01 сент. 2025 г.·8 мин
Винод Хосла и ставка, что ИИ заменит врачей
Почему Винод Хосла утверждает, что ИИ может заменить многих врачей — его доводы, венчурные ставки за этой идеей, что ИИ умеет и что не умеет делать, и что это значит для пациентов.
Почему Винод Хосла утверждает, что ИИ может заменить многих врачей — его доводы, венчурные ставки за этой идеей, что ИИ умеет и что не умеет делать, и что это значит для пациентов.
Когда Винод Хосла говорит «ИИ заменит врачей», он обычно не описывает научно‑фантастическую больницу без людей. Он делает более острое, операционное утверждение: многие задачи, которые сейчас отнимают время врача — особенно связанные с обработкой информации — могут выполнять программы, которые быстрее, дешевле и всё точнее.
В формулировке Хослы «заменить» часто значит заменить большую часть того, чем врачи занимаются ежедневно, а не уничтожить профессию. Подумайте о рутинных частях ухода: сбор симптомов, проверка руководств, ранжирование вероятных диагнозов, рекомендации по следующим тестам, мониторинг хронических состояний и раннее оповещение о рисках.
Поэтому идея ближе к «за» автоматизацию, чем «против» врачей. Ставка состоит в том, что здравоохранение полно паттернов — а распознавание паттернов в масштабе там, где ИИ обычно преуспевает.
Этот материал рассматривает утверждение как гипотезу для оценки, а не как лозунг, который нужно либо поощрять, либо отвергать. Мы разберём рассуждения в его пользу, типы продуктов в здравоохранении, которые соответствуют этой идее, и реальные ограничения: регулирование, безопасность, ответственность и человеческая сторона медицины.
Винод Хосла — предприниматель из Силиконовой долины и инвестор, наиболее известный как один из сооснователей Sun Microsystems в 1980‑е и как основатель Khosla Ventures в 2004 году после работы в Kleiner Perkins.
Такой микс операционного опыта и десятков лет инвестирования помогает объяснить, почему его заявления об ИИ и здравоохранении повторяются далеко за пределами технологических кругов.
Khosla Ventures заработал репутацию фонда, который делает крупные, высоко‑убеждённые ставки, часто кажущиеся поначалу неразумными. Фирма склонна к:
Это важно, потому что прогнозы вроде «ИИ заменит врачей» — не просто риторика: они могут формировать, какие стартапы получают деньги, какие продукты строятся и какие нарративы становятся приоритетными у руководства.
Здравоохранение — одна из крупнейших и самых дорогостоящих частей экономики, и в ней много сигналов, которые ИИ потенциально может научиться обрабатывать: изображения, результаты анализов, записи, данные с носимых устройств и исходы лечения. Даже умеренные улучшения точности, скорости или стоимости могут превратиться в значительную экономию и расширение доступа.
Хосла и его фирма неоднократно утверждали, что медицина созрела для программно‑ориентированных изменений — особенно в областях триажа, поддержки диагностики и автоматизации процессов. Независимо от того, согласны вы с формулировкой «замены», это мнение отражает, как значительная часть венчурного капитала оценивает будущее медицины — и куда потечёт капитал.
Прогноз Хослы базируется на простой идее: большая часть медицины — особенно первичная помощь и ранний триаж — это распознавание паттернов в условиях неопределённости. Если постановка диагноза и выбор лечения во многих случаях сводятся к «сопоставь текущую картину с тем, что наиболее вероятно», то программное обеспечение, обученное на миллионах примеров, в конце концов может превзойти отдельных клиницистов, которые учатся на тысячах случаев.
Люди отлично замечают паттерны, но ограничены памятью, вниманием и опытом. Система ИИ может поглотить намного больше случаев, руководств и исходов, чем один врач за карьеру, а затем применять выученное сопоставление последовательно. В логике Хослы, как только уровень ошибок системы опустится ниже среднего уровня врача, рациональный выбор для пациентов и платильщиков — направлять рутинные решения через машину.
