ARTICLE · 1035301
AI会取代QA吗?——这5类工作已经保不住了,但这3类AI永远抢不走
发布时间：2026-09-19 06:45:11 最近访问：2026-09-19 06:45:11
AI会取代QA吗?——这5类工作已经保不住了,但这3类AI永远抢不走
AI会取代QA吗？——这5类工作已经保不住了，但这3类AI永远抢不走 最近半年，后台被问得最多的一句话就是："老QA，AI会不会把我替代了？"行业群里天天在吵，老板突然在周会上问你"AI能不能干QA的活"，恒瑞全员上DeepSeek的新闻刷了一轮又一轮。今天这篇，不贩卖焦虑，也不无脑吹AI——我把话说透：AI到底动了谁的奶酪，哪些活它抢不走，以及你接下来一年，到底该怎么办。 一、开篇：QA的焦虑——"AI来了，我会不会被替代？" 前几天，一个做了十二年QA的老朋友半夜给我发语音，声音都是抖的。他说他们公司刚上了一套AI质量系统，老板在周会上直接点名问他："偏差调查这块，AI能不能干？能干的话，你们组还需要几个人？"他说那一刻，他脑子里只有一个念头——我是不是要失业了。 我太理解这种感觉了。这几年，"AI取代XX"的话题从互联网一路烧到制造业，现在终于烧到了我们这行。打开任何一个医药质量群，都在讨论DeepSeek、讨论大模型、讨论"AI审记录"。恒瑞医药2025年2月内部发文，成立专项工作小组全员推进DeepSeek应用，并纳入各级干部考核——这则新闻，更是让无数QA在工位上倒吸一口凉气。 AI替代的，从来不是"QA这个岗位"。它替代的，是QA工作里"读、抄、搜、算、起草"这些高度重复的动作——而这些动作，恰恰占掉了一个QA团队大约70%的时间。 换句话说，AI吃掉的不是"你这个人"，而是你每天花七成时间在干的那些"体力活"。你花一整天翻150页批记录去抓那3个对不上的异常值，AI几分钟就能给你；你熬夜写出来的偏差调查报告初稿，AI能秒出一个带证据链的版本。你不是被取代了，你是终于可以从这些活里被"解放"出来了——前提是，你得愿意变。 "The agent handles the investigation. The human provides the judgement.""Agent做调查，人给判断。" 这句话不是老QA编的，而是现在国际质量圈里最主流的一种说法。它把AI和人的分工讲得清清楚楚：调查、检索、计算、起草这些"活儿"，交给Agent去干；而判断、定性、担责这些"决策"，永远留给人。 所以今天这篇文章的立场，从头到尾就一句话：不是 human vs AI（人对AI），而是 human + AI（人加上AI）。把AI当对手，你只会焦虑；把AI当工具，你才会升值。 二、先看一组数据——AI在QA领域已经干到什么程度了 别急着下结论，先看数据。下面这些不是老QA拍脑袋想出来的，而是国际上AI agent在真实QA场景落地的实测结果。看完你就知道，这件事已经不是"未来时"，而是"现在进行时"。 | | | |
| 偏差调查 | | | 减少83% |
| 常规批记录审核 | | | 减少60%时间，36小时放行 |
| CAPA关闭 | | | 复发率降低60~80% |
| 质量事件处理量 | | | 自治处理60~70%质量事件 |
把这组数据翻译成人话：一个AI agent，能自治处理60%到70%的质量事件，每月能处理500个以上的偏差——而一个人类QA，一年大概也就处理100到150个。 偏差调查的时间，从18小时压到3小时；批记录审核从平均7天放行，缩短到36小时放行，150页的批记录被浓缩成3页的异常报告；CAPA关闭快了30%到40%，复发率直接下降60%到80%（要知道，人类的CAPA复发率大概在24%）。这些数字背后，是一个个原本要加班熬夜的QA夜晚。 国内也没闲着。2025年2月，恒瑞医药内部发文，成立专项工作小组，全员推进AI工具DeepSeek的应用，并纳入各级干部考核。而监管层，国家药监局已经发布了《国家药监局关于"人工智能+药品监管"的实施意见》（国药监综〔2026〕6号），明确提出：到2030年，初步构建药品监管与人工智能融合创新体系，"人工智能+药品监管"运行管理机制基本形成，人机协同效率显著提升；到2035年，基本形成数智驱动、智能敏捷、自主可控、生态协同的智慧化药品安全治理新格局。 