首页 > 资讯 > 药企 AI 落地：药企 AI 项目，投入产出怎么算

出自识林

2026-06-27

——IPEM""AI在药业的应用"课程笔记之三

前两篇笔记，从""第一个项目选什么"到"项目实施中的组织管理难题"。本期基于6月1日IPEM"AI在药业的应用"课程邀请四位嘉宾讨论的另一个关键话题：投入产出，到底该怎么算？

一个公式，先算清"含金量"

埃森哲生命科学行业数字化与AI转型专家胡大伟提出AI项目"含金量"的判断公式：业务固有价值×技术可行性×可复制性，三者相乘可大致评估项目价值。三个因子可类比为：业务价值决定"金矿有多大"，技术可行性决定"能否开采"，可复制性决定"能采几座矿"。含金量最终兑现为ROI，含金量越高，投入产出比越高。

胡老师强调，AI价值源于业务本身，而非技术，AI只是加速器，药品研发、生产、销售本身才是价值所在。而研发、商业化之所以含金量高，是因为两项因子同时占优：一是业务价值高地；二是客户反馈、消费趋势、公开文献等语料在互联网上最为丰富，恰在大模型能力圈内，技术上行得通。相反，那些看似美好却ROI极低的场景，往往受限于技术因子，如偏差根因分析，高度依赖专业知识，通用模型无法获取，技术上难以实现。

君实生物质量运营总监、AI应用负责人陆泓瑾博士的实践与胡大伟的判断并不一致，君实AI质量平台正以偏差调查、变更管理等场景为突破口，持续推进。事实上，胡老师的隐含前提是：用通用大模型，且未备好高质量的内外部知识，自然行不通。同一座金矿，别人不能开采，君实能开采，得益于君实用6年时间夯实自动化与电子化的底座，把偏差、变更等QMS数据电子化、结构化，再融合识林结构化法规和行业案例知识库，模块化拆解业务流程。同一场景，开采技术到位与否，ROI可能相差悬殊，含金量不仅取决于场景，更取决于开采技术。

另外，陆泓瑾博士补充道，不必将资源投入通用AI已擅长的方向。她举例PPT或思维导图生成，因为通用AI迟早会做的更好；相较于在通用功能与全球IT巨头的同质化竞争，药企不如聚焦专业价值，做最懂药品质量的AI。

降本增效之外，还有一笔"合规风险"的账

"降本增效"是AI应用的"外显"价值，能省多少人天往往能有个貌似客观量化的指标。制药行业作为强监管行业，"合规风险"是AI应用的"内行"价值。

胡大伟强调，AI不应替代人工放行，而应在已有风控的基础上"再加一层保险"，帮助AI识别那些"不知道自己不知道"的隐性风险。比如，大模型擅长做中美欧多国法规的横向对比、新旧版本的差距分析，这是人很难穷尽、却极有价值的工作，但它也可能产生幻觉，所以仍需人核验。

不少公司默认可以精简中层、完全依赖AI审核来优化人力，认为创意、流程审核这些环节加几句提示词就够了。在患者安全、GxP合规、数据可靠性皆为红线的制药行业，以"精简人力"换取效率，并非真正优化，而是直接放大了风险。

凯莱英生物IT负责人路璐、舶望生物IT负责人史俊补充道，AI的"黑匣子"特性与GxP可追溯的要求存在冲突。路老师参照ISPE的AI分类框架，把通用大模型视为"黑匣子"，通过设定输出预期加以验证；并强调提示词变更会直接影响生成结果，须纳入配置管理与变更控制。合规方案不宜照搬外部标准，而应由IT与业务团队协同，基于GxP要求搭建闭环机制。史老师提到欧盟针对AI专门强调的"人机回路"理念：不接受动态模型直接做决策，人始终是最终责任主体。

失败的案例：需求定位和预期管理关系到战略层面的得失

当谈到AI项目失败经历时，四位嘉宾一致认为，相比具体财务的计算，对需求定位和效果预期的管理更为重要，这里如果没算清楚，带来的后果不是战术级的，而是战略级的。

胡大伟以AI做PPT为例，把失败归结为两点：一是没有人能把需求讲清楚，明确业务的痛点，缺一个既懂业务、又懂技术、且被领导授权对结果负责的"全局视角的人"；这个角色，正是"项目实施中的组织管理难题"一文所说的"善用AI的人"：核心能力不是AI技术专家，而是懂业务、能拆解。二是没有平衡好AI和企业自身的擅长与短板，和全球IT巨头去竞争与自身业务专长无关的领域，也未能有效管理预期。

另一个例子是稳定性报告撰写项目，归结为两个失误：一是需求没摸清；二是AI选型不当。将QC写报告的痛点归为"文字撰写"，原以为一个厂区一年能省下600个人天，结果上线后发现，真正的瓶颈是图谱比较，出峰时间不同，需人工逐一对比，原本选用的模型难以实现。最终配合自研的机器学习图谱解析模型完善功能。

