ARTICLE · 1149462
药企AI 数智化转型战略重磅报告,如何规模化和计算 ROI
药企AI 数智化转型战略重磅报告,如何规模化和计算 ROI
摘要：同一份调研里，AI 在商业与 IT 已为 47–49% 的企业产生可计量回报，在药物发现却只有 17%。药企 AI 的真问题不是"要不要上"，而是长周期赛道算不出回报这件事。 文末阅读原文可获取原文 PDF 和中文解读 PPT ▍ 一、两个数字，比任何 slogan 都有说服力 先把结论摆出来。 IntuitionLabs 今年 3 月发布的《Pharma AI Strategy: Scaling Digital Transformation》24 页白皮书，援引 ZS 2025 年对 115 名美国药企与生物技术技术高管的调研，给出了一组很有意思的数据： • 商业（销售与市场）：约 47% 的企业认为 AI 与数字化投入今天已经产生可计量价值 • 企业技术与 IT 运营：约 49%，同样是"已产生" • 制造与供应链：29% 已产生，57% 预计一年内 • 临床开发：30% 已产生，45% 预计一年内 • 药物发现与发现分析：只有 17% 已产生价值，42% 预计一年内 
图 · 原文表 1：ZS 2025 调研各职能域AI 当下可见价值与一年内预期 请注意这个对照关系：商业和 IT 的 47%/49%，是已经落袋的钱；药物发现的 17%，是还没开始的钱。而药物发现，恰恰是药企最舍得花钱、也最需要 AI 的地方。 这就是全篇最值得被抄走的判断——药企 AI 的真实进度条，不是一条线，而是两条速度不同的轨道。 一条已经通车，另一条还在铺轨枕。 ▍ 二、为什么是两条轨道 白皮书自己给出了答案，而且答案相当坦诚。 它把 AI 用例明确分成两个投资组合： 快车道（Quick-Win Portfolio）——商业分析优化、常规数据录入自动化（如自动填充病例报告表 CRF）、生产排程优化、内部聊天助手。这些项目用的是已经存在的数据和成熟的方法，所以现在就能看到 ROI。报告里说，约 40–50% 的企业在这类项目上"今天已有回报"。 长赛道（Strategic-Impact Portfolio）——靶点发现、生成式分子设计、数字病理与生物标志物、试验设计优化与患者分层。这些项目需要新的标注数据、新的算法能力，回报周期以年计。麦肯锡调研里只有 17–30% 目前看到了价值。 两条轨道的差别，本质上不在"用了多贵的模型"，而在三件事： 1. 数据是不是已经躺在那里——销售数据、CRM 记录是结构化的、集中的；分子与临床数据散在LIMS、CDM、纸质记录里 2. 价值能不能被算出来——省下的营销预算能直接进损益表，一个候选分子的价值要等十年后才知道 3. 谁在为它买单——商业部门的 ROI 由 CFO 认可，研发部门的 ROI 只能用"更长的管线价值"来描述 第3 点尤其关键。ZS 调研里，多位 CIO 估计单个高影响用例能带来 20–30% 的 ROI。这是个很高的门槛，但也意味着：只有真正transformative的试点才被优先推进。反过来，如果一个研发项目的回报口径只有一句"我们相信这会缩短研发周期"，它大概率永远排不上优先级。 这不是 AI 的问题，这是度量口径的问题。 ▍ 三、这份白皮书真正想说的三件事 剥掉厂商话术，报告的技术骨架其实是三段。 ▪ 1. 成熟度分三个阶段，多数人还在第二段 
图 · 原文图 1：从试点到企业级整合的三阶段路线图 白皮书把药企的数字化成熟度切成三段： • Stage I 探索期（2020–2023）：单点概念验证，通常外包给顾问，数据管道只服务一个职能 • Stage II 集成期（2023–2025）：建公共数据平台、建AI/ML 中心-of-excellence（CoE）与治理委员会，把跑通的试点扩到多个中心 • Stage III 企业级（2025 起）：AI 嵌进标准化流程，比如申报文件起草、端到端产品上市；业务与 IT 共同担责 关键在Stage II 到 III 的跨越条件：报告写得很清楚，试点要"crossed the chasm"进入生产，组织必须持续迭代统一数字路线图。换句话说，Stage III 不是买了更多工具，而是组织形态变了。 ▪ 2. 有一个自下而上的"AI 价值栈" 
