上篇我们把AI在药品研发项目管理中的能力边界梳理清楚了：整理型工作放心交给AI，判断型工作必须自己把关；AI的幻觉在法规引用、专业术语、文献来源三个层面都有已发生的案例。下面按项目推进的时间线，从立项到申报，逐个展示AI可以嵌入的环节和工作流。

（一）立项阶段：AI做初筛，立项判断你来做

仿制药立项阶段最耗时间的工作是信息收集。参比制剂来源和规格、BCS分类、专利到期日和挑战策略、竞品申报与审批动态、原料药供应商和DMF状态、BE试验的难度评估，每个维度都需要从不同平台检索和整理。

在这个环节，AI更适合做前期梳理：你把目标产品的基本信息输入，让它按维度生成一份立项资料收集清单的初稿。它的产出不是答案，而是一份结构化的“待核实清单”，该查哪些维度、每个维度去哪里查、哪些信息需要交叉验证。项目经理拿到这份清单后逐项核实和补充，比从零开始列清单效率高得多。

但是，AI列出来的清单需要你根据产品特点做筛选和排序。比如口服固体制剂，API晶型、粒度、溶出行为往往会直接影响处方开发和BE风险；注射剂则更需要关注处方合理性、有关物质控制、无菌保障、包材相容性和E&L研究。再比如一个BCS III类药物，不能只看溶出相似，还要关注低渗透性带来的吸收风险，以及辅料、处方差异对体内暴露的影响。这些权重判断，AI很难替你完成。

AI清单怎么核实

上篇讲了AI幻觉的风险类型，这里补充一个操作层面的问题：项目经理拿到AI生成的立项清单后，具体去哪里核实？

几个核心的验证渠道：专利信息以中国专利信息登记平台和Orange Book为准，不要直接采用AI给出的到期日；参比制剂以CDE参比制剂目录的最新版本为准；竞品申报和审批动态以NMPA药品数据查询和FDA的ANDA审批数据库为准；原料药DMF状态需要直接向供应商索取确认函，或在FDA DMF数据库中核实。对于AI给出的市场数据和行业统计数字，如果找不到原始出处，不要直接采用。

核实不是走形式，而是立项阶段最重要的质量控制动作之一。上篇提到的那项研究显示，AI生成的引用中近半数为虚构，这也是核实不能省掉的原因。

改良型新药立项的差异

改良型新药立项比仿制药多一层决策——不仅要评估“能不能做”，还要评估“改良的临床价值是否有足够支撑”。CDE指导原则明确要求改良型新药立足明确临床需求，通过必要临床试验证明临床优势，包括提高有效性、改善安全性、提高依从性等方向。

AI在这个环节可以帮项目经理做几件事：快速整理原剂型已上市产品的临床数据概况和已知局限性（依从性问题、给药频次、特定人群不良反应）；检索同类改良型新药的已批准先例和审评报告要点；生成注册路径初步对比框架（2类各子分类的技术要求差异、是否涉及5.1路径、是否需要设计中美证据衔接）。

但注册路径选择是改良型新药立项中最关键的判断之一。AI给出的路径对比只能作为讨论底稿，最终选择需要法规、临床、CMC团队联合评估。AI在这个环节尤其容易给出过于自信的结论——它会告诉你“建议走2.2类”，但不会告诉你这个结论背后有多少不确定性。

（二）研发阶段：任务分解、遗漏检查、风险提示

研发阶段是项目管理工作量最密集的时期。AI可以在三个方向上提供帮助。

拆任务。把一个大的里程碑（比如“完成中试前研究”）拆成具体的工作项，每项标注前置依赖和大致工期。AI拆出来的任务清单不会完美，但它能帮你快速搭出一个80%完整度的框架，你在此基础上调整，比对着空白模板填快很多。

找遗漏。把现有的项目计划文本输入AI，让它从CMC、注册、临床、供应链、QA等角度检查有没有遗漏项。这个用法在实际操作中特别有效，人在做计划时往往沿着自己最熟悉的主线走，容易忽略跨职能的衔接点。AI不带部门视角，反而能发现一些盲区。

做风险提示。按产品类型和剂型输出差异化的风险清单。比如口服缓控释制剂的溶出方法开发风险、注射剂的E&L研究周期风险、高变异品种的BE样本量不足风险。AI提示的风险需要项目经理根据实际情况筛选——不是每条都需要行动，有些风险在你的项目里可能已经被覆盖了。

改良型新药研发阶段的特有应用

非临床研究gap分析。让AI基于ICH M3(R2)的框架，对比原剂型已有的非临床数据包和新剂型可能需要补充的研究项目，生成一份gap清单初稿。项目经理在此基础上筛选和确认，比从零梳理效率高。但需要注意：改良型新药的非临床要求高度依赖具体变更类型，AI在这里容易给出过度泛化的建议。

