首页 > 资讯 > 药企 AI 落地，第一个项目选什么？

出自识林

2026-06-13

——IPEM“AI在药业的应用”课程笔记之一

AI在制药行业的讨论，已经从“要不要用”进入了“怎么用”的阶段。但一个现实问题是：第一个项目选什么？

这个选择，决定了AI落地的成败基调。选对了，团队建立信心，业务看到价值，后续推广水到渠成；选错了，资源浪费，团队疲惫，甚至让整个AI战略陷入“试点即终点”的困境。

5月31日IPEM“AI在药业的应用”课程上，在WPS AI技术带头人朱熠锷老师深入浅出的AI技术普及课后，三位嘉宾围绕AI在药企落地的实践展开了深入讨论。三位嘉宾来自不同类型、不同阶段的企业，他们的碰撞为“第一个项目怎么选”提供了值得参考的判断框架。

从“选什么项目”这个角度思考嘉宾的经验和洞见，笔者归纳出选AI项目的四个思考维度，按此顺序展开：先看业务痛点（是不是真需求），再看ROI（值不值得投），然后看数据基础（能不能落地），最后看风险评估（能不能持续运行），层层递进相辅相成。

其一：瞄准业务痛点，但需评估可行

AI落地的第一步，不是选技术，而是选场景。而选场景的第一原则，是瞄准真实的业务痛点。痛点越真实、越高频，业务部门的配合意愿就越强，项目推进的阻力就越小。王刚博士的经验印证了这一点：君实以质量作为突破口，正是因为偏差调查、变更管理等场景痛点明确、需求真实，团队有动力去用、去优化。

邵扬提醒，选场景要避免“拿着AI锤子，看到处都是钉子”。他形象地补充了一句：“敲完了还得放回去”——其含义是AI工具不能只是技术部门觉得好用，更要能真正嵌入业务流，而不是成为挂在流程外面的“外挂”。他建议先找市场上已经得到验证的相对成熟的工具，从小应用开始，让AI自然地融入日常工作，“星星之火可以燎原”。

第三位嘉宾则从另一个角度补充了“痛点驱动”的验证逻辑：当应用真正解决业务痛点时，就不再需要KPI驱动，而是自下而上地涌现使用需求。这说明，痛点是否真实，最终要看业务部门是否主动用、持续用——而不是看管理层怎么强推。

其二：ROI容易算，但也不能只看省钱

选项目的第二关，是算清楚ROI。但这里的“算清楚”，不是指精确到小数点后两位的财务模型，而是让管理层觉得这笔投入值得。ROI的难点不在于数字本身，而在于不同部门的ROI逻辑完全不同——临床、注册、生产、质量，各有各的账本。

王刚博士坦言，质量部的ROI特别难算，因为质量的价值很难直接量化。他建议质量相关的AI项目更需要提前计划，最好能做到预算里。因为申请额外的钱，ROI难谈，但预算可以跟去年比，可能就不需要单独论证ROI。君实AI项目负责人陆泓瑾博士则补充，算ROI必须去一线，层层拆解才能算明白。她认为识林的”AI翻译“和”AI模板写作“是ROI最高的应用，因为“人天”计算已有基础——例如QC部门对于稳定性试验报告的“人天”可以进行明确地核算，AI模板写作带来的效率提升可以直接量化。

但第三位嘉宾提醒，早期阶段甚至不存在ROI的概念。“当人人想用时，ROI才成为需要回答的问题。”她又强调，“推动时，不要动不动谈省钱。用好AI，讲好故事，管控风险。”效率只是入场券，真正推动AI落地的是价值故事，而非省钱故事。评估逻辑是：没有商业价值不立项，没有风险评估不开发，没有持续维护不上线。

邵扬则从预算申请的角度给出了实操建议，形象而幽默：用“讲故事+讲鬼故事”双轨策略——既要讲清楚做了会怎样，也要讲清楚不做会怎样。比起“我们能赚多少”，也许管理层更在意“我们会亏多少”。

其三：得有数据基础，否则GIGO

选项目的第三关，是评估数据基础。AI圈常说这句老话：Garbage In, Garbage Out（垃圾进，垃圾出）。数据基础决定了AI项目的基线——再好的算法、再强的模型，面对零散、混乱、未结构化的数据，也只能给出不可靠的输出。因此，选项目时，优先选择那些数据已经结构化、知识已经体系化的场景，可以大幅降低项目风险和周期。

王刚博士介绍，君实在推进AI之前，已花费约6年时间完成自动化和电子化基础建设。偏差调查和变更管理之所以能成为突破口，正是因为QMS数据已经完成了电子化和结构化——AI可以直接“吃”这些数据，而不是先花大量精力去清洗和整理。

