ARTICLE · 1328316

AI+制药项目管理:从 Excel 跟进任务到预测项目风险

发布时间：2026-11-07 23:53:20 最近访问：2026-11-07 23:53:20

核心问题：AI能否提前发现临床、注册、研发或质量项目的延期风险，而不是等到项目已经延期，才生成一份漂亮的周报？

如果你在制药行业做过项目管理，大概率都见过这样的场景：

周一开项目例会，研发负责人说实验还在做，注册负责人说资料正在整理，QA 说关键文件还没有完成审核，供应链说物料交期可能有变化。每个人都有自己的进度表，每份表格看起来都没有问题，但放到一起，项目经理却很难判断：项目究竟还能不能按原计划推进？

于是，项目经理开始追问：

上周承诺的任务，为什么还没有完成？

临床、注册、研发和质量之间，究竟是哪一个依赖关系出了问题？

如果关键实验晚两周，是否会影响后续注册申报？

如果QA审核资源不足，是否会影响工艺验证或批次放行？

哪些问题只是一般性风险，哪些已经需要管理层决策？

这些问题，正是传统Excel 项目管理最容易暴露短板的地方。

Excel 很适合记录任务、责任人、计划日期和完成状态，但它不会自动理解任务之间的复杂依赖，也不会天然识别不同部门信息中的矛盾。即使项目经理每天更新表格，项目风险仍然可能隐藏在多个文件、会议纪要、邮件和系统记录之间。

AI 为制药项目管理提供了新的可能：它不仅可以整理信息、生成周报，还可以帮助分析任务依赖、识别资源冲突、汇总风险与问题，并根据实际进度变化提示潜在延期。

但需要先明确一个边界：

AI 可以帮助项目经理更早发现风险，却不能仅凭不完整的项目数据，就准确预测项目何时延期，更不能替代项目负责人作出关键决策。

对于制药企业而言，这个边界尤其重要。普通内部培训项目延期，可能只是影响培训计划；临床试验、注册申报、工艺验证或 CAPA 项目延期，则可能影响患者入组、监管承诺、质量风险和产品上市计划。

因此，制药项目管理中的 AI，不能只关注效率，还必须关注数据可靠性、决策可追溯性和风险后果。

本文沿着制药项目管理的实际工作流程，讨论 AI 如何从 Excel 任务跟进走向项目风险预测，以及企业应该如何落地。

一、2026年制药项目管理的新变化：AI正从“办公助手”走向“项目协同助手”

过去，项目管理数字化的重点是把任务从纸面搬到系统中。

企业先建立项目计划，再配置责任人、里程碑、计划开始日期、计划结束日期和完成状态。随后，通过甘特图、项目周报和会议纪要跟踪进度。

这些工具解决了信息记录和展示问题，却没有彻底解决项目经理最关心的问题：

项目为什么可能延期？延期风险会如何传导？现在采取什么行动最有效？

随着生成式AI、企业知识检索和预测分析能力的发展，项目管理开始出现三个值得关注的变化。

1.从人工整理信息，走向自动汇总项目事实

AI 可以从会议记录、任务系统、邮件、项目计划和风险日志中提取信息，形成结构化的任务状态、行动项、责任人和待决策事项。

过去，项目经理可能需要花几个小时整理多个部门的更新。现在，在数据接入和权限管理得到妥善设计的情况下，AI 可以先完成初步汇总，再由项目经理审核。

2.从静态进度报告，走向动态风险识别

传统周报主要回答“已经完成什么”。

AI 辅助项目管理则可以进一步尝试回答：

哪些任务的实际进度与计划明显偏离？

哪些未完成任务可能影响关键里程碑？

哪些风险在过去几周持续恶化？

哪些跨部门依赖尚未得到确认？

哪些问题需要管理层及时决策？

不过，能够回答这些问题的前提是项目数据足够完整，并且任务依赖、状态定义和风险规则已经建立。

3.从单一项目跟踪，走向跨项目资源与风险分析

对于同时推进多个研发、临床、注册和质量项目的企业，管理层往往需要判断：

哪些项目正在争夺同一批关键专家？

哪些注册或质量活动集中在同一时间窗口？

某个关键实验室资源不足，会影响多少个项目？

哪些项目虽然单独看风险不高，但组合起来可能形成重大资源冲突？

AI 可以帮助汇总这些信息，并识别需要进一步分析的关联。

需要注意的是，2026年制药行业的 AI 项目管理仍然处于不同程度的探索和应用阶段。不能因为通用项目管理工具已经提供 AI 功能，就推断其能够直接满足临床、注册或 GMP 项目的全部要求。

