AI 8 小时就能搓一套实验室管理软件,药企为什么还在掏钱买?

上个月，一个叫 Brandon Thomas 的程序员，带着 3 个队友和 8 个 Agent，用几周时间做出了 Adobe 的开源替代，留下一句话："Software is over。"

刘润老师为此写了一篇《以后软件都能自己搓了，这门生意还能怎么做？》。他的判断是：软件会越来越不值钱，未来的软件生意大概率是三样东西的叠加——开源（软件本身）+ 付费墙（让企业省心）+ 现场服务（最后一公里有人到场）。

这篇文章在生物医药圈传得格外快。有位药企的 IT 负责人的朋友反馈：

"我们 IT 团队，花了 8 个小时用 AI 搓了一套样品管理模块，用起来还挺顺手。"

一个实验室管理软件的骨架——样品登记、库存台账、领用审批、设备预约、实验记录模板，剥开来看，就是一堆表单、流程和权限。把需求讲清楚，AI 用 8 小时交付一个能跑的版本，完全在情理之中。

于是问题变得非常实在：

既然自己能搓，生物医药实验室管理软件，还需不需要采购？

我们把结论先放在前面：

该买的，还得买。但在生物医药，采购的理由比通用的三条还要多一条——而且恰恰是最贵的那一条。

通用的三条是：开源、省心、有人到场。第四条是生物医药独有的：数据飞轮。

下面一本一本算账。

先承认一个变化：AI 正在降低实验室软件的开发门槛。在生物医药，"软件本身正在变得不值钱"这句话，比在任何一个行业都成立。

因为实验室软件的门槛，天然就比其他企业软件低半档。它不需要处理千万级并发，不需要复杂的分布式事务，业务逻辑翻来覆去就是"人、机、料、法、环"那几张表。这类东西，正是 AI 最擅长的部分。

所以如果你今天去问一个药企 IT 负责人："样品管理模块能不能自己做？"答案多半是能。

但问题从来不在"能不能做出来"，而在"做出来的是什么"。

Adobe 的替代做出来，你说它是"PhotoCraft"；实验室管理软件做出来，你说它是"实验记录系统"，名字差不多，可它们承担的责任完全不是一回事。

Photoshop 崩了，你重启一次，损失的是半小时。

实验记录系统崩了——三年前那批临床前数据谁改过、改成了什么、为什么改，说不清了。

这不是夸张。业内有过真实的教训：有生物药企为了省下采购费，在本地部署了一套开源 LIMS，几个月后系统在小规模数据库迁移中崩溃，由于缺乏专业运维，多年的临床前实验数据在修复过程中被乱码覆盖。省下的钱，一次事故就连本带利还了回去。

代码可以重写，实验数据不能重做。

这就是生物医药实验室软件和通用软件的第一道分野：通用软件交付的是功能，实验室软件交付的是证据。

功能是可以用几周搓出来的。证据不行。

也就是说，自建并不是不可行。真正容易被低估的，是自建之后的长期责任。

尤其对药企来说，某个功能暂时不能用，和关键实验记录无法追溯，后果完全不同。

界面可以重做，代码可以重写，但已经完成的实验，未必能按原来的条件再做一次。

功能只是决定系统能不能开始用，数据和流程的可靠性，决定它能不能一直用。这也是实验室软件不能只按“写了多少代码”来定价的原因。

一提合规，很多人容易觉得抽象。所以我们不讲法规条文，不妨先看几个具体问题：

①审计追踪：一张 log 表，不等于审计追踪

给系统加一张操作日志表，并不难。难的是，21 CFR Part 11 和 EU GMP Annex 11 要求的审计追踪，是系统级、防篡改、且管理员也无法修改的。

稽查员来看的时候，他问的不是"你有没有日志"，而是：

谁在什么时间改了什么？修改前后分别是什么？为什么修改？相关记录是否受到保护？具有高权限的人操作系统时，又如何受到约束？

企业需要考察的，是整套控制机制，而不仅是页面上有没有“操作日志”四个字。

日志记录、权限分离、异常监控和管理制度，要能够相互配合。否则，系统看起来留了痕，关键时刻却未必能还原过程。

②电子签名：电子签名：一个确认按钮，承载不了全部责任

“我完成了实验”“我复核了结果”“我批准了记录”，是不同的动作，也对应不同的责任。

因此，电子签名不仅要关联签署人，还要明确签名的含义，并与对应记录保持关联。

签署之后能否修改？谁能解锁？修改后是否需要重新复核？这些问题，都需要在系统和流程中明确。

把按钮命名为“电子签名”，仅仅只是开始。这三个动作在 GxP 世界里是三种责任。AI 搓出来的系统，很大概率只有一个"提交"按钮。

③数据完整性：ALCOA+ 九个字，一个都躲不掉

样品编号填了，实验结果上传了，不代表记录就完整了。

可归属（Attributable）、清晰（Legible）、同步（Contemporaneous）、原始（Original）、准确（Accurate），外加完整、一致、持久、可及。