图 · 原文图 3：AI 价值栈——从业务价值到数据与平台的六层结构 报告给出的 AI 价值栈分六层，自下而上：安全与伦理（隐私、合规、偏差控制）→ 数据与平台（数据湖、云基础设施、MLOps）→ AI/ML 模型 → 应用（研发、试验、运营、商业场景）→ 治理（战略、度量、问责）→ 业务价值。 这里有个容易被跳过的判断：报告反复强调，没有下面几层，上面那些目标都实现不了。而 ZS 调研里88% 的受访者计划增加云与基础设施投入、86% 增加数据平台、84% 增加 AI 平台——钱在往地基上花，而不是往工具箱上花。 顺带一提，这张图在原报告里是一段没渲染的 markdown 表格（作者直接贴了| Layer | Focus | Enables | 的源码，末列还被截断）。这不影响它想表达的意思，但确实说明白皮书的生产流程相当粗糙——这个细节我会在后面"局限"一节里再提。 ▪ 3. 监管不是刹车，是路线图的一部分 这块是药企特有的、也是很多 AI 报告回避的。 2024 年底，FDA 与 EMA 联合发布了十条医学领域"良好 AI 实践"指导原则；2025 年 1 月，FDA 发布草案指南，用基于风险的框架来确保用于药品申报的模型可信度（model credibility），强调"使用情境"（context of use）。 白皮书的态度很明确：监管要求不是障碍，而是路线图的组成部分。提前准备的企业扩容更顺；并且由于 FDA 与 EMA 核心目标一致（安全使用 AI），企业大概率会按更严格的 EMA 框架来做，以同时满足两个市场。 对企业实操的意思很直接：GxP 环境下的 AI，必须留审计轨迹、可复现、有模型所有者。"你把模型训完了"不是交付，"你能证明三个月后还能跑出同样结果"才是。 ▍ 四、四道门槛，报告说得比多数咨询报告实在 白皮书把"规模化"拆成了四道坎，每道都给了具体的做法，而不是喊口号。 门槛一：目标不清。 ZS 调研里 67% 的受访者明确警告，没有清晰目标就会让 AI 项目失败。报告引用的一句话很尖锐：如果不把某个 AI 实施当作一个有明确责任人的具体项目来对待，它就会一直处在成功与失败之间的"叠加态"（superposition）里。 门槛二：ROI 算不出来。 很多回报（比如更快上市）无法直接归因于 AI。对策是设代理指标：手工任务减少的人力、节省时间的价值；长周期项目则设中间 KPI——模型准确率进展、采用率。 报告在这里给了一份可直接抄的指标清单，按职能分： • 研发效率：决策时间缩短、候选物合成周期减少、每个先导化合物的成本 • 临床影响：患者招募速率、试验完成周期、方案偏离频率 • 生产表现：收率提升、批次周期缩短（辉瑞某关键步骤缩短 67%）、设备停机时间 • 商业结果：营销活动带来的销售增长、触达目标医生的比例、患者依从性改善 • 财务指标：ROI、服务成本（cost-to-serve） 还有一个容易被忽略但很实用的做法：做 A/B 测试——在一半业务里用 AI，另一半做对照，用实测差值量化影响。报告的主张很直接：把 AI 部署当成任何其他资本项目那样严谨对待，要拿得出可验证的结果证据。这在药企尤其重要，因为 AI 一旦进入 GxP 流程，"我们觉得效果不错"这种说法通不过审计。 门槛三：试点内部有效、全公司失效。 这条最容易被忽略。一个方案在试点研究员小组里跑得动，全公司推广就崩——原因是硬件限制，或数据队列多样性不够。对策是从一开始就按可扩容设计（容器化、云就绪），并尽早在小规模准生产环境测试。 门槛四：试点堆积如山。 Pharmaphorum 指出，大药企常常同时有上百个并行试点。这就需要一套治理流程去"挑出赢家"——阶段门（stage-gate）加月度评审，决定每个试点是扩张、转向还是停止。 这四条合起来，其实回答了那个老问题：为什么行业通用数据说"超过 80% 的试点无法规模化"（泛AI 项目口径，非药企专属）。药企的风险更高，因为试点阶段的审批往往很容易——低风险、实验性预算；直到它需要更多资源或显示出非正式的成功为止。 ▍ 五、四家药企的真实进度 报告给了几个案例，可以对照着看谁真的走完了阶段二到三。 辉瑞（Paxlovid）：这是全篇最硬的证据。