对于制药企业，真正需要关注的是：工具是否适合具体业务场景，能否连接可靠的数据源，能否保留审核和决策记录，以及它是否会影响受监管的正式记录和审批流程。

二、先把项目管理中的四类AI能力分清楚

AI 项目管理不是一个单一功能，而是一组能力的组合。

对于制药企业，我建议先分成四类，分别解决不同的问题。

第一类：生成式AI——解决信息整理问题

会议纪要、行动项、周报、项目状态摘要、风险日志初步整理。

第二类：项目分析——解决依赖关系问题

关键路径分析、里程碑影响分析、任务依赖检查、资源冲突识别。

第三类：预测分析——解决风险提前识别问题

任务延期概率、工期预测、资源瓶颈预警、历史项目偏差模式识别。

第四类：决策支持——解决行动优先级问题

比较应对方案、汇总待决策事项、分析风险传导，并为项目负责人提供行动建议。

这四类能力并不完全相同。

大语言模型擅长理解文本、提取信息和生成摘要，但它不一定适合直接计算关键路径。传统项目计划软件能够计算任务依赖和浮动时间，却未必能够理解会议中一句“实验可能要再延长两周”意味着什么。

预测模型可以估计延期风险，但其结果又取决于历史数据的数量、质量和代表性。

因此，更合理的技术架构不是让一个大模型完成所有任务，而是让不同工具承担适合自己的工作：

大语言模型负责理解和整理项目文本。

项目管理系统保存正式任务、日期和依赖关系。

排程算法负责关键路径、工期与资源约束计算。

统计或机器学习模型负责预测和异常识别。

项目负责人、职能负责人及相关质量或监管人员负责审核与决策。

2026 年 6 月，项目管理协会 PMI 发布了《The Standard for Artificial Intelligence in Portfolio, Program, and Project Management》，将 AI 的使用治理、人机协作、数据质量、风险管理和责任机制纳入项目管理框架。这个方向值得制药企业参考：AI 不应只是散落在员工电脑里的几个工具，而应成为具有明确边界和治理机制的项目管理能力。

三、应用一：自动生成会议纪要、行动项和项目周报

这是最容易落地、也最容易让项目团队感受到价值的场景。

但这里有一个细节：AI生成会议纪要，不等于项目管理已经实现自动化。真正的价值在于把会议中产生的承诺，可靠地转化为可以跟踪的任务。

1.从会议录音到结构化行动项

假设某个制药研发项目召开了跨部门会议。

会上，分析开发负责人表示，方法转移所需的数据预计下周完成；QA 提醒部分验证方案仍未批准；注册负责人提出，如果分析方法资料晚于原计划提交，可能影响申报资料整合。

传统做法是由项目经理整理会议记录，再逐一询问责任人，确认任务状态和时间。

AI 可以先将讨论内容整理为结构化行动项。

行动项	责任角色	计划时间	依赖关系	待确认事项
完成方法转移数据整理	分析开发	下周	实验数据完整	确认实际完成日期
完成验证方案审核	QA	待确认	方案版本及审核意见齐备	是否存在未解决问题
整合申报资料	注册	原计划日期待核实	方法转移资料可用	是否影响申报里程碑