你看，监管都在主动拥抱AI了，你还在纠结要不要学——这本身就是个信号。 三、5类已经在被替代的QA工作（volume work） 接下来是干货。我把AI正在快速替代的QA工作，拆成5大类、6个具体动作。每一个我都告诉你：以前怎么干、AI怎么干、替代度多高。你可以对照自己的日常，看看哪一条戳中了你。 1. 偏差处理：初始分诊 + 次要偏差调查（替代度 ★★★★★）以前：一份偏差报告进来，人工先读一遍，判断它是什么等级、该派给谁、要不要正式开调查。次要偏差（3级及以下）的调查更费时间——人力得一份一份去翻批记录、翻设备日志、翻环境监测数据、翻历史偏差，然后再手写一份报告出来。一个熟练的QA，一个下午可能就搭进去一两条。AI：偏差自动分级、自动派单。次要偏差调查，AI自动关联批记录、设备日志、环境数据和历史偏差，把证据链串起来，直接起草一份带证据链的调查报告，人只需要审。 这就是它替代度最高的原因——这个动作几乎全部是"检索+串联+起草"，恰恰是AI最擅长的事。 2. 常规批记录审核（替代度 ★★★★☆）以前：一份批记录可能150页，QA得逐行逐行看，看到眼睛发花，就为了找那几个对不上的数、缺的签名、超的限度。AI：把150页浓缩成3页异常报告，只把真正有问题的地方拎出来给你看。 替代度之所以是四星半而不是五星，是因为"异常之外的整体合规感"和"对产品的那点直觉"，还是得靠人来把关。 3. 标准CAPA起草（替代度 ★★★★☆）以前：人工写CAPA，从根因到措施、到责任人、到时限，一条条码。AI：根据偏差性质，推荐风险分级对应的CAPA，标准件直接生成。 标准CAPA是"套路活"，AI学得快；但一遇到复杂根因，它就不行了——这也是它保住四星半的原因。 4. 趋势监测与报告起草（含APR、趋势报告）（替代度 ★★★★☆）以前：人工按月、按季度算趋势，画图，然后手写年度产品质量回顾（APR）和各种趋势报告。AI：实时监测数据，一旦出现异常趋势立刻报警，报告自动生成初稿。 趋势监测最怕"人盯不过来"，而这恰恰是机器不知疲倦的优势。 5. 审计追踪 / 数据完整性初筛（替代度 ★★★★☆）以前：数据完整性核查靠人工抽样，翻审计追踪，一条一条看有没有异常操作。AI：自动扫描审计追踪，把异常操作（比如删数据、改时间、越权登录）直接标出来。 这是AI的"火眼金睛"环节——它是真的能24小时不眨眼地盯着。 把这5大类拆开，其实就是下面这6个最耗时的具体动作。我做了张汇总表，你对号入座。 | | | |
| | | ★★★★★ |
| | AI关联批记录+设备日志+环境数据+历史偏差，起草带证据链报告 | ★★★★★ |
| | | ★★★★☆ |
| | | ★★★★☆ |
| | | ★★★★☆ |
| | | ★★★★☆ |
看明白了吗？这六件事有个共同点：它们全是"读、抄、搜、算、起草"。不是不需要你，而是不需要你把整段整段的时间砸在里面。以前你花70%的时间做这些，以后这部分由AI接管，你的时间被腾出来，去做更重要的事——如果，你知道什么是"更重要的事"。 四、AI辅助、但人必须把关的（human-in-the-loop） 上面那些，是AI能"自己干"的。但还有一类环节，AI可以帮你加速，最终结论却必须由有资质的人签字负责——这就是所谓的 human-in-the-loop（人在回路中）。这些环节，AI是你的助手，不是你的替身。 1. 复杂根因分析。多系统故障、需要跨领域知识的那种根因，AI给的答案经常"差那么一层"。它能把线索都给你找出来，但把这些线索拼成一个经得起推敲的根因，还得靠人。2. 关键/重大偏差的调查结论。越严重的偏差，越不能交给AI定性。因为一旦结论错了，后面所有的CAPA都是错的——错误会被放大，而不是被修正。3. 批次放行决策。上市放行的签字权，永远在持证的质量负责人手里。没有任何一个监管机构，会接受"AI自动放行"。4. CAPA批准。AI可以生成CAPA，但批准CAPA、并为CAPA的有效性负责的，是人。5. 变更评估与风险评估。变更的影响面判断、风险等级的最终定级，需要经验，也需要对产品的理解。6. 检查应对、监管沟通。面对检查员的问题怎么答、条款怎么辩，这是人的战场，机器插不上手。 