Экономика — ещё один форс‑фактор. Первичная помощь ограничена временем, географией и дефицитом персонала; визиты могут быть дорогими, короткими и разного качества. Сервис на базе ИИ может быть доступен 24/7, масштабироваться для обслуживания бедоставленных районов и обеспечивать более единообразные решения — снижая проблему «зависит от того, к кому вы попали».
Ранние экспертные системы терпели неудачу, потому что опирались на вручную прописанные правила и узкие наборы данных. Реализуемость улучшилась с цифровизацией медицинских данных (EHR, изображения, лаборатории, носимые устройства) и доступностью вычислений для обучения моделей на масштабных корпусах и их непрерывного обновления.
Даже в этой логике «линию замены» обычно проводят вокруг рутинной диагностики и протокол‑управляемого ведения — не вокруг тех частей медицины, которые сосредоточены на доверии, сложных компромиссах и поддержке пациентов в моменты страха, неопределённости или изменений жизни.
Фраза Хослы «ИИ заменит врачей» обычно произносится как провокационный прогноз, а не буквальное обещание, что в больницах не останется людей. Повторяющаяся тема в его выступлениях и интервью — что значительная часть медицины, особенно диагностика и рутинные лечебные решения, следует паттернам, которые программное обеспечение может выучить, измерить и улучшить.
Он часто представляет клиническое мышление как форму сопоставления паттернов между симптомами, анамнезом, изображениями, анализами и исходами. Основная мысль: как только модель ИИ достигает определённого порога качества, её можно широко внедрять и постоянно обновлять — тогда как обучение врачей медленное, дорогое и неравномерное по регионам.
Ключевой нюанс — вариабельность: врачи могут быть отличными, но непостоянными из‑за усталости, нагрузки или ограниченного опыта редких случаев. ИИ, напротив, может давать более стабильную производительность и потенциально снижать уровень ошибок при условии корректного тестирования, мониторинга и дообучения.
Вместо образа ИИ как единственной «замены врача», сильнейшая версия его тезиса звучит так: большинство пациентов сначала обратятся к ИИ, а клиницисты всё чаще будут выступать как ревьюверы по сложным случаям, пограничным условиям и решениям с высокими ставками.
Сторонники видят в его позиции толчок к измеримым результатам и расширению доступа. Критики отмечают, что реальная медицина включает неоднозначность, этику и подотчётность — и что «замена» зависит не столько от точности моделей, сколько от регулирования, рабочих процессов и доверия.
Утверждение Хослы о «замене врачей» хорошо согласуется с теми стартапами в области здоровья, которые венчурные фонды предпочитают финансировать: компании, которые могут быстро масштабироваться, стандартизировать грязную клиническую работу и превращать экспертное суждение в софт.
Многие ставки сходятся в повторяющихся темах:
Замена (или сокращение) потребности в клиницистах — огромная премия: здравоохранение — большой рынок, а труд — значимая статья расходов. Это создаёт стимулы смело формулировать сроки, потому что привлечение инвестиций вознаграждает чёткую историю с высоким потенциалом, даже если внедрение и регулирование движутся медленнее, чем софт.
Точечное решение делает одну задачу хорошо (например, чтение рентгена грудной клетки). Платформа стремится работать в многочисленных рабочих процессах — триаж, поддержка диагноза, последующее наблюдение, биллинг — используя общие каналы данных и модели.
Нарратив «замены врачей» больше опирается на платформы: если ИИ выигрывает только в одной узкой задаче, врачи адаптируются; если он координирует многие задачи от начала до конца, роль клинициста может сместиться к надзору, исключениям и подотчётности.
