能为医院节省大量支出，但也承认，即便说服了CEO，采购人员仍可能不愿采用。他提出的另一条路径是直接医疗合同：减少事前授权和拒赔争议、保证及时付款，并由雇主支付患者自付部分或承担其信用风险，以此换取较低价格和公开合同的权利。公开后的合同文本，还可以供其他机构谈判时参考。

访谈随后转向患者如何获得信息与服务。库班认为，AI可以帮助患者理解医疗福利说明单EOB、寻找非营利医院的财务援助，也可以由患者代理向医院查询资格和申请流程。谈到电子病历厂商Epic时，他没有预测其业务会如何被颠覆，而是强调合作：让医生在开处方时就能看到药价和可选方案。从供给、采购到就医，这些讨论反复指向同一个要求——价格和服务信息必须在决定作出的当下可用，才有机会影响实际选择。

三、核心观点：推理、例子与边界

库班对降价机制的解释，落在交易条件如何改变上。公开报价给采购方提供谈判参照，直接合同则改变医疗服务方的行政工作量和收款风险。医生少处理授权，医院少追讨患者自付额，付款更有保障，才有理由降低价格。沿着这个逻辑，名义折扣并不足以衡量收益：如果低价以雇主承担更多风险为条件，就必须把这部分责任计入成本。透明价格改善信息条件，直接合同调整各方激励，两者发挥作用的方式不同。

他对既有体系的批评，集中在合同与数据控制。库班指控，垂直整合机构掌握着雇主无法看到的合同关系，又限制其获取理赔数据，导致自保雇主难以核对自己支付的金额、医院账单和医院实收。这是他的行业判断与指控，节目材料未独立证明这些问题有多普遍。这也解释了他为何把近期AI应用的重点放在签约前：他提到的一份达拉斯PBM合同长达1,335页，重要义务很容易埋没在大量条款中。但发现条款之后仍需谈判；合同一旦生效，文件处理自动化也不会自行解除约束。

库班对理赔和编码领域的AI竞赛同样有所保留。他预计，支付方与医疗服务方同时使用模型后，各自获得的部分优势会相互抵消；大型集团还可能受到并购形成的数据孤岛制约。按这一判断，提高处理速度与改变成本分配是两件事，不能仅凭前者认定后者已经发生。他所说的AI约30秒就能揭示合同问题、可能为较大组织节省数百万美元，也仍是未经验证的主张。节目没有展示可复核的节省计算。从初步发现问题，到解释条款、谈判成功，再到实际付款下降，中间仍有多道环节。

制造业务则显示出技术能力与商业规模之间的距离。库班预测，制造舱pods两年内可实现年销数百个，五年内达到数千个；但他同时表示，每种仿制药的ANDA申请费用为36.5万美元，此外还有其他费用，美国自产药的零售计划也还需要约两年的FDA相关工作。按他给出的数字，1,000种药仅这一项费用就达3.65亿美元。设施缩小、换线加快，并不意味着产品组合能同步获批；少量交付也不足以验证销量预测。审批所需的资金和时间，是他自己承认的扩张条件。

个性化用药的愿景，涉及的未知因素更多。库班预测，基于DNA设计药物的成本可能趋近于零，但给出的时间跨度是五年、十年或二十年。他从非处方药的剂量和配方谈起，进一步设想将个性化用药服务纳入模型订阅，再由自己的pods制造药物。这一构想连接了分析、服务入口与生产，也涉及他的直接商业利益。节目没有提供临床试验、实际疗效或完整审批路径，设计成本下降因而不能直接推出药物能够安全、有效、低价地交付。他也承认，DNA隐私以及个人是否愿意获知潜在疾病风险，都是必须面对的问题。

在这幅未来图景中，医生仍有不可省略的作用。库班以服药后出现急性反应为例，强调现场观察、追问和对家庭背景的了解仍需人的判断，医生的训练则可能更多转向使用AI工具、解释模型判断。另一位发言者认为，医疗建议增加甚至可能带来更多医生需求；讨论也将临床人员的作用延伸到采集新的个人数据和长期监测。库班还提出AI翻译者这一角色，帮助个人表达自身情况、理解模型输出。知识获取则是另一重限制：即使推理变得便宜，关键医疗知识仍可能受到专有权利限制。他假设每次访问收费9,999美元，意在说明这一障碍，并非引用实际市场报价。