数据完整性的要求，最终要落到这些日常动作上。软件可以帮助团队及时记录、减少遗漏、保留修改过程，但无法替代真实、规范的实验执行。

其中"同步"这一条最容易被自建系统击穿：实验做完三天后才补录记录，时间戳是补录那天。在稽查员眼里，这不是"补记"，这是"数据完整性缺陷"。

④验证：系统上线之后，责任还在继续

在受监管环境里部署一套复杂系统，初始的 IQ/OQ/PQ 验证，行业经验数字是15 万到 35 万美元。

更麻烦的是：这不是一次性支出。系统每次升级、每次功能变更，都要走变更控制和再验证。

自建系统如此，采购系统也是如此。

区别在于，成熟厂商能否提供清晰的产品文档、测试资料、版本说明和变更支持，帮助企业减少重复建设。

系统升级、接口调整、关键配置变化，也需要评估影响，并据此决定需要开展哪些测试和验证工作。

因此，不能简单理解为“买了软件就合规”，也不能把验证当成上线前一次性完成的手续。

⑤五年 TCO：授权费只是零头

这一点可能是最反直觉的。行业里的经验法则是：采购价通常不到五年总拥有成本的 25%。

剩下的 75% 在哪？数据迁移、持续验证、人员培训、接口维护、以及那个永远在排队的"能不能加个字段"。

所以真正的问题不是"买要花多少钱"，而是：

自建的第一个月，你会觉得省了一大笔。自建的第三年，你会发现自己养了一支队伍。

而这支队伍的队长一旦离职——他带走的不只是代码，还有"为什么当年要这么设计"的全部记忆。可你的数据要保留十年、二十五年。

系统活三年，数据活二十五年。这就是自建和采购之间最不对称的地方。

刘润原文里那句话我们很认同：付费墙卖的是"从我能做，到你能放心用"之间的距离。

放到生物医药，这段距离主要体现在三件事上：

第一，关键控制能否贯穿不同模块。

实验记录、样品、库存和审批，如果各自使用不同的账号规则、权限逻辑和日志机制，企业就要花更多精力维持一致性。

衍因科技的公开产品体系提供了一个具体例子：其 AI MEGASphere 合规平台介绍了审批引擎、账号与权限控制、合规策略和审计日志；上层产品则覆盖实验记录 yanNote、实验室管理 yanLIMS 和文献管理 yanLibrary 等场景。

这种平台化设计值得关注的地方，是能否让不同业务共享基础能力，减少每增加一个模块就重新搭建一套规则的工作。

但平台能力最终如何落地，仍要结合版本、配置和企业实际流程确认。

第二，升级和故障能否得到持续支持。

关键系统的升级，需要提前评估影响，安排必要测试，并准备恢复方案。

采购时要问清楚的，不只是“多久更新一次”，还包括：更新了什么，谁评估影响，谁负责测试，出了问题多久响应，能否恢复到可用状态。

当系统需要支持研发资料整理、质量审核或申报准备时，企业需要的已经超出了通用记录工具的范围。

衍因官网介绍的灵研合规助手 yanReviewer，包含 AI 审核和注册申报智能体等方向。

对企业来说，这类能力值得进一步验证：能识别哪些问题，依据是什么，建议如何复核，处理过程是否能够追溯。

AI 可以辅助检查和整理，专业人员仍需对最终内容作出判断。

采购的价值，要体现在企业少做了多少重复工作，以及关键问题发生时，能够获得什么支持。

通用软件的"现场服务"，是有人来帮你配流程、做培训。

生物医药的"现场服务"，要难一个数量级。因为实验室里的最后一公里，不是流程，是硬件。

同一个检测项目，A 公司用的是 A 品牌的酶标仪，B 公司用的是三年前买的另一台；同样的审批，有的实验室要先找课题组长再找 QA，有的按金额走不同分支。每家实验室的仪器、SOP、审批习惯都不一样。