这张表看起来很普通，但它解决了一个关键问题：会议讨论被转化成了后续可以追踪的工作。

需要强调，表中的日期和依赖关系应当来自会议记录或正式项目计划。如果会议没有明确时间，AI 应标记“待确认”，而不是自动补出一个看起来合理的截止日期。

2.让行动项进入项目管理系统，而不是停留在纪要里

一个常见的失败场景是：AI 自动生成了非常漂亮的纪要，但所有行动项仍然停留在 Word 文档中。

一周之后，项目经理还要重新把任务录入 Excel。

更好的流程是：

AI从会议记录中提取行动项。

项目经理核对责任人、时间和任务描述。

经授权后，将任务写入正式项目管理系统。

后续会议和周报直接读取已确认的任务状态。

对于逾期、状态冲突或依赖不清的任务，系统生成待确认清单。

这样，AI才真正连接了“会议—任务—执行—反馈”的工作链条。

如果系统允许AI 直接创建任务，也应当设置适当的权限和确认机制。会议中的建议、讨论中的假设和已经正式承诺的任务不能混为一谈。

3.项目周报可以自动生成，但不能自动编造进度

制药项目周报经常包含：

本周完成事项。

下周计划。

关键里程碑状态。

风险与问题。

需要管理层决策的事项。

计划变更及其影响。

AI 可以从任务系统、RAID 日志和已审核的会议记录中提取相关信息，生成初稿。

例如，它可以发现：本周计划完成的某项实验仍处于进行中，且后续分析任务尚未启动，因此建议项目经理确认是否需要调整里程碑预测。

但它不能仅凭“实验已经做了大部分”就把任务状态写成“基本完成”，也不能因为负责人没有回复，就默认任务已经按计划推进。

对于项目周报，建议区分三种信息：

已确认事实：

来自正式任务记录或责任人确认。

预测与判断：

根据现有信息推导出的风险或可能影响。

待确认信息：

目前缺少足够证据，不能直接下结论。

这一区分非常重要。否则，AI 可能把未经确认的推断写进正式周报，再通过多次引用让推断看起来越来越像事实。

四、应用二：识别关键路径、任务依赖和资源冲突

如果说会议纪要解决的是信息整理，那么关键路径分析解决的就是项目延期的传导问题。

在制药项目中，一项任务延迟是否重要，取决于它与其他任务之间的关系。

某个非关键文件晚两天完成，可能完全不影响项目终点；某项关键实验晚两天完成，则可能导致数据分析、报告撰写、质量审核和注册资料整合连续后移。

1.为什么只看任务完成率，容易误判项目状态？

假设一个项目共有100 项任务，其中 85 项已经完成。

从完成率看，项目似乎进展顺利。

但如果剩余的15 项中包含关键实验、验证报告批准和注册申报资料定稿，项目仍然可能面临严重的延期风险。

反过来，一个项目虽然还有 40 项任务未完成，但如果这些任务大多属于可并行开展的非关键工作，主要里程碑仍可能按计划实现。

因此，项目管理不能只统计完成任务的数量，还要理解任务网络。

关键路径法（Critical Path Method，CPM）通过任务持续时间、依赖关系和网络结构，计算影响项目最早完成时间的关键任务链。

AI 可以帮助识别项目资料中的隐含依赖，例如会议中提到“只有拿到稳定性数据后，才能完成申报资料整合”，并提示项目经理检查计划中是否已经建立相应依赖。

但关键路径的计算仍应基于经过确认的任务网络和工期数据，而不是让大语言模型凭文本直接推断一个日期。

2.制药项目中的典型依赖关系

以一项涉及工艺开发、分析方法和注册资料准备的项目为例：

工艺开发与分析研究

形成必要的研究数据

关键数据审核与资料确认

确认数据可用性、缺口和必要的补充工作

申报资料整合与跨部门审核

整合相关模块，解决未完成事项

正式申报准备

根据适用程序完成批准与提交

示意流程。真实项目中的部分任务可以并行推进，具体依赖应以项目计划和适用的技术、质量及监管要求为准。

如果第一阶段的数据工作晚于计划，AI 可以帮助追踪哪些后续任务真正依赖这些数据，哪些任务仍然可以并行开展。

例如，注册团队可能可以提前完成不依赖最终数据的章节整理，而不必等到所有实验结束后才开始工作。

这种分析能够帮助项目经理区分两种情况：

必须等待前置任务完成的工作。

可以在明确假设和边界的情况下提前开展的工作。

前者需要重点管理依赖，后者则需要评估提前开展是否会造成返工。

3.资源冲突：任务都排得下，不代表项目做得完

制药项目还存在一个非常典型的问题：多个任务可能争夺同一批关键资源。

例如：

多个项目同时需要同一位统计专家。

两项研究同时占用同一台关键分析设备。

QA需要在同一时间审核多个验证文件。

同一批临床运营人员需要支持多个研究中心。

注册团队需要在相近时间完成多个申报资料包。

如果项目计划只记录任务日期，而没有记录资源可用性，系统就可能显示所有任务都按计划进行，实际执行时却发现根本没有足够的人力或设备。