库班对医疗价值的期待，也不以总支出下降为唯一标准。他认为，医疗未来仍可能占GDP的较大比例，但支出应更多用于维持健康、提高生产率和减少停工时间。节目标题中关于单人创业万亿富翁的预测，同样需要与已经实现的结果区分开来。他讲述了用AI约三分钟生成饼干竞品方案的经历，却没有证明其供应链和市场需求成立；Agentfeeds.dev也尚未真正活跃，智能体获取社交内容与转录仍有障碍。生成方案的成本降低，扩大了创业者可以尝试的范围，但企业能否实际交付，仍需验证。

四、学习与应用

对雇主和合同产品团队而言，库班的做法首先意味着把审查前移，并让每项判断都能追溯到原文。他描述的流程是：由智能体寻找可申请公共记录的机会、起草申请，再由他修改并发送；取得文件后，将其放入Google Drive，交给多个模型分析。沿用这一流程时，需要先确认文件是否完整，再让模型定位义务、数据访问限制和费用条款，最后由负责谈判的人核对原文。跨模型质询可以帮助发现分歧，但模型意见一致并不构成独立证明。效果应以最终修改了哪些条款、实际支付是否变化来衡量，而不是看模型生成了多少条风险提示。

直接合同的比较，则必须同时算清责任和价格。沿着库班提出的交换条件，采购方需要逐项核对：医疗服务方减少了哪些行政工作，谁负责患者自付额，信用损失由谁承担，付款承诺如何兑现。把这些条件与报价放在一起，才能判断折扣是否合算。药品渠道也一样，药价、12美元药房费用、配送和冷链安排需要一并比较。标价较低不一定意味着最终支付较少，本地领取能否节省费用，也取决于具体药品和交付方式。

患者服务创业者可以先帮助用户获得已有的援助。库班提到，部分医院项目的援助门槛可达联邦贫困线的600%，但这一说法只涉及部分项目，不能当作统一资格。产品可以整理医院公布的条件、申请材料和联系入口，形成可查询的流程，并明确哪些问题还需向医院确认。解释EOB和展示药价，也应尽量靠近实际决策时点。库班谈到的Epic合作思路，提供了一个具体方向：在医生开方时呈现药价与选项。这个用途本身就可以验证，无须先证明产品能够替代整个电子病历系统。援助信息是否准确、价格选项是否可见、患者是否实际使用，仍需分别记录。

评估制造项目时，设备能力、产品获批和客户采纳需要分别核实。单个约2,000万美元的pod，需要明确用途和购买者；四小时换线的主张，需要对应具体生产条件；逐药申请费用和FDA相关工作，则影响资金需求与上市节奏。Marketplace面对采购人员阻力的经历也说明，技术得到验证之后，采购路径仍可能不畅。预测销量不能当作已获订单，一个产品的成本主张也不能代替整个产品组合的商业测算。

库班的政策建议，同样需要按具体机制评估。他提出，接受纳税人资金的机构应公开合同，患者购买更便宜医疗产品或服务的支出应计入免赔额，非营利医院也应披露详细财务信息。这些建议都指向让价格和资金去向能够被核对。他提出的另一套安排，包括个人强制缴存、银行贷款、政府担保、工资扣款还款和止损保障，则还需算清谁出资、谁负债、谁承担极端损失。2,100美元缴存和可能设在40,000美元的止损门槛，只是节目中的示例，尚无完整融资测算，不能据此认定方案可负担、财政可持续，也不能直接将其作为个人支付选择的依据。

在组织和个人层面，库班强调保留学习能力。他主张继续招聘初级员工，让他们带来新的信息与视角，并在参与实施的过程中积累经验；员工和高管都需要接受模型与智能体使用训练。实践时，可以围绕真实任务进行小范围试验，记录模型遗漏、人工修正和执行障碍，再决定是否扩大使用。他也区分了用AI学习与用AI逃避学习：持续追问、核查输出、让不同模型相互质询，才能使工具使用成为理解问题的过程。面向不同受众介绍AI，还需调整表达方式，确认对方实际能够接触和理解哪些信息。饼干方案生成得快，仍需验证需求；内容进入个人信息流，也不等于信任已经建立。

来源

• 原始节目：Mark Cuban on Why AI Could Turn Solo Founders Into Trillionaires