Sundar Subramanian，Zyter 首席执行官——访谈系列

Sundar Subramanian，Zyter 首席执行官，拥有管理咨询、数字化转型和大规模医疗运营的背景，是一位经验丰富的战略与医疗高管。在 2025 年 7 月成为 CEO 之前，他在 PwC 的 Strategy& 工作超过 16 年，期间领导美国战略咨询业务以及企业战略、价值和数字化转型实践，为大型组织提供增长、运营模式重构和 AI 驱动的转型建议。早期职业生涯中，Subramanian 共同领导了 Booz & Company 的 Medicaid 与 Medicare 卓越中心，并与医疗支付方有广泛合作，曾在 WellCare 和 McKinsey & Company 担任高级职务。在 Zyter，他负责公司围绕代理式 AI 与智能工作流编排的扩展，重点在于利用 AI 重塑端到端业务流程，而非仅仅自动化单个任务。

Zyter 是一家私营企业技术公司，拥有二十余年的数字医疗经验，其 TruCare 人口健康平台已在超过 45 家医疗机构中支持超过 4400 万人的健康管理。公司正从医疗根基向更广阔的领域拓展，打造面向医疗、政府和金融服务等复杂且高度监管工作流的 AI 执行平台。其架构融合了 Zyter Symphony（协调 AI 代理、企业系统和人工操作）、Zyter Praxis（将代理、规则、数据和人工监督封装为端到端工作流模块）以及 TruCare Digital Core（将这些工作流连接至电子健康记录、理赔平台、企业资源计划系统和客户关系管理软件等系统）。整体目标是让代理式 AI 在现有企业环境中实现运营，同时保持治理、可审计性以及对关键决策的人类监督。

您在 Strategy& 工作了超过 16 年，领导美国战略咨询业务并在医疗领域有大量经验，此前还在 WellCare 任职。是什么让您确信医疗的下一个重大飞跃将来自代理式 AI 与工作流执行，而不是传统软件的又一代升级？

在我的职业生涯中，我有机会从运营者、战略顾问以及现在的技术构建者三个视角审视医疗。通过这些经历，我逐渐形成了一个清晰的观察：医疗并非因为缺乏技术而陷入困境，而是因为技术没有改变工作方式。

过去十年，行业在数字化方面投入巨大。我们升级了基础设施，扩展了分析能力，提升了互操作性，最近又拥抱了 AI。这些投入带来了重要的新能力，但它们并未解决医疗最顽固的难题——在人员、系统、政策和组织之间协调工作。技术往往被叠加在既有运营模型之上，而不是改变这些模型的运作方式。

这一认识改变了我对转型的看法。下一阶段的关键不在于部署更多 AI，而在于重新设计工作方式。AI 是卓越的赋能工具，但其最大价值在于帮助组织通过在人员、系统、政策和 AI 之间编排工作，实现更高效的执行。

这也是我被 Zyter 吸引的原因。多年帮助组织制定转型战略后，我希望参与构建将这些战略转化为可衡量成果的执行层。对我而言，医疗的未来不在于让 AI 更加智能，而在于让医疗运作得更智能。

Zyter 将自身定位为代理式企业的执行层，Symphony 编排代理与人类，Praxis 执行工作流，TruCare 将其落地于企业数据。相比单一 AI 副驾驶，这套架构能实现哪些单独 AI 无法完成的功能？

企业转型从来不缺乏想法或智能。组织通常知道该做什么，真正的挑战在于如何在人员、系统、政策和工作流之间持续、可靠地将这些决策转化为行动。

这正是我所看到的企业 AI 的下一阶段。单一 AI 助手提升个人生产力，而企业 AI 应提升组织整体效能。它应当协调工作、执行工作流、在条件变化时自适应，并持续改进组织的运作方式。

我们的架构正是基于这一理念。Symphony 编排 AI 代理、企业系统和人类专长；Praxis 执行工作流；TruCare 提供将工作流落地于可信企业数据的运营基础。三者协同，构建了一个执行层，使 AI 成为工作方式的一部分，而不是人们在工作之外使用的另一工具。

组织最终会通过 AI 是否提升结果来衡量其价值。生产力固然重要，但长期价值来自于帮助企业更一致地执行、更快速地适应，并从每一次工作流中学习。

当多个代理共享数据、交接任务并将决策上报给人类时，代理式 AI 的复杂性大幅提升。Zyter 在让大规模医疗环境下的多代理系统可靠运行方面有什么经验？

随着 AI 超越单一用例，成为日常运营的一部分，挑战也随之变化。重点不再是单个代理的智能程度，而是工作在系统、政策、人员和 AI 之间的协同方式。

我们发现专业化至关重要。医疗不会让一个人完成所有工作，AI 也不应如此。职责明确的代理更可靠、更易治理，也更容易随时间改进。编排层负责协调这些代理，管理交接，统一执行政策，并决定何时将人类专长引入工作流。