Для основателей, изучающих идеи платформ, ранняя скорость важна: часто нужны рабочие прототипы потоков приёма, дашбордов для врачей и аудиторских следов, прежде чем можно будет тестировать рабочий процесс. Инструменты вроде Koder.ai помогают командам быстро строить внутренние веб‑приложения (обычно React на фронтенде, Go + PostgreSQL на бэкенде) из чат‑интерфейса, затем экспортировать исходный код и быстро итератировать. Для всего, что касается клинических решений, всё равно потребуется надлежащая валидация, проверка безопасности и регуляторная стратегия — но быстрый прототипинг может сократить путь до реалистичного пилота.
ИИ уже превосходит людей в специфических узких кусках клинической работы — особенно когда задача в основном о распознавании паттернов, скорости и последовательности. Это не означает «врач‑ИИ» в полном смысле. Это означает, что ИИ может быть очень сильным компонентом ухода.
ИИ блистает там, где много повторяющейся информации и понятная обратная связь:
В этих областях «лучше» часто означает меньше пропущенных находок, более стандартизированные решения и более быстрая обработка.
Большинство реальных успехов на сегодня приходит от clinical decision support (CDS): ИИ предлагает вероятные состояния, поднимает опасные альтернативы, рекомендует следующие тесты или проверяет соответствие руководствам — в то время как клиницист остаётся ответственным.
Автономная диагностика (ИИ принимает решение «под ключ») возможна в ограниченных, строго регламентированных контекстах — например, в скрининговых рабочих процессах с жёсткими протоколами — но не является нормой для сложных пациентов с множественными сопутствующими заболеваниями.
Точность ИИ сильно зависит от того, насколько данные обучения соответствуют популяции пациента и рабочей среде. Модели «дрейфуют», когда:
В ситуациях с высокими ставками надзор не является опциональным — это уровень безопасности для пограничных случаев, нетипичных проявлений и ценностных суждений (что пациент готов сделать, терпеть или предпочесть). ИИ отлично «видит», но клиницисты всё ещё должны решать, что это значит для конкретного человека сегодня.
ИИ впечатляет в распознавании паттернов, суммаризации записей и предложении вероятных диагнозов. Но медицина — это не только задача предсказания. Самые сложные части возникают, когда «правильного» ответа нет, цели пациента конфликтуют с руководствами, или система вокруг ухода плохо организована.
Люди хотят не просто результата — они хотят быть услышанными, ощущать, что им верят, и чувствовать безопасность. Клиницист может заметить страх, стыд, замешательство или риск в домашней среде и скорректировать беседу и план. Совместное принятие решений требует переговоров о компромиссах (побочные эффекты, стоимость, образ жизни, поддержка семьи) и построения доверия во времени.
Реальные пациенты часто имеют несколько заболеваний одновременно, неполные истории и симптомы, которые не укладываются в чистый шаблон. Редкие болезни и атипичные проявления могут маскироваться под обычные проблемы — пока не станет поздно. ИИ может генерировать правдоподобные предложения, но «правдоподобно» ≠ «доказательно» в тех случаях, где важен тонкий контекст (недавние поездки, новые лекарства, социальные факторы, «что‑то не так»).
Даже очень точная модель иногда даёт сбой. Сложный вопрос: кто несёт ответственность — врач, следовавший инструменту, клиника, развернувшая его, или вендор, который его сделал? Чёткая ответственность влияет на осторожность команд и на пути обжалования для пациентов.
Уход происходит внутри рабочих процессов. Если инструмент ИИ не интегрируется с EHR, системами приказов, документацией и биллингом — или если он добавляет кликам и неопределённости — занятые команды не будут полагаться на него, как бы хорошо он ни выглядел на демо.
Медицинский ИИ — не только инженерная задача, это проблема безопасности. Когда софт влияет на диагноз или лечение, регуляторы склонны рассматривать его скорее как медицинское устройство, чем как обычное приложение.
В США FDA регулирует многие инструменты «Software as a Medical Device», особенно те, что диагностируют, рекомендуют лечение или напрямую влияют на решения о заботе. В ЕС CE‑маркировка по Medical Device Regulation выполняет схожую роль.
