每隔几年，技术转变就会为初创公司创造一个窗口，让它们能够开发出现有企业无法开发的产品——因为它们速度太慢，过于以旧方式投资，或者根本没有看到机会。我们现在正处于人工智能的窗口期。
以下公司不仅仅将人工智能用作功能或营销角度。他们已将人工智能融入其工作的核心，通过这样做，他们真正改变了行业的运作方式。有些资金充足且发展迅速。其他的则处于早期阶段并且在雷达下飞行。所有这些都值得一看。
＃＃ 卫生保健
Suki 正在解决医学上最持久的痛点之一：临床记录。医生花费大量时间写笔记——这些时间本来可以花在病人身上。 Suki 使用语音 AI 听取患者咨询，并按照医生 EHR 要求的格式自动生成结构化临床记录。
Suki 之所以引人注目，是因为它的特殊性。它不只是转录 - 它理解医学术语，为不同专业正确构建输出，并与包括 Epic 在内的主要 EHR 平台集成。医生报告每天可节省 1-2 小时。
到 2026 年，该公司已从个人诊所扩展到大型医院系统，并添加了环境人工智能功能，可以填充账单代码并标记潜在的药物相互作用。
Nabla 对临床人工智能采取了类似的方法，但重点关注欧洲市场，该市场的隐私法规 (GDPR) 使得以美国为中心的工具更难部署。他们的环境人工智能在本地或主权云环境中运行，使其适用于 NHS 信托和大型欧洲卫生系统。
他们的路线图包括多语言临床记录生成——这对于患者群体多样化的国家来说是一个关键功能。
＃＃＃ 看待
关注点集中在一个不同的临床问题：漏诊。它在住院期间实时分析患者记录，并标记可能被忽视的病症——败血症、肺栓塞、急性肾损伤。及早发现这些病症可大大降低死亡率和成本。
哈维已成为法律人工智能领域的杰出人物。它建立在高级语言模型之上，并在法律语料库上进行了微调，可协助律师进行合同审查、尽职调查、法律研究和起草。多家Magic Circle和大型律师事务所已采用它。
Harvey 的有趣之处不仅在于技术，还在于其进入市场的方式。通过直接与律师事务所领导层合作而不是推销个人员工，他们推动了企业范围内的采用，而这是大多数法律科技初创公司难以实现的。
2026 年，Harvey 增加了监管合规性跟踪和跨司法管辖区研究的功能。
Ironclad 进入合同生命周期管理领域已经有一段时间了，但他们的人工智能层已经显着成熟。该平台现在提供智能合同谈判——建议编辑、标记非标准条款以及根据同行合同数据库对条款进行基准测试。
对于每月处理数百份保密协议和供应商协议的内部法律团队来说，这是变革性的。人工智能端到端地处理例行合同，只将不寻常的合同升级给人类律师。
＃＃＃ 光标
Cursor 是一款 AI 原生代码编辑器，对于越来越多的开发人员来说，它已成为 VS Code 的真正竞争对手。与 GitHub Copilot（它是一个扩展）不同，Cursor 是围绕 AI 辅助从头开始构建的 - 整个界面是围绕 AI 协作者始终存在的假设而设计的。
它的“Composer”功能允许您用自然语言描述多文件更改，并在您的代码库中实现它们。对于重构、添加功能和调试，许多开发人员报告生产力提高了 30-50%。
Cognition 的 AI 软件工程师 Devin 在 2024 年推出时引发了相当大的争论。2026 年的现实比最初的炒作所暗示的更为微妙——Devin 不会取代软件工程师，但它在特定类别的任务中非常有效：根据规范构建新的代码库、编写样板文件、调试明确定义的错误以及处理明确范围的票证。
企业团队正在使用它来处理底层的待办事项（开发人员认为这项简单且耗时的工作很乏味），从而使工程师能够专注于更高杠杆的任务。
Poolside 吸引了大量投资，其前提是专门针对软件工程而不是通用语言任务训练人工智能模型。他们的模型以一般法学硕士无法理解的方式理解版本控制、测试框架、部署管道以及真实软件项目的惯例。