AI可以生成报告，但签字的人还是你——因为责任无法外包给机器。 这句话，请每个QA记在心里。你可以让AI帮你写、帮你算、帮你查，但你签下的那个名字，代表的是人承担责任。机器不会坐牢，会计不会背锅——最后扛下来的，还是那个签名的人。这既是压力，也是你不可被替代的根本原因。 五、3类AI永远抢不走的QA能力（judgement） 前面讲了AI抢得走的，现在讲抢不走的。这3类能力，是我认为未来十年，QA真正的护城河。 1. 现场判断——AI看不见、闻不到的东西。 现场QA在车间里，靠的是"眼睛"和"鼻子"。设备是不是有异响？操作人员的动作是不是到位？环境的温湿度、压差有没有异常？物料的色泽、气味有没有变化？这些信息，AI完全拿不到。AI看的是数据，人看的是现场。数据是现场投下的影子，但影子不等于现场。很多真实的质量问题，恰恰是从一个"说不上来哪里不对"的直觉开始的——而那个直觉，来自你站在车间里闻到的、看到的、听到的一切。 2. 质量谈判——AI不懂"这句话说出去会有什么后果"。 跟检查员"过条款"、跟客户谈质量协议、跟生产部门博弈进度和质量……这些事，本质上是人在跟人打交道。什么话该说、什么话不能说、说到什么程度算表态、这句话说出去半年后会不会被翻出来——这些"监管语境"和"人情世故"，AI真的不懂。 它能把条款背得滚瓜烂熟，但它算不出"这句话的分量"。 3. 责任与治理——谁来管AI？ 最后这一类，也是最关键的一类：签字负责、质量战略、以及——AI治理本身。 是的，你没看错，AI治理本身，也是QA的新工作。谁来审核AI？谁来定义AI的能力边界？谁来为AI的判断兜底？只能是人。 AI越强，越需要一个"懂它的、且能对它负责的"人来管它。而这个角色，天然就是QA。 六、监管划的红线：AI只能当"辅助"，不能当"主判" 光讲趋势还不够，我们还得看监管怎么说。因为在我们这行，监管画的线，就是天花板。 国内：国家药监局的定调。 《国家药监局关于"人工智能+药品监管"的实施意见》（国药监综〔2026〕6号）里，最值得我们每个人记住的一句话是——明确"人工智能在药品监管领域的辅助型定位"。 "辅助型"这三个字，是官方定调，分量极重。监管不是要让AI来当裁判，而是让AI来当帮手。这份意见还提出了七大重点方向，包括构建人机协同智能审评审批体系、提升全链条智能化监管能力、推进检查执法智能化规范化等——核心逻辑始终是"人机协同"，而不是"以机代人"。 补充一个背景：早在2024年，国家药监局就发布了《药品监管人工智能典型应用场景清单》，梳理出的典型场景包括——辅助审批（形式审查、辅助审评、批件整理）、日常监管（现场/非现场检查、辅助抽检、辅助稽查、药物警戒、网络交易监管）、服务公众（政策咨询、药品说明书服务）、辅助决策（业务数据查询、数据分析）。你仔细看，处处都是"辅助"二字，没有一条是"决策由AI做"。 国际：EU GMP Annex 22 划出的三条红线。 国际上，欧盟出了首个专门针对药品制造中AI使用的监管框架——EU GMP Annex 22（草案2025年7月发布征询）。它划了三条清清楚楚的红线： 红线一：只允许"静态、确定性AI模型"用于关键GMP应用。什么叫确定性？就是相同输入永远产生一致输出。这类模型可预测、可验证、可复现。红线二：明确排除动态学习模型、生成式AI、大语言模型（LLMs）用于关键GMP应用。也就是说，你今天用来聊天、写文章的这类大模型，严禁用来碰关键GMP决策。红线三：Human-in-the-Loop（HITL）要求。涉及患者安全、产品质量或数据完整性的决策，必须由具备资质的人员负最终责任。而且，人类操作者必须理解AI系统的能力与局限，能解释它的输出，并具备必要时干预它的专业知识。 监管的态度很明确：AI可以干活，但最终责任永远在人。这不是技术问题，是法律责任问题。 这句话你品品。HITL不是"人随便看一眼就行"，而是要求你这个"人"，得真的懂AI——懂它能干什么、不能干什么、什么时候会犯错、错了怎么兜底。这意味着一个残酷的现实：一个不懂AI的QA，未来连"签字"的资格都可能没有。监管把责任压给了"人"，但同时也把能力门槛提上去了。 看清楚形势，接下来就是行动。老QA给你三个方向，帮你从"被AI替代的人"，变成"管AI的人"。 