临床方案框架梳理。对于需要做临床药理学研究的改良型新药，AI可以帮助梳理常见的试验设计框架——单次/多次给药PK、食物影响研究、与原剂型的生物利用度对比。但具体的试验设计参数，包括剂量组设置、样本量、主要终点选择，必须由临床团队主导。

沟通交流准备。这是改良型新药项目管理中AI最适合介入的环节之一。这类项目的很多不确定性不是来自技术本身，而是来自审评机构是否接受你的开发逻辑和桥接策略。AI可以帮助项目经理整理拟沟通问题清单、现有证据链的梳理、拟采用的桥接策略说明、团队内部尚未达成一致的待决问题。它不能替团队回答监管问题，但可以帮团队提前把问题说清楚、把逻辑理顺。对于项目经理来说，这恰好是体现协调价值的地方——你不需要自己回答所有技术问题，但你需要确保每个问题都被清晰地提出来。

 （三）项目执行期：进度追踪与会议管理

这个阶段仿制药和改良型新药在AI应用上差异不大，合在一起讲。

进度整理。项目经理每周都在做的事：从各部门收集进展，整理成统一格式的状态表。AI可以把各部门反馈的杂乱信息（邮件、聊天记录、会议口头反馈）整理成“已完成/进行中/卡点/前置依赖/关键路径影响”的结构化输出。重点是几个经典的连锁延误——分析方法验证未完成→稳定性考察无法入箱→加速6个月数据对不上递交节点→申报窗口错过。AI可以帮你把这种依赖链条可视化，但哪些延迟是真风险、哪些只是表面时间滑移，需要项目经理自己判断。

会议纪要。AI辅助会议纪要的工作流已经比较成熟：录音转文字→AI提取关键决策、行动项、责任人和时间节点。在项目管理的实际使用中需要注意的是，AI提取的“决策”可能只是讨论中的某个意见而非正式结论，每条决策项和行动项都需要项目经理人工确认后才能分发。

改良型新药项目的跨部门协调复杂度更高——临床、非临床、CMC、法规四条线并行，AI辅助的进度汇总和依赖关系梳理在这类项目中价值更大，但也更需要人工校验，因为AI不了解各部门之间的实际沟通状态和隐性依赖。

（四）申报阶段：资料一致性检查与发补预判

申报阶段是项目管理最紧张的时期之一。CTD文件涉及多个模块、多个撰写人、多个数据来源，数据一致性问题几乎是每个项目的常见痛点。

AI在这个阶段可以介入的任务：批号、规格、生产地址在CTD各模块中是否一致；质量标准限度在3.2.S和3.2.P中的表述是否匹配；稳定性数据表格中的检测结果与附件图谱是否对应；Module 2综述中引用的药学、BE和稳定性关键信息，是否与对应模块和附件数据一致。这些核对工作量大但规则明确，是AI的强项。

发补预判方面，AI可以基于公开的审评报告和行业经验，生成一份常见发补问题清单——溶出对比不充分、杂质限度论证依据不足、工艺验证数据不完整。项目经理拿到清单后在递交前逐项排查，相当于做一次内部模拟审评。

图2：申报资料审核“有AI vs 无AI”工作流对比图

改良型新药申报的差异

改良型新药的CTD资料比仿制药多了临床和非临床模块的实质性内容，Module 2综述的撰写工作量也大幅增加。AI可以帮助检查Module 2综述与Module 3药学数据的一致性，对于改良型新药，还要额外关注Module 2综述与Module 4/5中非临床、临床证据之间的逻辑一致性。AI也可以基于已批准的同类改良型新药审评报告，梳理审评机构可能关注的重点问题方向。

改良型新药的证据链更个性化，审评关注点也更依赖项目特点。AI基于同类案例整理出的发补预判清单可以覆盖一部分共性问题，但项目特有的风险——比如你的桥接策略是否充分、临床优势论证是否足够——仍然需要团队自己判断。

三个提示词示例

以下是三个实际使用过的提示词框架，可以直接套用到项目管理工作中。前两个针对仿制药，第三个针对改良型新药。

（五）写在最后

上下两篇讲完，想说的其实就是三句话：

1.仿制药项目中，AI主要帮项目经理提高整理、比对、追踪效率，把重复性工作的时间省下来。

2.改良型新药项目中，AI主要帮项目经理整理证据链、暴露不确定性、准备跨部门讨论和监管沟通，把问题摆到桌面上。

3.越是复杂的项目，AI越不能替代判断，但越值得用来做底稿和清单。

会不会用AI，正在成为项目经理之间一条不那么显眼但越来越实际的分水线。不是说用了AI就比别人强——而是说，当你能把整理型工作高效解决掉的时候，你才有时间去做那些真正体现项目管理价值的事情。

本文基于公开报道、行业文献和个人项目管理实践撰写，涉及法规内容以各监管机构最新发布的指导原则为准。