AI 可以汇总各项目的资源需求、历史工作量和当前任务安排，识别潜在冲突。

但资源冲突的最终判断，仍需要考虑人员技能、授权、工作优先级、设备适用性以及不可随意调整的质量要求。

例如，不能仅因为某项审核占用了资源，就让系统自动把它推迟到更方便的日期。若该审核与关键质量活动相关，变更可能带来更高的风险。

五、应用三：AI能否提前预测项目延期？

这是整篇文章最核心的问题。

答案是：可以在一定条件下提供风险预测，但不能保证准确预测每个项目的最终完成日期。

目前，AI项目风险预测通常可以结合三类方法：

基于历史项目数据的统计或机器学习模型。

基于任务依赖、计划偏差和资源约束的排程分析。

基于会议纪要、风险日志和项目报告的文本信息分析。

这三类方法各有优势，也各有局限。

1.基于历史数据的预测

假设一家药企过去完成了几十个研发项目，保存了任务计划、实际完成日期、资源投入和延期原因。

企业可以尝试分析哪些特征与延期相关，例如：

某类实验任务的实际工期经常超过计划。

某些审批环节的等待时间较长。

多个关键任务集中在同一时间窗口。

任务长期没有更新状态。

项目变更次数增加。

关键外部供应商的交付时间波动较大。

经过适当的数据清洗和验证后，模型可以为新项目提供风险提示。

例如，系统发现某个项目包含多个历史上容易发生工期偏差的任务，同时关键人员已经被其他项目占用，因此提示项目经理优先复核相关里程碑。

但必须注意：历史关联并不等于确定的因果关系。

某类任务过去经常延期，可能是因为任务本身复杂，也可能是因为企业过去低估了工期，或者相关任务总是被安排在资源紧张的时间段。

因此，模型更适合回答“哪些项目值得重点关注”，而不是直接回答“项目一定会延期多少天”。

2.基于关键路径和计划偏差的预测

即使企业没有大量历史项目数据，也可以从任务依赖和计划偏差开始。

例如：

关键任务是否已经晚于基线计划。

后续任务是否存在足够的浮动时间。

前置任务是否仍有未解决问题。

关键资源是否能够按计划投入。

项目是否频繁发生范围变更。

里程碑预测是否连续多个周期后移。

这些信息可以通过项目管理规则、排程算法和趋势分析进行处理，不一定需要复杂的机器学习模型。

对于很多制药企业，这可能是更可靠的起点。

先把任务、依赖、工期和资源数据整理清楚，再逐步增加历史数据驱动的预测能力，往往比一开始就训练复杂模型更有价值。

3.基于文本信息的风险识别

项目风险经常首先出现在非结构化文本中。

例如，会议纪要里出现：

“预计还需要补做一轮实验。”

“外部实验室尚未确认交付日期。”

“审核意见还没有完全关闭。”

“供应商暂时不能保证原计划的交期。”

“目前的结果还不足以支持原定结论。”

这些表达可能比正式任务状态更早暴露风险。

AI 可以识别这些描述，关联到相关任务和里程碑，并提示项目经理进行核实。

但它不能直接将“可能需要补做实验”判定为“项目必然延期”，因为补充实验可能已有时间缓冲，也可能不影响关键路径。

因此，文本分析应当作为风险发现入口，而不是独立的延期判定机制。

4.风险预测应该输出什么？

与其让系统直接给出“项目延期概率 83%”，我更建议企业要求 AI 同时提供风险依据。

例如：

示例：申报资料项目风险提示

需要项目经理复核

以下为示例情景，不代表真实项目的统计预测。

识别到的风险

一项关键数据任务尚未完成。

后续资料整合任务依赖该数据。

负责审核的关键人员在相同时间窗口内承担其他任务。

最近两次状态更新均未确认新的完成日期。

可能影响

资料整合可用时间可能缩短。

六、应用四：自动汇总RAID日志，让项目经理不再依赖“谁记得什么”

RAID 是项目管理中常用的四类管理对象：

R — Risks：风险，尚未发生但可能影响项目的事件。

A — Assumptions：假设，当前计划成立所依赖、但仍需验证的前提。

I — Issues：问题，已经发生并需要处理的事项。

D — Dependencies：依赖，项目完成所需要的前置任务、外部交付或其他条件。

不同企业可能采用略有差异的定义，但核心目标相同：把影响项目执行的不确定性集中管理。

对于制药项目，RAID日志尤其重要，因为许多延期并不是由单一任务直接造成的，而是由多个风险、问题和依赖叠加形成的。

1.为什么RAID日志容易失效？

常见的问题包括：

风险散落在会议纪要、邮件和Excel中。

同一个问题被不同部门重复记录。

已经解决的问题没有及时关闭。

风险有描述，却没有责任人和应对措施。

假设已经不成立，但项目计划仍然按照原假设执行。

依赖任务的完成日期发生变化，却没有同步更新下游任务。

AI 可以帮助从多个来源提取候选风险，并按照统一字段整理。

例如，一段会议记录提到：“外部实验室目前仍在确认样品接收条件，如果本周不能确认，可能影响下个月的检测安排。”