有嘉宾谈到专利撰写项目，问题则出在"业务缺位、期望失控"。IT牵头、业务仅旁观，测了十几家供应商却说不清要什么；业务方期望AI"准确率高达99%"；提示词随意，数据非结构化，几重问题叠加，推进艰难。最终意识到，AI的逻辑能力虽强，但"不能把多个不确定的问题叠在一起"，需要从业务逻辑倒推技术逻辑，把确定性的环节（OCR、文档解析）串联，并在每段增加人工确认。

最后一个案例是"迎检助手"，问题出在"目标预设太大、预期过高"。最初对AI能力预期过高，设定了一个当时技术、成本、供应商都难以企及的目标。所有嘉宾在失败案例中谈到的，都不是战术级别的计算失误，而是战略级的定位不清。

陆泓瑾博士总结到，当项目停滞时，不妨先把目标拆小，先实现电子化、数字化，再谈智能化。

算清楚投入产出，是AI应用的必要条件

综合四位嘉宾的经验，要避开"试点即终点"，关键在以下几条原则：

• 算的是业务价值，而非IT效率。历史经验证明，IT牵头、业务缺位，项目往往难以为继。AI项目的本质是"管理问题"，跨部门沟通、人员投入、组织重构，才是真正的难点，技术问题反而都能解决。上一篇笔记已明确，需IT与业务一起"抬轿子"、由"善用AI的人"牵头、用工具倒逼思维转变。

• 先做POC，看清AI的真实能力与边界，有助于做出合理可行的投入产出计算。史俊老师建议信息化薄弱的企业先做POC快速验证，"接受它一开始只有60%的准确率，再通过业务逻辑和数据训练，让它慢慢长到80%、90%"，让预期贴近真实，而非停留在99%的幻想。

• 管理预期，是第一要务。"期望管理失当"是失败原因之一，胡大伟老师提出策略，每周给业务看demo，让他们持续看到进展与边界，"先修国道和村级公路，上线后再修高速公路"。

• 把确定性流程留给工具处理，把判断留给人。陆泓瑾博士在君实QMS平台上的设计原则是"人为主、AI为辅"，把偏差处理流程设计进平台，AI负责分析与建议，人负责输入、审核与最终决策，所有结论都需人工确认后才进入报告。这样既保证了合规，也避免了"AI生成一堆无用信息"的糟糕体验。

在上述原则下，识林结合AI应用探索经验，从制药企业专业场景落地实操的角度，给出企业要算的"账"不同层级的分类：

入门先算"降本增效"账：数据基础好、风险可控、部署周期短，是最稳妥的"第一笔投入"，能快速建立团队信心、让管理层看见价值。

进阶再算"业务专属价值"账：把知识库与业务场景深度融合，提供高频业务场景的真实赋能，如偏差调查、变更管理、投诉管理、年度质量回顾等，把通用平台替代不了的价值做深，同时降低专有数据门槛。

还要算"合规风险"账：应用AI不仅是使用工具，而是把符合时代发展的技术跃迁融合到药企生产质量管理体系，这涉及数据安全、组织机构、人员培养、管理体系和知识工程等一系列要素，数据源优质、过程透明、经过确认和评估、持续受控、人控系统的AI应用，才能合规可控的带来持续效率提升。

投不投，怎么投，投多少？

算账不是目的，基于合理考量和计算的决策才是。接下来的问题是如何决定投不投，怎么投，投多少？

"投不投"是战略问题，AI是技术带来的生产力，对企业而言，不是要不要做的问题，是能否跟上行业的生存问题。

"怎么投"是战术问题，含金量衡量价值、合规风险守住底线、预期管理影响成败，这些是战术层面需要做实的功课。以POC厘清能力边界，业务协同IT共建，管理预期，把确定性交给工具、把判断留给人。课程讨论带来的启发是脚踏实地，聚焦业务价值，把预期调实，让项目在可控边界内跑起来，不盲目追求一步到位。

"投多少"是实战问题，关键不在"多投"，而在"投得准、投得稳"。稳妥的做法是分层推进：先从数据基础好、风险可控、见效快的场景起步，小步快跑，建立团队信心；再依据含金量与ROI，逐步向业务价值高的场景拓展。算不清账、管不住预期，一味追求ROI，不仅容易导致项目失败，更可能因为在AI应用中遇到挫折而贻误战机。

正如陆泓瑾博士强调：AI之前就存在的部门摩擦、推进阻力等问题，并不会因技术引入而自动消失，AI反而常被置于聚光灯下，成为转移视线的"噪点"。真正左右项目成败的，从来不是技术本身，而是能否组建一支能讲清业务逻辑、管好各方预期、始终把判断权留给人的团队；算来算去，还是看是否有从战略高度看清形势、行动果断的决策层。

识林-筱筱

识林^®版权所有，未经许可不得转载。