辉瑞用AI管质量一年后:省了1.6万个科学家工时,但没人提的是另一个数字

辉瑞的数字特别好看。PACT/AWS合作项目节省了1.6万个科学家工时，Golden Batch制造AI把良品率目标提高10%、周期时间缩短25%，整个AI计划预计2026年底前为公司省下57亿美元。这些数字在行业媒体上被反复引用，成了"药企AI转型真的能出成果"的标准佐证。

但有一个数字，几乎从来没有被放进同一篇文章里：2024年，辉瑞的重组费用是29.43亿美元，其中大部分是员工遣散成本。（来源：Pfizer 2024年全年8-K，SEC EDGAR）

不是说这两件事有直接因果关系。但它们来自同一份战略，同一套"成本再调整计划"。理解辉瑞的AI布局，需要把这两个数字同时放在桌上。

一、辉瑞的AI不是一件事，是四套系统同时跑

外界谈到辉瑞AI的时候，经常把不同的系统混在一起说，造成一种"辉瑞有一套万能AI"的印象。实际上辉瑞同时运行四套功能各异的AI系统，覆盖从制造质量到商业内容的不同业务场景，背后对接的基础设施和供应商也不一样。（来源：Pfizer 2025年年度回顾；G&CO案例分析）

▼ 图1：辉瑞四套AI系统全景——场景、技术与业务目标

四套系统各有专属场景，不存在统一的"辉瑞AI"——这个区分对于想参照辉瑞路径的企业非常重要

其中，Golden Batch是和质量合规关系最直接的一套。它的逻辑和FDA的Elsa高度相似：都是RAG式的多源数据汇聚，都是在实时生产场景中识别风险信号，都是以"推荐行动"而非"替代决策"为输出形态。

区别在于，Elsa的数据源是监管侧的（FAERS、Form 483历史记录），Golden Batch的数据源是企业侧的（实时工艺参数、历史批次记录、原辅料质量数据）。两套系统背后是同一套逻辑：让AI先于人发现异常信号。

二、那个没人提的数字：29.43亿美元

辉瑞2024年全年重组费用29.43亿美元，其中成本削减计划相关的员工遣散成本占绝大多数。

这个数字代表什么？辉瑞在2024年Q2发布了一个1.3亿美元的制造优化计划一次性重组费用，主要是制造业务的人员调整。在同年4月宣布的"成本再调整计划"追加储蓄目标中，辉瑞明确说明，额外的12亿美元节省主要来自"SI&A环节的数字化赋能，包括自动化和AI，以及业务流程简化"。（来源：Pfizer 2025年4月8-K，SEC）

换句话说：节省1.6万科学家工时，是AI带来的效率增益；29.43亿重组费用，是同一套数字化战略在组织结构上的另一侧影。

这不是对辉瑞的批评。这是任何大型企业推进AI效率改造时都不可回避的结构性逻辑：AI把每个人的生产力提高了，但公司的业务总量没有同比例增长，于是总人数就会下降。这件事辉瑞做得完全公开透明——年报和季报里白纸黑字。只是讲AI成功案例的时候，这一侧往往被跳过了。

▼ 图2：辉瑞AI效率提升与重组成本并行推进（2023—2027）

两条线同时存在——这不是矛盾，而是同一套战略的两个侧面，理解辉瑞AI的人不能只看绿线

三、Golden Batch实际在质量场景里做了什么

把Golden Batch拆开看，它的逻辑分三层。

第一层：最优参数识别。Golden Batch这个名字本身就是核心逻辑——"黄金批次"，即历史上表现最好的那一批次的工艺参数组合。AI系统从历史批次数据中识别出最优参数模式，然后在每次新的生产批次启动时，给操作员提供一份"对标黄金批次的参数建议"。这不是AI替代操作员做决定，而是给操作员一个有历史数据支撑的对照基准。

第二层：实时异常检测。生产过程中，AI持续监测工艺参数的实时数据流，识别偏离历史正常范围的信号，在人工审核发现之前推送预警。这和FDA Elsa检测合规数据异常的逻辑完全对称——一个在监管侧，一个在企业侧。（来源：HealthTech Magazine，引用辉瑞首席数字技术官Lidia Fonseca，2024年AWS峰会）

第三层：行动建议推送。这是最关键的设计决策。辉瑞没有让AI直接控制生产参数，而是将输出设计为"推荐给操作员的实时行动建议"。人在回路（human-in-the-loop）的架构不只是合规上的选择，也是风险控制上的选择——因为生产异常的根本原因有时候需要结合现场经验才能判断，AI识别的信号可能是真实问题，也可能是传感器误读。

这三层逻辑，加起来是辉瑞能把制造良品率目标设定为提高10%的底层基础。但有一个细节值得注意：10%和25%是目标值，不是已验证结果。辉瑞2023年年报用的原文措辞是"aiming to improve"（旨在提高），而非"has improved"（已提高）。到目前为止，公开来源里能确认的已实现成果，主要是PACT/AWS的16,000工时节省数字。

四、三条对国内药企真正有用的可迁移启示

▼ 图3：从辉瑞Golden Batch案例提炼的三条可迁移启示

三条启示的核心：把数字读完整，不只看效率侧，也要看组织侧

我的判断

辉瑞的案例值得认真研究，但有一个方式是错的：把它当成"AI转型能节省时间"的佐证，然后去做汇报PPT。

辉瑞的AI转型有三件事是真实的：

第一，四套系统同时跑，每套有明确的业务场景和技术栈，不是大而化之的"AI战略"；

第二，效率增益有具体数字，但要区分已实现数字和目标数字；

第三，同样的战略包括了显著的组织重组成本，这和效率数字是一体两面，不是对立的。

对国内药企最有参考价值的，不是辉瑞的数字，而是辉瑞的方法论：先从历史最优批次数据入手定义"好"的标准，再用AI检测当前批次与这个标准的偏差，最后以推荐建议而非直接控制的方式介入操作——这套逻辑不需要辉瑞的算力，需要的是结构化的历史批次数据和清晰的人机协同边界。前者很多国内药企做得到，后者是目前最普遍缺失的。