AI 可以识别出：

对象：外部实验室检测。

当前状态：样品接收条件尚未确认。

风险事件：检测启动可能晚于计划。

可能影响：后续检测数据交付及相关里程碑。

待确认事项：实验室确认日期、样品准备状态、可用替代方案。

建议责任角色：项目负责人或相应工作包负责人。

但是，这仍然只是候选风险记录。

系统不应在没有确认的情况下，自动将“可能影响下个月的检测安排”升级为“确定延期一个月”。

2.让RAID日志从静态表格变成动态管理工具

传统RAID 日志通常包含风险描述、责任人、影响、概率、应对措施和状态。

AI 可以进一步帮助建立关联：

一个风险对应哪些任务？

一个问题影响哪些里程碑？

哪些假设尚未验证？

哪些依赖已经超出原定时间？

哪些行动项逾期后，风险等级可能上升？

哪些问题需要项目指导委员会或管理层决策？

这样，RAID日志就不再只是项目经理定期更新的一张表，而是可以连接项目计划、任务执行和决策流程的管理视图。

3.风险评分可以辅助排序，但不应完全交给模型

不少企业使用“发生概率 × 影响程度”的方法对风险进行分级。

AI 可以帮助整理风险证据、提示相似历史案例，或者根据已经批准的规则提出候选等级。

但涉及患者安全、产品质量、监管承诺和关键项目目标的风险，不能仅依赖模型的文字判断来决定优先级。

更稳妥的方式是：

使用明确的风险评分规则。

由相应职能负责人确认风险事实。

对高影响风险设置强制升级机制。

保留风险等级变化及其依据。

定期检查已关闭风险是否重新出现。

尤其要避免一种情况：模型根据风险描述的措辞给出低风险评分，而实际影响却很大。

例如，“验证活动稍有延迟”听起来并不严重，但如果该活动是后续生产活动的必要前提，就必须进一步分析其实际影响。

七、不同制药项目，AI的风险预测重点并不相同

研发、临床、注册和质量项目虽然都需要计划、任务和里程碑，但其不确定性来源不同。

因此，不能用一套统一的延期预测规则覆盖所有项目。

1. 研发项目：关注实验不确定性与技术依赖

实验是否需要重复开展。

方法开发和验证是否达到预期。

原料、样品和设备是否按计划到位。

研究结果是否足以支持下一阶段决策。

研发项目的特殊性在于，技术结果本身具有不确定性。AI 可以识别工期和依赖风险，但不能假设实验必然成功，也不能为了满足计划而弱化科学证据要求。

2. 临床项目：关注入组、中心启动与数据质量

研究中心启动是否落后于计划。

患者筛选和入组速度是否偏离预期。

关键数据录入和质疑处理是否积压。

安全性报告、监查和其他必要活动是否按计划完成。

临床项目应特别注意患者权益、研究方案、数据可靠性和适用 GCP 要求。AI 可以辅助运营风险分析，但不能因为进度压力而替代研究者职责或改变正式研究要求。

3. 注册项目：关注资料依赖与正式时间节点

申报资料模块是否按计划交付。

不同部门的数据和文件是否存在缺口。

关键问题是否已经获得正式结论。

申报计划是否依赖尚未确认的外部条件。

AI 可以整理资料清单、识别缺项和提示时间冲突，但不能把预测日期当成正式监管承诺，也不能自行确认申报资料满足适用要求。

4. QA 与质量项目：关注审批、调查及整改依赖

偏差调查是否按计划推进。

CAPA行动是否依赖尚未完成的调查。

验证方案、报告及变更文件是否存在审核积压。

关键质量事项是否等待正式批准。

AI 可以识别待办和潜在延期，但不能自动认定偏差根因、决定 CAPA 是否有效，或绕过正式审批程序。

这也是制药项目管理AI 必须具有业务背景的原因。

对于普通行政项目，系统可以把提高任务完成率作为重要目标；对于临床、注册和质量项目，则必须同时考虑合规要求、患者保护、数据可靠性和正式决策权限。

2026年的临床与监管背景值得关注

2025 年发布的 ICH E6(R3)《药物临床试验质量管理规范》最终指南，进一步强调质量源于设计、风险相称的方法，以及与研究目的相适应的数据治理和技术应用。

2026 年 4 月，FDA 还就 AI 支持早期临床试验优化的试点计划征求意见，关注 AI 能否改善早期临床试验的效率、速度和决策质量。需要注意，这属于试点计划的意见征询，并不意味着 FDA 已批准一套通用的 AI 临床项目延期预测标准。