Эти рамки требуют доказательств безопасности и эффективности, ясности по предназначенному использованию и постоянного мониторинга после развёртывания. Правила важны, потому что модель, впечатляющая на демо, может провалиться в реальных клиниках с реальными пациентами.
Крупный этический риск — неравномерная точность по разным популяциям (по возрасту, тону кожи, языку или сопутствующим заболеваниям). Если обучающие данные недопредставляют какие‑то группы, система может системно пропускать диагнозы или чрезмерно рекомендовать вмешательства для них. Тестирование на справедливость, отчётность по подгруппам и продуманная конструкция датасетов — не дополнительные функции, а базовая безопасность.
Обучение и улучшение моделей часто требует больших объёмов чувствительной мединформации. Это вызывает вопросы о согласии, вторичном использовании, предельно допустимой де‑идентификации и том, кто получает экономическую выгоду. Хорошее управление включает понятные уведомления для пациентов, строгий контроль доступа и политики по хранению данных и обновлениям моделей.
Многие клинические ИИ‑инструменты проектируются как помощники, а не заменители, оставляя клинициста ответственным за окончательное решение. Такой подход может ловить ошибки, давать недостающий контекст и обеспечивать подотчётность — хотя он работает только тогда, когда рабочие процессы и стимулы предотвращают слепую автоматизацию.
Тезис Хослы часто слышат как «врачи станут ненужными». Полезнее разделять замену (ИИ выполняет задачу от и до) и перераспределение (люди по‑прежнему отвечают за исходы, но работа смещается в сторону надзора, эмпатии и координации).
Во многих условиях ИИ, вероятно, сначала заменит части клинической работы: черновики заметок, выявление дифференциальных диагнозов, проверка соблюдения руководств и суммирование анамнеза. Работа врача смещается от генерации ответов к аудиту, контекстуализации и коммуникации этих ответов.
Первичная помощь может почувствовать изменения в «передней двери»: симпто‑чекеры и автоматическая документация сократят время на рутинные визиты, в то время как сложные случаи и уход, основанный на отношениях, останутся в ведении людей.
Радиология и патология могут испытать более прямую замену задач, потому что работа уже цифровая и паттерно‑ориентированная. Это не значит, что специалистов станет значительно меньше тут же — скорее ожидается большая пропускная способность, новые рабочие процессы качества и давление на тарифы вознаграждения.
У сестринского дела больше задач, связанных с постоянной оценкой, обучением и координацией. ИИ может уменьшить бюрократическую нагрузку, но уход у кровати пациента и решения об эскалации останутся за людьми.
Ожидайте роста ролей вроде супервайзера ИИ (наблюдение за производительностью моделей), клинической информатики (рабочие процессы + управление данными) и координатора ухода (закрытие пробелов, которые выявляет модель). Эти роли, вероятно, появятся внутри существующих команд, а не как совершенно новые отдельные титулы.
В медицинском образовании, вероятно, появится грамотность в ИИ: как валидировать выводы, документировать опору на инструменты и замечать режимы отказа. Аттестация может развиваться в сторону стандартов «человек в петле» — кто может использовать какие инструменты, при каком надзоре и как назначается ответственность в случае ошибок ИИ.
Тезис Хослы провокационен, потому что трактует «врача» преимущественно как диагностический механизм. Сильнейшая критика говорит, что даже если ИИ сравнялся с врачами в распознавании паттернов, заменить врача — это другое дело.
Большая часть клинической ценности — в том, как проблему формулируют, а не только в её решении. Врачи переводят беспорядочные истории в рабочие варианты, договариваются о компромиссах (риск, стоимость, время, ценности) и координируют уход между специалистами. Они также занимаются информированным согласием, неопределённостью и тактическим «наблюдением» — области, где доверие и ответственность важны не меньше точности.
Многие системы ИИ выглядят впечатляюще в ретроспективных исследованиях, но это не то же самое, что улучшение реальных исходов. Самое тяжёлое доказать проспективно: снижает ли ИИ число пропущенных диагнозов, осложнений или ненужных тестов в разных больницах, для разных групп пациентов и в различных рабочих процессах?