他们的企业产品针对大型工程组织，正在与多家财富 500 强公司进行私人测试。
＃＃ 教育
Khanmigo 是可汗学院的人工智能导师，它是设计最周到的教育人工智能产品之一。它使用苏格拉底式提问而不仅仅是给出答案——它不是为学生解决数学问题，而是提出引导性问题，引导学生自己找到解决方案。
区别很重要。教育研究一致表明，富有成效的斗争对于学习至关重要。仅仅给出答案的人工智能实际上会阻碍学习。这项研究明确地体现了 Khanmigo 的设计理念。
2026 年，Khanmigo 已扩展到涵盖更多科目，并为教师添加了功能 - 生成课程计划建议、测验问题和进度报告。
＃＃＃ 合成
Synthesis 最初是 SpaceX 员工子女学校的一个内部项目。它已经被分拆出来，现在提供人工智能驱动的数学课程，可以适应每个学生的节奏和方法。内容像游戏一样，真正引人入胜，解决了大多数教育软件的核心问题：学生很快就会放弃它。
使用综合的学校的结果显示，与对照组相比，学校的数学成绩明显更好，进步集中在推理和解决问题上，而不是死记硬背计算上。
Notion 已成功地将人工智能集成到其生产力平台中，让人感觉真正有用，而不是附加的。突出的功能是跨工作区的人工智能驱动综合 - 您可以提出问题，Notion 将搜索团队的整个知识库以找到答案，总结相关文档并链接到来源。
对于生活在 Notion 中的团队来说，这会将多年积累的文档转变为可立即搜索、智能总结的知识库。
Glean 连接到您的组织使用的每个工具 - Slack、Google Drive、Jira、Confluence、Salesforce、GitHub - 并在顶部构建统一的企业搜索层。您用自然语言提出问题，并获得从整个组织知识库中提取的综合答案。
企业的销售宣传很引人注目：员工花了多少时间寻找已经存在于某处的信息？研究表明知识工作者每天工作 1-2 小时。 Glean 的客户报告称产量大幅减少。
＃＃ 金融
Hebbia 正在构建用于财务分析的人工智能，特别是从冗长的财务文件中阅读和提取信息的耗时工作：财报电话会议、美国证券交易委员会文件、招股说明书、信贷协议。他们的 Matrix 产品可以提取数百个文档并同时对所有文档运行结构化分析。
投资银行、对冲基金和私募股权公司利用它来加快此前需要大型分析师团队进行的尽职调查和研究。
Ramp 是一个公司卡和支出管理平台，在费用管理方面大力依赖人工智能。其人工智能自动对费用进行分类，标记政策违规行为，根据支出模式建议供应商谈判，并生成财务报告。对于财务团队来说，它显着减少了每月结算流程的手动工作。
纵观这些初创公司，我们发现了一些模式：
领域深度很重要：最有效的人工智能产品不仅仅是包装通用语言模型。它们根据特定领域的数据进行微调，与特定领域的工具集成，并围绕特定领域的工作流程进行设计。
障碍是痛苦，而不是技术：这些公司都没有以“我们使用人工智能”为主导。他们以特定的痛点为主导——临床文件、漏诊、合同审查时间——并使用人工智能来解决它。
信任和合规是竞争的护城河：在医疗保健、法律和金融领域，合规地处理数据的能力并不是可有可无的，而是先决条件。从一开始就建立合规性的初创公司比那些进行改造的初创公司具有结构性优势。
生产力声称是真实的，但存在差异：据报道，这些工具的生产力提高了 20% 到 2 倍，具体取决于任务、用户的采用深度以及工具与现有工作流程的集成程度。
人工智能初创公司的发展速度比之前的任何技术浪潮都要快。 2023 年处于领先地位的公司已被超越。 2026 年一些最有趣的公司在 2024 年并不存在。变革的步伐奖励保持好奇心和信息灵通。
想要了解这些产品背后的技术——大型语言模型如何工作、微调意味着什么、人工智能代理如何运作？我们 AI Educademy] 的课程构建基础知识，帮助您评估、使用重塑世界的 AI 工具并为其做出贡献。