这就是为什么"通用能力"在生物医药最容易被打回原形。

有意思的是，AI 也在改写这一段的成本结构。

衍因科技目前使用"视—动联合"的非侵入式技术接入存量设备——不改造硬件、不换仪器，靠机器视觉定位 + 具身机器人操作，让主流品牌的存量设备直接接入智能协同，部署周期压到小时级。

这件事的意义不只是"省事"：

它把"最后一公里"从一场需要停工改造的工程，变成了一次配置。

而在一个稳转株筛选的真实项目里，把 AI 规划、机器视觉定位、机器人执行、数据回收分析串成一条线之后，结果是成本降低 50%、效率提升 80%。

这两个数字不是来自"写了个软件"，而是来自"软件 + 设备 + 人"真正跑通了。

这也是为什么厂商越来越倾向于和生态伙伴分工：产品方做可复用的平台和模型，实施伙伴上门交付。就像刘润说的开奶茶店——品牌方挣供应链的钱，加盟商一杯一杯地挣。卖产品，和卖"用产品"，是两笔钱。

前面三条，是把刘润的框架翻译成生物医药的语言。

但如果只讲到这里，这篇文章就只是一篇翻译稿。生物医药实验室软件真正的付费墙，还有第四条——而且它和前三条性质完全不同。

前三条买的是成本规避（少踩坑、少担责、少停产）。第四条买的是能力获取（你买不到的东西）。

这一条叫：数据飞轮。

你自己搓的系统，数据是死水。

想象一下：你自研了一套 ELN，用了三年，积累了上万条实验记录。然后呢？

然后它就躺在那里。它是档案，不是资产。它不会被用来训练任何模型，也不会让下一个项目的设计变得更快。

因为要让数据变成资产，需要三样东西，而你没有：

· 统一的数据模型（本体）——让"这管样品"和"那条序列"能真正关联起来，而不是躺在两张表里靠人工拼接；

· 领域模型——通用的大模型不懂 CRISPR、不懂稳转株筛选，它需要被生物数据喂过；

· 闭环回路——干实验（设计）指导湿实验（验证），湿实验的数据回流，反过来改进下一轮设计。

第三点最关键，也最贵。

AI 搓得出代码，搓不出五年湿实验。

AI 可以在几周内写出一个漂亮的实验记录系统。它写不出下面这些东西：

这是衍因科技 MEGASphere 大模型底座背后的一组数字。请注意：这些不是"数据量"，是用湿实验的失败和成功一轮一轮喂出来的。

一个周末能搓出代码。五年的湿实验，搓不出来。

这就是第四条墙的本质：

前三条，AI 让自建变得越来越可行。第四条，AI 让采购变得越来越值。

因为 AI 真正稀缺的不是生成代码的能力，而是高质量、可追溯、可被模型消费的领域数据。而这一类数据，恰恰只有"实验被执行了多少次"才能产生。

所以未来真正值钱的实验室软件，不是那个帮你记录实验的系统，而是那个能让你的实验数据持续产生复利的回路。

判断的关键点，不是“AI 能不能写出来”，而是“这套系统要承担什么责任”。

给你一张可以直接拿去开会的判断清单：

一句话版本的判断标准：

如果是"记录"需求，自己搓；如果是"证据"需求或"资产"需求，掏钱买。

回到开头那个问题：软件都能自己搓了，生物医药实验室管理软件还需不需要采购？

我们的答案是：

采购的理由变了，但采购不会消失。

过去，软件厂商可以凭借开发能力获得订单。今天，客户越来越有能力自己完成一些功能，厂商就必须证明更多价值。

对衍因科技这样的科研软件企业来说，这种价值应当落在实际工作里：

· 买合规——让数据成为可被监管采信的证据；

· 买确定性——出错时有人接电话，升级时不停摆；

· 买飞轮——让每一次实验都沉淀成下一次设计的起点。

而且顺序是反过来的：越是自己能搓的年代，后两样越值钱。

实验数据是否更容易找到和追溯，跨团队流程是否更顺畅，重复整理是否减少，关键系统是否得到持续支持，以及过去的实验能否为下一轮研发提供依据。

这些都需要通过产品、交付和使用结果来证明。

AI 会让软件更容易开发，也会让客户的选择更多。

但当一套系统开始承载真实的实验、长期的数据和跨团队的责任，企业仍然需要认真决定：由谁建设，由谁维护，由谁持续把它做好。

八小时能做出一个很好的起点。

药企愿意长期付费的理由，在起点之后。