用计算化学与 AI 优化分子搜索，做成了口服药而不是静脉注射；临床试验中AI/ML 做安全性与有效性分析快约 50%；现在超过一半的临床试验在用 AI。生产侧，AI 分析供应链与生产数据发现瓶颈，主动调整后关键步骤周期缩短 67%，每批多产出 2 万剂。连配送都用上了——辉瑞用公共健康数据（含创新的废水分析）更准确定位了未满足需求的地区。 Moderna：把 mRNA 开发当成一个数字平台。机器学习模型实时评估实验结果，指导下一轮设计迭代。疫情之前就在建集成数据系统。 赛诺菲（Sanofi）：Evolutive Vaccine Facility（EVF）项目，在新加坡和法国建柔性模块化疫苗厂，用机器人、IoT 传感器与实时分析在疫苗类型间快速切换——这是为疫情响应设计的。机器学习模型预测发酵产率并调整参数。 诺华（Novartis）：最早的数据驱动型药企之一。企业平台 Nerve Live 聚合了几十年的实验室、运营与临床数据，把 ML 用于规模化规划与优化。做法很具体：把化学工艺数据与生物测定数据关联起来找产量提升点。 新兴 biotech 施加的压力：Insilico Medicine 用生成式 AI 在18 个月内找到特发性肺纤维化的临床候选物，对比行业常规的十年。这类进展虽不在大药企体内，却客观上成了外部示范——传统药企正在把它们"内化"。 案例给出的共同成功要素很一致：稳健的数据底座、业务驱动的用例、高管支持、以及嵌入既有流程。麦肯锡那句"模型本身不是答案，怎么把模型嵌进去才是"（models alone are not the solution），是这四家案例的共同注脚。强生 Batavia 团队用深度学习做病理图像预筛患者之所以成立，正是因为它嵌进了试验入组流程，而不是孤立使用。 ▍ 六、这份报告要打的补丁：厂商立场与数据盲区 按本号规矩，厂商白皮书必须标出处、标立场。 第一，这是卖 AI 服务的公司写的。 IntuitionLabs 自称"北美国领先的制药与生物技术 AI 软件开发公司"，创始人是 Adrien Laurent，2023 年成立，公司业务正是"定制药企 AI 应用、私有 LLM 基础设施、聊天机器人、CRM/ERP 开发"。它在报告第 23 页用整整一页推销自己的服务，声称是"唯一具备 FDA、EMA 和 21 CFR Part 11 全面合规能力的美国 AI 咨询公司"。读这类报告，"基础设施该建、平台该买、AI 该嵌进流程"这些结论天然与它的产品线吻合——这不等于结论错，但读者应该知道谁在说话。 第二，第二手数字的精度问题。 报告把 ZS、麦肯锡、德勤、PharmTech 的调研结论聚合引用，好处是覆盖面广，代价是口径无法核验。比如"77–82% 高管视数字化创新为竞争差异化"来自德勤 2021 年对 150 位全球高管的调研——五年前的数据，被用来描述 2026 年的行业状态。同理，">80% 试点无法规模化"是泛 AI 项目的通用口径，不是药企专属数据，报告自己也标注了这一点，但正文里容易被读成药企结论。 第三，缺少样本量的地方没有交代。 全文最核心的 47%/49%/17%/30%，都来自 ZS 对 115 名美国药企技术高管的调研——这是技术高管视角，不是 CFO 视角，也不是患者视角。一份讲 ROI 的报告，样本却是 IT 部门自己填的，这个错位值得留意。 第四，报告自己在免责声明里承认了 AI 参与。 原文第 24 页明确写着：本文件"可能包含由人工智能辅助生成的内容，AI 生成内容可能含有错误、遗漏或不准确之处，建议读者独立核实关键信息"。一份讲 AI 如何嵌入企业流程的报告，本身就是 AI 参与生成的——这不是否定它的价值，但读者该知道这份报告的成色。 第五，AlphaFold 诺奖那段含糊。 报告提到 DeepMind 的 AlphaFold 拿了2024 年诺奖，紧接着自己加了句"虽然我们在没有来源的情况下无法直接引用 AlphaFold"。这句话本身就说明问题——在一份有 82 条参考文献的报告里，这个最响亮的例子反而没有给出处。 这些都不影响报告主线，但它们共同指向一个结论：读厂商战略报告，要读它的框架和数据，但不要把它当作权威结论直接搬进自己的决策。 ▍ 七、下一步往哪走 报告点名与本号补充的判断，我分开列。 