可视性同样关键。团队需要了解决策是如何做出的、依据了哪些信息以及这些决策如何影响结果。捕获决策血缘能够提供透明度，同时让每个工作流成为学习和持续改进的来源。

可靠的 AI 并不取决于部署了多少代理，而在于工作是否始终如一地完成、人员对结果的信任程度以及系统随时间的改进效率。

医疗组织希望 AI 随时间改进，但也需要可预测的行为和可审计性。您如何在持续学习的同时防止系统偏离临床指南、支付方政策或已批准的工作流？

我并不认为所有决策都应该交由 AI 自动化。在医疗领域，许多决策可以通过确定性逻辑、既定业务规则或临床政策提供明确且一致的答案。对于这些场景，我们应当使用规则而非引入不必要的不确定性。

更有价值的机会在于将这些确定性方法与 AI 结合。我们已成功部署了神经符号逻辑，为 AI 推理提供验证层。AI 能解释复杂或非结构化信息，而确定性规则和符号逻辑则验证生成的行动是否符合既定政策、指南和已批准的工作流。这样既降低了不确定性，又提升了相较单纯 AI 驱动方式的准确性。

这也改变了我对持续学习的看法。目标不是让 AI 随时间拥有更大自由度去决策，而是从执行中学习，同时保留决定关键决策的控制机制。我们可以改进系统对信息的解释、异常处理和工作编排，而不让其偏离支配底层流程的规则。

将 AI 推理、确定性决策和持续验证相结合，就是构建既能随时间改进又保持可预测、可审计和可问责系统的方式。

Zyter 正在探索 C‑RLM，这是一种递归方法用于合成冗长且碎片化的临床史。长上下文推理在医疗中的重要性将如何提升，未来代理是否能持续演进对每位患者的理解？

医疗从未缺乏信息，挑战在于患者的故事分散在多年医生记录、实验室结果、用药、影像、理赔和护理互动中。要理清这些历史，仅仅处理大量数据是不够的，还需要连接证据、识别模式，并构建对每位患者旅程的连贯理解。

随着 AI 超越对单一任务的辅助，开始支持纵向护理，长上下文推理的价值将日益凸显。我们在 C‑RLM 上的工作正是朝此方向前进。目标并非仅仅汇总更多信息，而是将碎片化的临床证据合成为结构化的理解，并始终根植于原始记录。每一个结论都必须可追溯到其来源，以便临床医生了解推理过程并依据证据进行验证。

当这些能力成熟后，AI 代理将更好地帮助维护患者旅程的持续演进式理解。随着新信息的加入，这种理解会变得更丰富，同时保持透明、基于证据并扎根于可信的临床数据。AI 的角色是为临床医生提供更完整的全景，帮助他们以更大的信心做出更明智的决策。

Zyter 正在参与 CMS 的 WISeR 项目，AI 可以支持工作流，而持证临床医生保留决策权。今天的自主边界大致应设在哪里？在 AI 代理承担更关键决策之前，需要哪些改变？

我认为医疗不存在单一的自主边界。AI 的适当角色取决于具体工作流、风险水平以及组织对系统在真实环境中始终如一表现的信心。

WISeR 等项目正是对这种现实的体现。AI 已经能够非常有效地合成信息、统一执行既定政策、协调行政工作流并减少重复性工作。持证临床医生仍然负责在上下文、模糊性和问责最为关键的决策。这是一种兼顾 AI 与人类专长优势的运营模型。

随着时间推移，这些边界会不断演进，但演进的前提是信任已经建立，而不是模型本身变得更强大。信任来源于证据、透明度、验证以及在生产环境中的一致表现。每一次 AI 角色的扩展都应遵循医疗对任何关键能力所要求的相同标准。

我认为成功的衡量标准不会是 AI 的自主程度，而是患者是否获得更好的护理，临床医生是否拥有更多时间专注于复杂决策，以及整个医疗系统是否因执行层面的根本改进而运作得更高效。

Zyter 最近将 TruCare 移植到基于云原生的 AWS 基础设施，以支持企业规模的 AI 编排。在代理式 AI 的挑战中，模型本身与连接数据、系统、政策和人员的基础设施各占多少比重？