第一步：从"写报告"到"审报告"。 你的价值，不再是"产出报告"，而是"批判性审查AI产出的报告"。具体审什么？三件事：数据源全不全？根因逻辑站不站得住？CAPA是不是基于证据、够不够具体？以前的QA拼的是"写得快、写得全"，以后的QA拼的是"看得准、挑得出"。 第二步：从"处理数据"到"解读信号"。 你不需要自己去算了，你需要的是看懂AI给出的信号，并判断哪个信号重要。同样一堆趋势数据，有人只看到"波动"，有人能看出"这是工艺漂移的前兆"。这背后，是数据素养（data literacy）和模式识别（pattern recognition）能力——这也是新技能树的核心。 第三步：从"执行者"到"治理者"。 往上一层走——AI治理、监管情报、质量战略。具体包括：跟踪EU GMP Annex 22、FDA CSA这些新规；设计公司内部的AI使用边界；定义"哪些AI输出必须人工复核"。这些活，现在几乎没人会，谁先会谁吃香。 QA新技能树（三根主枝）：① Agent监督与异常管理——批判性审查AI输出，管好你的"机器同事"。② 数据治理与信号解读——data literacy、pattern recognition，看得懂信号。③ 监管情报与AI治理——跟踪EU GMP Annex 22、FDA CSA，替公司把AI的边界划清。 还有两个融合技能，值得单独拎出来：智能询问（Intelligent Interrogation）——知道怎么向AI问对的问题；判断整合（Judgment Integration）——把AI给出的碎片结论，整合成一个站得住的整体判断。 光说不练假把式。下面这张岗位AI替代度自测表，10个典型QA任务，你可以给自己打个分。替代度高的，就是你最该转型的方向；替代度低的，就是你该加固的护城河。 如果你发现自己的日常，大部分都落在"高"这一栏，恭喜你——你不是没价值，你是被"体力活"困住了。把上面三个方向挨个走一遍，你就从"可被替代"的那一类，挪到"不可替代"的那一类去。这个过程不会一夜完成，但越早开始，你越主动。 写到这，其实我想说的话已经说完了。最后用三句话，给全文收个尾： 第一句：AI替代的，是重复动作，不是岗位。读、抄、搜、算、起草——这些活它比你快，但这些活，本来也不该占掉你70%的时间。第二句：监管的红线，是"辅助型定位"。无论国内的实施意见，还是欧盟的Annex 22，都在告诉你同一件事：AI当不了主判，责任永远在人。第三句：QA的价值，正从"执行"转向"判断"。会写报告的人遍地都是，会审AI、会判断、会担责的人，越来越稀缺。 所以，别再问"AI会不会取代QA"了。真正该问的是——你，是想做那个被AI替掉"体力活"后茫然无措的QA，还是想做那个踩着AI往上走、从执行者变成治理者的QA？被AI淘汰的，从来不是QA，而是只会读文件、抄记录、写八股报告的QA。会审AI、会判断、会担责的QA，反而更值钱。 记住那句话：The agent handles the investigation. The human provides the judgement. 不是 human vs AI，是 human + AI。共勉。 1. 飞检来了！推门检查应急预案——各部门操作模版，拿去直接演练 2. 收到483那天，全厂都慌了——483整改的7天黄金期怎么过 3. 检查官不用来现场了——远程审计应急预案，各部门操作模版 4. 沉降菌超标了！——无菌区污染调查的72小时作战手册 5. 偏差发生了！——黄金24小时，QA怎么救场才不背锅 6. 数据完整性飞检来了！——检查官最爱的5个"抓现行"手段，你中了几条？ 7. PIC/S确认与验证新规来了！近20年首次大修，10月1日生效——这些做法全部作废 8. 飞检缺陷项开出来了，怎么跟检查老师"过条款"？——这些话，说错一句就亏大了 9. GMP附录解读①：无菌药品——检查员最盯的5个地方 10. GMP附录解读③：确认与验证——VMP、三批、清洁验证，检查员就盯这三样 11. GMP附录解读⑤：原料药——回收溶剂、混合批、杂质档案，检查员就盯这五样 12. GB/T 2828.10导则解读——你用了这么多年GB/T 2828，可能一直都选错了标准 —— 老QA · 专注制药实战 · 不空谈理论 ——