不是所有场景都适合作为第一个AI项目。如果企业还没有完成基础的数据治理工作，第一个项目应该从“知识治理+轻量AI应用”的组合开始，而不是直接上复杂场景。识林深耕知识管理多年，每日将大量不同格式的全球药监的法规指南和文献报告整理为可读的页面，对几位老师的观点心有戚戚。

法规查询是药企员工最高频的需求之一——许多岗位每天都需要查法规、找指南、确认条款，这个场景天然适合AI辅助。从这个角度看，就不难理解识林AI法规通为什么是被询问最多的AI应用。尤其是对于刚起步的企业，这类AI法规问答可以作为“第一个AI应用”的入门场景。它不需要复杂的系统集成，不需要打通企业数据，部署周期短，风险可控，但能让业务部门直观感受到AI的价值。因为它背后是识林多年积累、日常维护的法规数据库和知识体系，它不只是和大模型对话，而是有依据（且依据及时更新）、可溯源、有边界得提供专业知识参考。

另一个值得考虑的应用是AI翻译。药企日常工作中，法规文件、技术资料、注册文档的翻译需求无处不在，且往往时间紧迫、专业要求高。识林AI翻译基于行业术语库和法规语料训练，输出质量稳定，且每篇译文均可溯源——专业人员可以快速核对术语和依据，而非从零开始。对于尚未建立完善数据基础的企业，翻译场景无需系统集成和历史数据，部署周期短且风险低，却能显著提升日常工作效率，是比较稳妥的选择之一。

回到上文提到君实的痛点是偏差和变更管理。痛点真实不等于项目可行。这里有一个容易被忽视的前提：识林的AI偏差和变更管理之所以能成为君实的突破口，是因为君实已经完成了QMS数据的电子化和结构化。 如果企业连偏差记录都还在纸质或零散的Excel里，没有经过整理和提炼，想着只靠外部的法规和行业案例知识库，则难以达到预期效果。识林在十多家企业落地案例中，锻炼了把讲课书中的知识转化成练习题，手把手交给企业的能力，这是AI应用项目能否顺利落地的隐性前提。

其四：风险评估，未雨绸缪

最后一关，是选项目时最容易被忽视、但也至关重要的维度：风险评估。痛点再真实、ROI再可观、数据再完备，如果风险不可控，项目也可能功亏一篑。尤其是制药行业，患者安全、GxP合规、数据可靠性都是红线，选项目时必须提前想清楚：这个场景能承受AI出错吗？出错后能否被发现、被纠正？这不是附加题，而是必答题。

第三位嘉宾分享了风险评估逻辑：从价值、技术、风险三个维度综合评估。其中风险维度包括五个子项——谁对结果负责、公平伦理（数据是否有偏见）、模型安全可靠、输出可解释、生态责任。AI治理委员会据此评估行还是不行（go/no go）。

不过她特别提醒：一开始不要这么复杂。先解决数据治理，然后是文化转变，再逐步建立完整的风险评估体系。对于第一个项目，应该选择低风险场景——比如知识库问答、翻译辅助等，这些场景即使AI输出有误，也不会直接导致GxP合规问题或患者安全风险。王刚博士也从君实的实践角度强调了GxP边界的把握和滥用风险。

邵扬则从另一个角度提醒：应当接受AI必然会出错，因为是概率模型。他讲了个有趣的故事：当他告知法务部，AI可以实现95%的合同审查准确率，却被反问“剩下5%怎么办？”不过这个问题值得反问：“人能做到100%正确吗？人没发现的不也就认了吗？”

综上，要提前想清楚的是：这个场景能接受AI的“出错率”吗？出错后的影响有多大，能否管控？能否被发现、被纠正？”

迈出一小步，点燃一把火

第三位嘉宾在圆桌上说了一句话，特别形象，记忆犹新：“AI是孩子，要看它在哪个阶段。”

第一个项目，就是AI在药企的“学步期”。选一个轻量的、ROI可感知的、数据基础好的、风险可控的场景，让团队建立信心，让业务看到价值，让管理层愿意继续投入。然后，再逐步走向更复杂的场景、更体系化的平台。

这也正如邵扬所说：星星之火，可以燎原。关键在于，先点燃第一把火。这把火不必烧得多旺多猛，但它必须能点燃——点燃业务的兴趣，点燃管理层的投入意愿，点燃团队的信心。有了第一把火，才会有第二把、第三把，最终形成燎原之势，否则再宏大的AI战略也只是纸上谈兵。

作者：识林-实木

识林^®版权所有，未经许可不得转载。