基础模型正以惊人的速度进步，这对整个行业都是利好。讨论的焦点正逐步从模型的能力转向它们在真实企业内部的运行方式。

将数据、系统、政策和人员连接起来，是转型成功或停滞的关键所在。AI 必须在现有运营环境中工作，跨多个系统执行、统一执行政策，并在生产规模下保持可靠性。没有这一基础，即使是最强大的模型也无法真正提升工作。

我们迁移到云原生 AWS 架构正是基于这种演进。它提供了弹性、可扩展的基础，使 AI 能在企业工作流中进行编排，同时满足医疗所需的可靠性、治理和性能要求。基础设施之所以重要，是因为它让 AI 成为日常工作执行的一部分，而非仅仅作为另一个并行运行的应用。

长期机会并非仅由更好的模型决定，而是由 AI 的进步与支撑其可靠执行的基础设施和运营模型相结合所产生。

Zyter 也在为其他受监管行业（包括金融服务和政府部门）定位其执行模型。平台哪些部分是真正横向通用的，哪些优势来源于 Zyter 在医疗领域的经验？

受监管行业常常被视为各自独特的领域。我发现同样重要的是了解它们的共性。无论是提供医疗、管理金融风险还是支持政府项目，成功都依赖于在人员、系统、政策和数据之间协调复杂工作，并对每个决策保持问责。

这正是我认为执行模型本质上是横向的地方。编排 AI、企业系统和人类专长、统一执行政策、跨多系统协调工作以及保持透明度，这些挑战远超医疗本身。工作流会因行业而异，但对可靠执行的需求却异常一致。

医疗并未改变我们所构建的东西，而是提升了我们必须构建的标准。临床工作流要求精确、互操作、治理、弹性和信任，因为错误的代价极高。为此层级的复杂性而设计的执行模型，能够适配其他同样需要运营纪律、合规性和问责的受监管行业。

随着 AI 更深入地嵌入企业运营，我认为讨论将从“是否为特定行业打造”转向“是否能够在复杂、受监管的环境中可靠执行”。这正是我们从一开始就为之设定的标准。

Zyter 的农村健康编排器将虚拟护理、远程监测、护理管理和临床服务整合在一起。代理式编排在农村医疗中能解决哪些仅靠远程医疗无法实现的问题？

远程医疗解决了重要的可及性难题。下一步的挑战是确保每一次互动都能转化为协调的行动和可衡量的结果。

农村医疗通过远程医疗、远程监测和宽带投入显著提升了可及性。然而，结果并未同步提升，因为大量数字互动仍然与更广阔的护理旅程脱节。一次没有更新护理计划、触发随访或协调后续步骤的虚拟就诊虽提升了可及性，却不一定提升健康水平。

这正是编排发挥关键作用的地方。它将远程医疗、远程监测、护理管理、社区资源和临床工作流连接成一个统一、协调的系统，使信息无缝流动，行动自动跟进。每一次互动都成为连续护理旅程的一部分，而非孤立事件。

机会并非仅在于扩大可及性，而在于将可及性转化为结果。当护理在人员、系统和工作流之间实现连接，临床医生花在碎片化流程上的时间减少，患者获得更一致的随访，农村健康系统能够用已有资源交付更好的结果。这正是我认为 AI 编排能够创造最大价值的所在。

在与 PwC 的新合作中，什么能将成功的 AI 转型与其他医疗 AI 试点区分开来？哪些可衡量的成果会让您确信 AI 已根本改善了支付方或提供方的运营方式？

医疗多年来一直在投资数字能力。如今，大多数组织已经拥有数据、AI 和现代技术。下一阶段不在于再添加更多能力，而在于重新设计工作方式。

因此，我不会用部署的 AI 模型数量或启动的试点项目来衡量转型。我关注的是组织的运营模型是否已改变。决策是否更快？工作流是否在部门和系统之间更协调？行政负担是否下降，而临床医生和护理团队是否有更多时间投入到提升患者护理的活动中？这些改进是否在整个企业范围内可复制，而非仅限于单一用例？

这正是我们与 PwC 合作的理念所在。PwC 带来深厚的医疗战略与转型专长，Zyter 提供将这些战略在复杂工作流中落地的执行层，连接 AI、企业系统、政策和人员，使组织能够持续将战略转化为行动。

对我而言，成功的 AI 转型发生在 AI 不再被视为独立项目，而是成为运营模型的一部分。此时，组织不再衡量 AI 本身的成功，而是衡量更好的结果、更低的行政成本、更协调的护理，以及因执行根本改进而使整个医疗系统运作更高效。

感谢这次精彩的访谈，想了解更多的读者请访问 Zyter。