这些动向说明，制药项目的数字化正在从单纯的信息记录，进一步走向基于证据的风险管理。但项目管理系统中的运营预测，与用于支持监管决策的 AI 应用，仍然需要根据不同预期用途分别评价。

八、最容易被忽略的问题：项目数据不完整，AI会不会把错误预测得更自信？

会。这是制药企业部署项目风险预测时必须认真处理的问题。

AI 预测模型的表现，受输入数据质量、历史数据代表性、任务定义和实际使用环境影响。

如果项目计划本身不准确，任务状态长期不更新，历史项目只记录了成功完成的任务，却没有记录失败原因，那么模型即使使用复杂算法，也可能产生误导性结果。

1.任务日期不等于真实进度

例如，系统中某项任务的计划结束日期是 10 月 30 日，当前状态显示“进行中”。

模型不能仅凭这两个字段判断任务一定会在 10 月 30 日完成。

它还需要知道：

剩余工作量是多少？

是否存在未解决的技术问题？

任务是否等待外部输入？

责任人是否确认当前预计完成日期？

是否发生过范围变化？

后续依赖是否已经受到影响？

如果这些信息缺失，系统应提示“信息不足，需确认”，而不是生成看似精确的延期概率。

2.历史项目数据可能存在幸存者偏差

假设一家企业只保留了顺利完成的项目总结，却没有系统记录取消项目、重大返工和长期延期项目。

模型学习到的规律可能过于乐观。

它可能认为某类任务通常只需两周，但实际上，这个结论只是来自一批成功完成的项目，而不是全部真实项目。

类似问题还包括：

不同项目使用不同的任务定义。

计划工期与实际工期的计算方式不一致。

旧项目的资源条件与当前项目差异较大。

历史项目缺少真实的延期原因。

任务状态由不同团队以不同标准填写。

在这些情况下，企业应先治理数据，再考虑是否训练预测模型。

3.不能把相关性当成因果关系

假设历史数据发现，某类项目中“会议次数增加”与延期高度相关。

这并不代表会议导致延期。

更可能的情况是：项目本身出现问题后，团队才增加会议次数。

如果AI 据此建议减少项目会议，反而可能让风险沟通更加不足。

同样，某个部门过去经常晚交文件，也不意味着该部门一定是当前项目的延期原因。

因此，模型可以提示值得调查的关联，但需要结合项目背景和实际证据，判断其是否具有合理解释。

4.预测概率必须经过验证

如果模型输出“该项目延期概率为 70%”，企业首先需要问：

这个概率预测的是什么事件？

是延期一天、一周，还是错过正式里程碑？

预测针对未来两周、一个月，还是整个项目周期？

模型使用了哪些数据？

历史上类似项目的预测是否经过验证？

在不同项目类型中，预测是否同样可靠？

如果没有清楚定义预测目标和时间范围，70% 这个数字可能只是一个缺乏实际意义的评分。

如果企业使用概率模型，还可以评估模型校准情况：在大量被预测为相似风险等级的项目中，实际发生延期的比例是否与预测概率大体一致。

对于不同风险等级，还应检查模型是否过度低估高风险项目，或对某类项目持续产生过多误报。

5.信息不足时，AI应当学会“不预测”