Генерализация — ещё слабое место. Модели могут терять качество, когда меняются популяция, оборудование или стиль документирования. Система, хорошо работающая в одном месте, может дать сбой в другом — особенно на редких состояниях.
Даже сильные инструменты создают новые режимы ошибок. Клиницисты могут полагаться на модель, когда она ошибается (automation bias), или перестать задавать второй вопрос, который уловил бы пограничные случаи. Со временем навыки могут атрофироваться, если люди превращаются в «штампы», и тогда станет сложнее вмешаться, когда ИИ не уверен или ошибается.
Здравоохранение — это не чисто технологический рынок. Ответственность, возмещение, циклы закупок, интеграция с EHR и подготовка персонала замедляют внедрение. Пациенты и регуляторы могут также требовать человека‑принятия решения в критичных ситуациях — значит «ИИ везде» долгое время может выглядеть как «ИИ под наблюдением врачей».
ИИ уже появляется в здравоохранении тихо — риск‑скиноры в вашей карте, автоматические чтения снимков, симпто‑чекеры и инструменты, приоритизирующие, кого увидеть раньше. Для пациентов цель не «доверять ИИ» или «отвергать ИИ», а понимать, чего ожидать и как сохранять контроль.
Вы будете чаще сталкиваться со скринингом (сообщения, опросники, данные носимых устройств) и более быстрым триажем — особенно в загруженных клиниках и отделениях неотложной помощи. Это может давать более быстрые ответы на распространённые проблемы и раннее выявление некоторых состояний.
Качество будет разным. Некоторые инструменты отличные в узких задачах; другие непоследовательны по возрасту, тону кожи, редким заболеваниям или «грязным» реальным данным. Рассматривайте ИИ как помощника, а не как окончательный вердикт.
Если ИИ влияет на ваше лечение, спросите:
Многие результаты ИИ — это вероятности («риск 20%»), а не уверенные диагнозы. Спросите, что означает число для вас: какие действия на разных уровнях риска и каков уровень ложных срабатываний.
Если рекомендация связана с серьёзным вмешательством (операция, химиотерапия, отмена лекарства), запросите второе мнение — человеческое и/или от другого инструмента. Разумно спросить: «Что бы вы сделали, если бы этого результата ИИ не было?»
Вам должны сообщать, когда программное обеспечение существенно влияет на решения. Если вам это неудобно, узнайте об альтернативах, как хранятся ваши данные и влияет ли отказ на доступ к помощи.
ИИ в здравоохранении проще внедрять, когда относиться к нему как к любому другому клиническому инструменту: определите кейс, протестируйте, мониторьте и сделайте ответственность очевидной.
Прежде чем использовать ИИ для постановки диагноза, применяйте его для устранения повседневных трений. Самые безопасные ранние выигрыши — рабочие процессы, которые повышают пропускную способность без принятия медицинских решений:
Эти области часто дают измеримую экономию времени и помогают командам освоить изменения. Если вашей команде нужны лёгкие внутренние инструменты для поддержки таких рабочих процессов — intake‑формы, дашборды маршрутизации, журналы аудита, внутренние базы знаний — быстрый билд‑процесс приложений может быть ценнее самой модели. Платформы вроде Koder.ai предназначены для команд в стиле vibe‑coding: вы описываете приложение в чате, быстро итератируете и экспортируете исходный код, когда готовы подготовить продукт к продакшену. Для клинического применения относитесь к этому как к ускорителю операций и пилотов при обязательной работе по безопасности, соответствию и валидации.
Для любой системы ИИ, которая касается ухода за пациентом — даже косвенно — требуйте доказательств и операционных гарантий:
Если вендор не может объяснить, как модель оценивалась, обновлялась и аудировалась — воспринимайте это как сигнал безопасности.
