混乱收件箱问题：AI应用中的策略性介入 | 安德烈森·霍洛维茨公司
作者：David Haber
走进任何一家医生的诊所，你都可能听到角落里传真机发出的嗡嗡声。这不是来自久远时代的怀旧背景音乐——这是这家诊所和其他许多现代诊所以主要方式用于分享新患者转介、实验室更新、病程记录和保险授权的通信手段。
虽然现代医学的临床方面有取得了重大进展近年来，他们的办公室依然停留在上世纪八十年代的水平。他们仍然依赖于大量行政人员手动收集传真、筛选电子邮件中的PDF和电话留言，并将患者数据输入电子医疗记录系统。这不仅仅发生在医学领域。每天，各行各业的小企业——从法律和保险到货运和油气行业——也浪费了无数小时来整合大量的非结构化信息，并将数据录入特定行业的记录系统中，以评估潜在客户并启动一系列后续工作流程。
我们将这种情况称为“杂乱收件箱问题”，用大型语言模型（LLM）取代这一历史上依赖大量判断力的工作，正迅速成为构建原生AI应用程序时最有效的切入点之一。为什么会出现这种情况？
为了提供背景信息，这个“杂乱收件箱问题”通常位于大多数白领工作的漏斗顶部。通过能够用LLM替代人力劳动你实际上是站在了现有的下游软件系统之前。能够合成非结构化的语音或文本数据，并系统地提取相关信息，使你有权启动（并拥有）其他下游工作流程。
以我们之前的医疗实践为例。安妮（一位行政助理）的工作可能是筛选物理传真并将患者信息输入电子病历（EMR），然后她必须将工作交接给莎莉，她的任务是审核患者的资格和保险福利。接着吉米向患者的健康计划申请预授权，乔则安排该患者的就诊时间以适应医生的日程限制。这些管理员各自使用不同的软件系统来完成他们的工作。
Tennr，该公司是a16z的投资组合公司之一，通过其平台取代了整个工作流程，首先解决了混乱的收件箱问题。他们训练了自己的LLMs（基于300万份医疗记录的数据集），这使得他们能够准确地从诊所的传真、电子邮件、通话记录和文件管理系统中提取患者信息（并进行程序化处理）。通过在患者接收过程中的漏斗顶部拥有主导地位，他们可以将患者信息路由到诊所的其他软件系统中（或调用第三方数据库）。一次快速的API调用即可返回资格信息、保险覆盖范围及利益情况，并启动预授权请求和预约流程。通过利用Tennr的人工智能工作流，诊所已经能够减少90%的行政负担，而且重要的是，Tennr迅速赢得了成为许多客户的关键合作伙伴的权利。核心系统记录核心系统.
我们开始看到许多类似Tennr的人工智能应用程序出现在几乎每一个垂直领域。赫伦数据正在帮助小型企业贷款机构合成来自经纪人的贷款文件，显著加快了信贷审批时间并降低了成本。快乐机器人已经自动化了货运代理及其承运人和托运人的报价和定价过程。并且 Eve正在帮助原告律所更高效地在初步接洽时筛选潜在客户，并且贯穿整个诉讼过程（包括自动起草律师函和诉状）——实际上使它们能够处理更多的案件并增加收入（而无需扩大人员规模）。
这些只是在通过解决混乱的收件箱问题来取代传统软件并在各自垂直领域构建新的原生AI系统的一小部分公司。还有很多正在进行中，也许是以我们尚未想象到的新方式。如果您正在为小型企业构建能够解决这一难题的AI应用，我们很想与您交流！
暂无评论