> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/pharma-ai-research-pilot-use-case.md).

# Sun Pharma Glenmark AI 研究 2027：选择试点场景

本文整理自 Duaer 文档站，围绕制药企业如何从 AI 研究热点转向可落地的试点：梳理常见应用场景，按价值与难度排序，避开常见误区，并设定衡量指标、停止规则与治理要求。

## 制药企业 AI 的价值究竟在哪里

当一家制药公司宣布“正在做 AI 研究”时，很多业务负责人听到的是一条新闻标题，而不是一份计划。研究团队可能已经有不错的模型，但商业、质量和法规事务部门仍然说不清，哪个工作流最应该先投入资源。结果很常见：实验室里有几个演示，积压一长串想法，而试点一遇到真实数据、验证要求和合规审查就停滞。真正有用的问题不是行业里是否在做 AI 研究，而是制药组织应从哪里开始应用，以及如何判断这项工作是否具备规模化的条件。

制药领域的 AI 工作覆盖多个阶段，从早期药物发现一直到上市后运营。实践中反复出现的场景大致可以归为几类：支持靶点识别的文献与专利挖掘；化合物筛选优先级排序；临床试验的研究中心选择与患者招募；药物警戒中不良事件报告的分诊；法规文件的起草与检查；以及生产偏差的根因分析。

这些分类比任何单家公司的研究计划更有参考价值。一个发现阶段的模型和一个药物警戒分诊工具，对数据的需求、验证负担和负责人都截然不同。把它们当作同一个“AI 项目”来管理，是许多组织的第一个错误。应当把整体组合拆分为具体场景，为每个场景指定业务负责人，并说明它要改善的是哪一个决策。

## 按价值与难度排序，而不是按关注度排序

最受关注的研究方向，例如生成式分子设计，通常并不是中大型或成熟制药企业最佳的第一个试点。它们往往同时具备高价值和高难度：实验周期长、标注数据稀缺、依赖大量专家评估，而且到达真正具备监管意义的路径很长。

更可靠的做法是，从两个维度为每个候选场景打分。在价值维度上，问它能减少多少周期时间、单次决策成本或风险暴露，以及这类决策发生的频率有多高。在难度维度上，问数据获取是否容易，按照受监管的质量规范输出需要多少验证，需要集成多少个系统，以及一旦出错能多快被发现并撤回。例如，为内部医学团队做文献摘要通常难度低、价值中等；带人工复核的不良事件分诊往往两者都处于中等水平；生成式药物发现则两者都很高。用这种方式排序，可以让取舍变得清晰可见。关于这一步的更深入方法，可参阅我们的指南：[企业 AI 用例优先级排序指南](https://doc.duaer.com/zh/guides/enterprise-ai-use-case-prioritization/)。

## 三个会让试点停滞的误解

第一个误解是把研究公告等同于运营能力。一家公司可能正在认真投入 AI 研究，而其内部团队仍然缺乏使用研究成果所需的数据管道、复核角色和审计追踪。在照搬任何外部方向之前，应先检查本组织是否具备这些基础。

第二个误解是轻信基准测试表现。一个在公开数据集上表现良好的模型，面对你们的历史报告、专业术语和文档格式时，可能会表现完全不同。应始终使用从自有记录中抽取的样本进行测试，并记录模型错在哪里，而不仅仅是正确率有多高。

第三个误解是假设某家公司的研究重点可以直接套用到自己的产品组合上。你们的产品结构、地域布局、监管暴露和合作伙伴生态都可能不同。外部研究的作用是提出假设，之后还需要用自身的约束条件加以检验。

## 如何选择第一个试点

一个好的第一个试点应当范围窄、可衡量、可回退。它应回答一个边界清晰的问题，依赖组织已经持有的数据，让合格的人工复核员对每一项输出都进行把关，并且在工作开始前就约定好通过或不通过的指标。在起步阶段，它最好面向内部使用，使错误能够被员工发现，而不是传递给患者、监管机构或客户。

对许多制药组织来说，一个在强制专家复核下起草或摘要内部文档的试点，比一个提出新化合物的试点更符合这些标准。关键不在于某一类场景永远是正确的，而在于试点应依据明确的标准来选择，而不是依据最令人印象深刻的演示来选择。

## 像受监管团队一样衡量试点，并让治理与数据先行

在试点开始前先确定基线。测量当前流程的周期时间、复核人员修改 AI 生成输出的比例、漏过复核的错误数量、做出决策所需的时间，以及审计追踪是否足以支持内部和外部审查。应将这些数字与基线进行比较，而不是与供应商的宣传或研究论文中的数字比较。

提前设定停止规则。例如，如果复核人员必须重写超过设定比例的输出，或者任何错误传递到了下游相关方，试点就应暂停，直到原因查明。没有停止规则的试点往往会演变成一个无人能够评判的开放式实验。

制药数据通常涉及患者保密、知情同意限制，以及因地区和职能而异的验证期望。在任何模型接触真实记录之前，应先确认数据归谁所有、可用于何种目的、可在何处处理，以及谁来批准工作流的任何变更。适用于临床 AI 的同一套纪律，同样适用于此处。我们关于[医疗 AI 落地优先级概览](https://doc.duaer.com/zh/guides/healthcare-ai-use-case-value-risk-ranking/)的文章介绍了如何将价值与风险一并排序，这套方法对制药运营也大体适用。

只有当试点在一段有意义的时间内产生了稳定的指标，并且治理负责人审阅过审计记录之后，才应考虑规模化。从单一团队推广到整个组织，是一个新的项目，会涉及新的数据来源和新的用户。

## 本周可以做什么

请在你的制药组织中列出五个候选 AI 工作流，且至少涵盖研发、医学事务、质量或法规等两个职能。对每一个工作流，就价值和难度分别按 1 到 5 分打分。选出价值相对于难度最高的那个，然后撰写一页纸的试点章程，写明业务负责人、人工复核员、基线指标、目标改善幅度和停止规则。把范围限定在一个工作流和一个团队之内。

如果你希望用结构化的方式完成这一选择，并把章程、评分和结果保存在同一处，可以访问 https://www.duaer.com 注册试用，从你的第一份候选清单开始。

AI 研究的新闻标题展示了行业的关注方向，但一个可信的制药 AI 计划，是通过一个边界清晰、可衡量、受治理的试点逐步建立起来的。

## 常见问题

### 制药企业如何选择第一个 AI 试点场景？

建议先列出跨职能的候选工作流，再从价值和难度两个维度打分。优先选择价值相对于难度较高、范围窄、数据已在手中、并有合格人工复核的场景，通常比生成式药物发现这类高难度方向更适合作为起点。

### AI 试点应该设置哪些衡量指标和停止规则？

试点前需要先确定基线，常见指标包括当前流程的周期时间、复核人员修改 AI 输出的比例、漏过复核的错误数量、决策耗时以及审计追踪的完整性。停止规则应提前约定，例如复核人员改写比例超过设定值，或任何错误传递到下游相关方时，就暂停试点并查明原因。

### 制药企业在 AI 试点前需要完成哪些数据和合规准备？

需要确认数据的所有权、允许的使用目的、可以处理数据的地点以及工作流变更的审批人，并充分考虑患者保密、知情同意和不同地区的验证要求。只有在治理负责人审阅过审计记录、试点取得稳定结果之后，才应考虑推广到更大范围。