Сделайте «как мы используем это» таким же ясным, как «что это делает». Обучите клиницистов распространённым режимам отказа и установите явные пути эскалации (когда игнорировать ИИ, когда спросить коллегу, когда направить, когда отправлять в приёмное отделение). Назначьте владельца для обзоров производительности и отчётности об инцидентах.
Если хотите помощи в выборе, пилоте или управлении инструментами, добавьте внутренний путь для запросов заинтересованных сторон через /contact (или /pricing, если вы упаковываете сервисы развёртывания).
Прогнозы о «замене врачей» часто ошибаются, когда трактуют медицину как единую работу с одной финишной чертой. Реалистичнее думать, что изменения придут неравномерно — по специальностям, по местам оказания и по задачам — и будут ускоряться там, где совпадают стимулы и правила.
В ближайшей перспективе самые большие выигрыши будут за рабочими процессами: улучшенный триаж, более прозрачная документация, ускорение prior‑auth и поддержка решений, уменьшающая очевидные ошибки. Это расширяет доступ, не вынуждая пациентов слепо доверять машинам.
Долгосрочно вы увидите постепенные сдвиги в том, кто что делает — особенно в стандартизованной, высоко‑объёмной помощи, где данных много, а исходы измеримы.
Замена редко означает исчезновение врачей. Она может выглядеть так:
Сбалансированный взгляд: прогресс будет реальным и иногда ошеломляющим, но медицина — не только распознавание паттернов. Доверие, контекст и ориентированность на пациента сохранят за человечеством центральную роль — даже если инструментарий радикально изменится.
Хосла обычно имеет в виду что ИИ заменит значительную часть повседневных клинических задач, особенно информационно-насыщенную работу: триаж, проверку руководств, ранжирование вероятных диагнозов и мониторинг хронических состояний.
Это меньше похоже на «в больницах не останется людей» и больше — на «программное обеспечение станет стандартным первым шагом для рутинных решений».
В терминах этой статьи:
В реальности большинство ближайших внедрений выглядит как дополняние; полноценная замена возможна лишь в узких, чётко определённых сценариях.
Основная логика — распознавание шаблонов в масштабе: многие клинические решения (особенно ранний триаж и рутинная диагностика) сводятся к сопоставлению симптомов, анамнеза, анализов и изображений с вероятными диагнозами.
ИИ может обучаться на гораздо больших объёмах случаев, чем один врач, и применять это знание последовательно, потенциально снижая средний уровень ошибок со временем.
Мнение Хослы важно для индустрии, потому что оно влияет на:
Даже если вы не согласны с формулировкой, такая точка зрения влияет на потоки капитала и приоритеты внедрения.
Здравоохранение дорогостоящее и трудоёмкое, и в нём генерируется много данных (записи EHR, лаборатории, изображения, данные с сенсоров).
Это делает отрасль привлекательной для ИИ-инвестиций: даже небольшие улучшения точности, скорости или стоимости могут дать значительную экономию и расширение доступа.
ИИ сильнее всего там, где работа повторяема и легко измеряема:
Это компонентные выигрыши, которые уменьшают нагрузку врачей, не автоматизируя полностью весь процесс ухода.
Ключевые ограничения включают:
Высокая точность в демонстрации не гарантирует безопасной и надёжной работы в клинике.
Многие инструменты, влияющие на диагностику или лечение, регламентируются как Software as a Medical Device:
Важно постоянное мониторирование, так как модели могут «дрейфовать» при смене популяции, оборудования или стиля документирования.
Смещение точности по группам (bias) возникает, когда обучающие наборы плохо представляют какие‑то популяции — возрастные группы, оттенки кожи, языки, сопутствующие заболевания или географию.
Практические меры: валидация по подгруппам, отчётность по производительности в разных популяциях и мониторинг после развёртывания. Это не опция — это часть базовой безопасности.
Требуйте прозрачности и контроля:
Полезный вопрос: «Что бы вы сделали, если бы этого результата ИИ не было?»