报告点名的方向： 1. 生成式 AI 全面渗透分子设计——2025–26 年，化学领域的生成模型（分子图扩散模型等）已显现实力，"AI 生成的候选药物"将成常规话题 2. 自主实验室——AI 规划实验、机器人执行、数据回喂，前临床实验室部分环节可能变成这样。报告提到 AI 控制的实验室机器人与自动化合规机器人已是早期实践，NVIDIA 也预测自主系统会成为生命科学的核心 3. 监管方自己也用 AI——FDA 提过用 AI 做自己的决策，申报材料未来可能被监管 AI 预检，形成"提交前自查"的dual-use 场景 4. 业务模式变化——数据与 AI 打开新收入流，订阅制、基于结果付费可能与数字疗法结合成混合产品 本号补充的判断： 5. 47% 与 17% 的差距会先缩小在"中间地带"，而不是在最难的地方。 制造与供应链 29% 已产生、57% 预计一年内——这一档是未来两年最可能出现"规模化案例"的领域：数据相对结构化，价值可量化，又贴近生产现场。药物发现的 17% 短期不会大变，因为它的度量口径本身就难改。 6. "三语人才"是瓶颈，工具不是。 报告提到强生 Batavia 寻找同时懂医学、数据和商业的"三语者"，GSK 建了 Onyx 团队专门为 AI 加工问题特定数据。这两件事都不是买工具能解决的。 7. 审计轨迹要按"三年后还能复现"的标准设计，不是按"今天能跑通"。 GxP 环境下这是硬约束，也是最容易被低估的工程量。 ▍ 八、同类对比：这份报告站在哪 • 对比 Gartner"40% 智能体项目将被取消"（我在上一篇推文里写过）：Gartner 给的是预测，这份白皮书给的是现状盘点 + 案例。一个说会有多少项目死，一个说活着的是谁、为什么活。 • 对比纯咨询公司战略报告（麦肯锡/德勤原始报告）：麦肯锡讲"AI 正在重写药企的玩法"，这份白皮书讲"具体怎么走阶段门"。它更落地，但也更啰嗦。 • 对比 AI 厂商技术白皮书：技术白皮书讲模型能力，这份讲组织变革。阶段门、CoE、跨职能团队这些词，说明作者知道药企 AI 卡点不在算法——这一点值得肯定，即使它服务于自己的产品定位。 • 对比"AI 加速新药发现"的叙事：前者讲分子设计提速，后者同时告诉你 IT 部门的 47% 和研发部门的 17%。后者才是企业真实处境——一个公司里同时存在两个速度。 ▍ 九、结语：先承认两个速度，才能谈得上规模化 这份报告最有价值的地方，恰恰是它没有把药企 AI 讲成一个统一的成功故事。 商业和 IT 已经回本，药物发现还在等。这不是执行力差距，是度量口径差距——一个能算出省了多少钱，一个只能描述"也许更快一点"。当两件事用两套尺子量的时候，慢的那一件永远显得不合格。 所以给药企数字化负责人的建议是反直觉的：不要急着把研发 AI 的 ROI 口径硬掰成财务语言，那会逼出假数据。该做的是给长赛道建中间 KPI——模型准确率进展、采用率、进入临床的候选物数量——让"叠加态"里的项目有地方可去。有 KPI 才有阶段门，有阶段门才有赢家。 至于那 67% 那个数字：目标不清的项目会死。这句话在任何一份 AI 报告里都成立，但只有这一份把它放在了执行细节的正中间，前后左右全是阶段门、CoE、审计轨迹。 报告的框架可以抄，数字要自己重新测一遍。 参考来源 • IntuitionLabs，《Pharma AI Strategy: Scaling Digital Transformation》，2026 年 3 月，24 页（原文 PDF 可在文末获取） • ZS Associates 2025 年调研：115 名美国药企与生物技术技术高管（报告内引用 [1]–[5]、[38]、[52]） • 麦肯锡《How pharma is rewriting the AI playbook》、Deloitte 数字转型调研（2021，150 位高管）、PharmTech 2026 行业展望、Pharmaphorum GenAI 规模化文章 • FDA 2025 年 1 月基于风险的 AI 模型可信度框架指南；FDA 与 EMA 2024 年联合发布的十条"良好 AI 实践"原则 • 辉瑞、Moderna、赛诺菲、诺华公开资料；Insilico Medicine 18 个月纤维化候选物报道