这是我认为非常重要的一项设计原则。

一个成熟的项目风险系统，不应该被要求对所有项目都给出一个数字。

当关键任务状态过期、依赖关系不明、工期估计缺失或数据超出模型适用范围时，系统可以明确提示：

当前数据不足以支持可靠预测。

需要责任人确认剩余工作量。

需要重新核实关键路径。

需要更新风险和问题日志。

需要在信息补齐后重新评估。

在制药项目管理中，承认不确定性不是系统能力不足，而是可靠决策的一部分。

九、如何设计一套可信的AI项目风险预测机制？

对于制药企业，我建议采用“数据可信度+ 计划分析 + 风险预测 + 人工确认”的四层机制。

第一层：数据可信度检查

检查任务状态、日期、责任人、依赖关系、数据更新时间和缺失字段

第二层：项目计划分析

计算关键路径、任务浮动时间、计划偏差和资源冲突

第三层：风险预测与证据汇总

结合历史规律、当前偏差、RAID 日志和文本中的风险线索

第四层：人工复核与决策

核实风险、评估影响、批准应对方案并更新正式计划

这套机制的重点，不是让 AI 预测得越多越好，而是确保每一项风险提示都有可核查的依据。

例如，如果模型发现关键任务已经落后，但数据更新时间是三周前，系统就应该先提示项目经理更新状态，而不是直接将项目标记为高风险。

如果任务状态可靠，但关键路径计算显示仍有足够浮动时间，系统则可以将其列为需要关注的事项，而不必直接认定项目里程碑将延期。

只有当多种证据共同支持风险判断时，才有必要进一步提高风险等级。

项目风险预测可以设置哪些指标？

指标	用途
关键任务按期完成率	识别关键工作包是否持续偏离计划
里程碑预测偏差	比较预测日期与实际完成日期
关键路径浮动时间	判断延期是否可能影响项目终点
任务状态及时率	识别预测所依据的数据是否过期
风险提示准确性	评估模型提示是否真正具有参考价值
风险漏报率	评估系统是否遗漏重要延期风险
预测校准情况	检查预测概率是否与实际结果大体一致
人工复核与调整比例	发现模型与项目实际情况之间的差距

这些指标不需要一次全部上线。

企业可以先建立任务状态及时率、关键路径浮动时间和里程碑预测偏差等基础指标，再逐步引入经过验证的风险预测模型。

十、如何防止AI把错误信息写进正式项目记录？

项目管理AI 还有一个经常被低估的风险：它可能把推测写成事实，再通过周报、会议纪要和风险日志反复传播。

例如：

某次会议中，负责人说“实验可能还需要一周”。

AI在纪要中将其写成“实验预计延期一周”。

下一次周报直接引用这条纪要。

管理层最终把这项延期当成已经确认的事实。

实际上，原始信息只是一个尚未确认的估计。

因此，企业需要建立信息来源与状态管理机制。

1.将事实、预测和假设分开

建议在项目系统中明确区分：

已确认的实际状态。

责任人提供的预计完成日期。

AI根据数据生成的预测。

尚未验证的假设。

已经批准的计划变更。

这些字段不能互相覆盖。

例如，AI预测某任务可能延期五天，并不意味着任务的正式计划日期已经改变。

2.建立人机协作的审核规则

可以根据任务风险设置不同的审核要求：

普通内部任务的会议纪要，可以由项目经理抽查。

关键里程碑的预计日期，应由任务负责人确认。

重大项目风险，应由项目负责人或治理机制审核。

涉及质量活动、监管承诺或正式受控记录的内容，应遵循相应的批准、变更和记录管理程序。

如果AI 只生成一个内部分析草稿，其控制要求可以相对简单；如果AI 输出会被直接写入受控系统或用于正式决策，就需要更严格的权限、验证和审计机制。

3.保留预测的依据和版本

对于重要风险提示，企业应能够回答：

系统使用了哪些数据？

数据来自哪个系统，更新时间是什么？

使用了什么预测规则或模型版本？

模型为什么将该任务标记为高风险？

谁审核了该提示？

最终采取了什么措施？

后续实际结果如何？

这有助于企业在模型发生误报时追溯原因，也能帮助团队逐步改善预测质量。

对于可能涉及GxP 活动、临床试验或正式监管承诺的项目，还应根据预期用途和适用要求确定是否需要纳入正式记录体系、验证范围及变更管理流程。

十一、从Excel开始，制药企业怎样分阶段落地？

很多企业不需要一开始就采购大型 AI 平台，也不必先建立复杂的预测模型。

如果目前主要依赖Excel、邮件和会议纪要，完全可以按照以下路线逐步推进。

第一阶段：统一项目数据

统一任务编号、责任人、计划日期、实际状态、依赖关系和风险字段。明确哪些信息来自正式系统，哪些只是人工估计。

目标：让项目数据可以被可靠地读取和比较。

第二阶段：自动化会议纪要与周报

让AI 从会议记录中提取行动项，生成项目周报初稿，并标记未确认日期、责任人缺失和状态冲突。

目标：减少信息整理时间，提高任务跟踪的完整性。

第三阶段：建立依赖关系与风险预警

将正式任务计划、关键路径、RAID 日志和资源安排连接起来，先使用明确规则识别延期风险。

目标：从“任务已经逾期”转向“任务可能影响里程碑”。

第四阶段：引入经过验证的预测模型

利用历史项目数据估计任务工期和里程碑风险，开展回测、独立验证和持续监控。

目标：在可靠数据基础上提高风险预测能力，而不是为了使用 AI 而使用 AI。

第五阶段：建立跨项目组合管理

分析多个项目之间的资源冲突、共用依赖、风险集中度和优先级，帮助管理层更合理地分配资源。

目标：从单项目跟踪升级到组合层面的主动管理。

一个值得优先启动的试点

如果只能选择一个项目做试点，我建议选择一个已经有基本任务计划、固定例会和明确里程碑的研发或质量项目。

不要一开始就要求AI 自动预测所有任务的延期概率。

可以先验证四件事：

AI能否准确提取会议中的行动项。

AI能否发现任务状态、责任人和日期之间的矛盾。

系统能否识别关键路径上的延期风险。

项目经理是否能够根据风险提示，更早采取有效行动。

试点成功的标准，不应只是生成了多少份周报，而应是项目团队是否更早发现问题、减少了多少重复整理工作，以及重要风险是否得到了及时处理。

十二、AI项目管理的真正价值：不是预测一个日期，而是改变项目团队的行动方式

最后，我们回到本文的核心问题：

AI 能否提前发现临床、注册、研发或质量项目的延期风险？

答案是可以，但需要区分三个层次。

第一层，是让项目经理更快获得信息。会议纪要、行动项、项目周报和 RAID 日志可以通过 AI 辅助整理，减少重复劳动。

第二层，是让项目经理更早发现问题。通过任务依赖、关键路径、资源冲突和历史偏差分析，系统可以帮助识别那些尚未正式延期、但已经出现异常迹象的任务。

第三层，才是真正的预测能力。通过可靠的历史数据、经过验证的模型和持续的性能监控，企业可以估计特定任务或里程碑的延期风险，并比较不同应对方案的潜在影响。

这三个层次不能混为一谈。

一个能够写出高质量周报的 AI，不一定能够准确预测延期；一个能够识别历史相关性的模型，也不一定能够判断当前项目应该采取什么措施。

因此，制药企业推进AI 项目管理时，最重要的不是追求一个能够回答所有问题的智能助手，而是逐步建立一套可靠的管理机制。

这套机制至少需要具备四种能力：

看得见：

及时汇总任务状态、风险和依赖。

看得懂：

理解哪些任务真正影响关键里程碑。

看得早：

在正式延期发生前识别异常趋势。

管得住：

对模型预测进行复核，保留决策依据，并确保重要行动由有权限的人员批准。

尤其在制药行业，项目进度从来不是唯一目标。

临床项目不能为了按期完成而牺牲受试者保护和数据可靠性；注册项目不能把预测日期当成正式监管承诺；质量项目不能为了缩短周期而绕过调查、审核和批准程序。

2026 年 6 月发布的制药项目管理综述，已经将预测分析、资源优化和跨研发、临床、CMC、质量及注册活动的协同列为 AI 的重要应用方向，同时指出数据完整性、监管接受度和组织准备度仍是落地挑战。

而PMI 于 2026 年发布的 AI 项目管理标准，也强调了人机协作、治理和责任机制的重要性。

这说明，项目管理的智能化不只是一个软件升级问题，更是项目治理方式的升级。

过去，项目经理主要通过会议、表格和经验来判断项目是否会延期；未来，项目经理可以借助 AI 更快发现风险、核对证据、评估影响，并把时间花在真正需要协调和决策的事情上。

但AI 不能替项目经理承担责任，也不能替企业消除不确定性。

它真正应该做到的是：让风险更早浮现，让问题更清楚，让决策更有依据，让项目团队在还有选择的时候采取行动。

这才是从Excel 跟进任务走向AI 预测项目风险的真正意义。

参考资料与延伸阅读

以下资料可用于进一步了解 AI 项目管理的最新发展，以及制药行业在临床和受监管活动中的相关要求。

1. Gujral 等，Future trends and the role of artificial intelligence in pharmaceutical project management，Annales Pharmaceutiques Françaises，2026 年 6 月在线发表。

2. Project Management Institute（PMI）：The Standard for Artificial Intelligence in Portfolio, Program, and Project Management，2026 年 6 月发布。

3. FDA：ICH E6(R3) Good Clinical Practice（GCP），2025 年 9 月发布的最终指南。

4. FDA：AI-Enabled Optimization of Early-Phase Clinical Trials Pilot Program，2026年 4 月发布的意见征询文件。

5. FDA：Guiding Principles of Good AI Practice in Drug Development，2026 年 1 月相关原则文件。

6. Geamanu 等，An Integrated Artificial Intelligence Tool for Predicting and Managing Project Risks，Machine Learning and Knowledge Extraction，2026 年。

7. FDA：Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products，2025 年 1 月指导草案。