夜雨聆风—IPEM “AI在药业的应用”课程笔记之一
AI在制药行业的讨论，已经从“要不要用”进入了“怎么用”的阶段。但一个现实问题是：第一个项目选什么？这个选择，决定了AI落地的成败基调。选对了，团队建立信心，业务看到价值，后续推广水到渠成；选错了，资源浪费，团队疲惫，甚至让整个AI战略陷入“试点即终点”的困境。
5月31日IPEM“AI在药业的应用”课程上，在WPS AI技术带头人朱熠锷老师深入浅出的AI技术普及课后，三位嘉宾围绕AI在药企落地的实践展开了深入讨论。三位嘉宾来自不同类型、不同阶段的企业，他们的碰撞为“第一个项目怎么选”提供了值得参考的判断框架。
从“选什么项目”这个角度思考嘉宾的经验和洞见，笔者归纳出选AI项目的四个思考维度，按此顺序展开：先看业务痛点（是不是真需求），再看ROI（值不值得投），然后看数据基础（能不能落地），最后看风险评估（能不能持续运行），层层递进相辅相成。
其一：瞄准业务痛点，但需评估可行
AI落地的第一步，不是选技术，而是选场景。而选场景的第一原则，是瞄准真实的业务痛点。痛点越真实、越高频，业务部门的配合意愿就越强，项目推进的阻力就越小。王刚博士的经验印证了这一点：君实以质量作为突破口，正是因为偏差调查、变更管理等场景痛点明确、需求真实，团队有动力去用、去优化。
邵扬提醒，选场景要避免“拿着AI锤子，看到处都是钉子”。他形象地补充了一句：“敲完了还得放回去”——其含义是AI工具不能只是技术部门觉得好用，更要能真正嵌入业务流，而不是成为挂在流程外面的“外挂”。他建议先找市场上已经得到验证的相对成熟的工具，从小应用开始，让AI自然地融入日常工作，“星星之火可以燎原”。
第三位嘉宾则从另一个角度补充了“痛点驱动”的验证逻辑：当应用真正解决业务痛点时，就不再需要KPI驱动，而是自下而上地涌现使用需求。这说明，痛点是否真实，最终要看业务部门是否主动用、持续用——而不是看管理层怎么强推。
其二：ROI容易算，但也不能只看省钱
选项目的第二关，是算清楚ROI。但这里的“算清楚”，不是指精确到小数点后两位的财务模型，而是让管理层觉得这笔投入值得。ROI的难点不在于数字本身，而在于不同部门的ROI逻辑完全不同——临床、注册、生产、质量，各有各的账本。
王刚博士坦言，质量部的ROI特别难算，因为质量的价值很难直接量化。他建议质量相关的AI项目更需要提前计划，最好能做到预算里。因为申请额外的钱，ROI难谈，但预算可以跟去年比，可能就不需要单独论证ROI。君实AI项目负责人陆泓瑾博士则补充，算ROI必须去一线，层层拆解才能算明白。她认为”AI翻译“和”AI模板写作“是ROI最高的应用，因为“人天”计算已有基础——例如QC部门对于稳定性试验报告的“人天”可以进行明确地核算，AI模板写作带来的效率提升可以直接量化。
但第三位嘉宾提醒，早期阶段甚至不存在ROI的概念。“当人人想用时，ROI才成为需要回答的问题。”她又强调，“推动时，不要动不动谈省钱。用好AI，讲好故事，管控风险。”效率只是入场券，真正推动AI落地的是价值故事，而非省钱故事。评估逻辑是：没有商业价值不立项，没有风险评估不开发，没有持续维护不上线。
邵扬则从预算申请的角度给出了实操建议，形象而幽默：用“讲故事+讲鬼故事”双轨策略——既要讲清楚做了会怎样，也要讲清楚不做会怎样。比起“我们能赚多少”，也许管理层更在意“我们会亏多少”。
其三：得有数据基础，否则GIGO
选项目的第三关，是评估数据基础。AI圈常说这句老话：Garbage In, Garbage Out（垃圾进，垃圾出）。数据基础决定了AI项目的基线——再好的算法、再强的模型，面对零散、混乱、未结构化的数据，也只能给出不可靠的输出。因此，选项目时，优先选择那些数据已经结构化、知识已经体系化的场景，可以大幅降低项目风险和周期。
王刚博士介绍，君实在推进AI之前，已花费约6年时间完成自动化和电子化基础建设。偏差调查和变更管理之所以能成为突破口，正是因为QMS数据已经完成了电子化和结构化——AI可以直接“吃”这些数据，而不是先花大量精力去清洗和整理。
不是所有场景都适合作为第一个AI项目。如果企业还没有完成基础的数据治理工作，第一个项目应该从“知识治理+轻量AI应用”的组合开始，而不是直接上复杂场景。
法规查询是药企员工最高频的需求之一——许多岗位每天都需要查法规、找指南、确认条款，这个场景天然适合AI辅助。尤其是对于刚起步的企业，这类AI法规问答可以作为“第一个AI应用”的入门场景。它不需要复杂的系统集成，不需要打通企业数据，部署周期短，风险可控，但能让业务部门直观感受到AI的价值。因为它可以依托外部成熟的法规数据库和知识体系，不只是与大模型对话，而是有依据（且依据及时更新）、可溯源、有边界地提供专业知识参考。
另一个值得考虑的应用是AI翻译。药企日常工作中，法规文件、技术资料、注册文档的翻译需求无处不在，且往往时间紧迫、专业要求高。基于行业术语库和法规语料训练的专业AI翻译工具，输出质量稳定，且每篇译文均可溯源——专业人员可以快速核对术语和依据，而非从零开始。对于尚未建立完善数据基础的企业，翻译场景无需系统集成和历史数据，部署周期短且风险低，却能显著提升日常工作效率，是比较稳妥的选择之一。
回到上文提到君实的痛点是偏差和变更管理。痛点真实不等于项目可行。这里有一个容易被忽视的前提：识林的AI偏差和变更管理之所以能成为君实的突破口，是因为君实已经完成了QMS数据的电子化和结构化。如果企业连偏差记录都还在纸质或零散的Excel里，没有经过整理和提炼，想着只靠外部的法规和行业案例知识库，则难以达到预期效果。要跨越这一步，企业往往需要一位"陪练"，把行业知识转化成自家练习题，带着团队一题一题做会，这是AI应用能否顺利落地的隐性前提。
其四：风险评估，未雨绸缪
最后一关，是选项目时最容易被忽视、但也至关重要的维度：风险评估。痛点再真实、ROI再可观、数据再完备，如果风险不可控，项目也可能功亏一篑。尤其是制药行业，患者安全、GxP合规、数据可靠性都是红线，选项目时必须提前想清楚：这个场景能承受AI出错吗？出错后能否被发现、被纠正？这不是附加题，而是必答题。
第三位嘉宾分享了风险评估逻辑：从价值、技术、风险三个维度综合评估。其中风险维度包括五个子项——谁对结果负责、公平伦理（数据是否有偏见）、模型安全可靠、输出可解释、生态责任。AI治理委员会据此评估行还是不行（go/no go）。
不过她特别提醒：一开始不要这么复杂。先解决数据治理，然后是文化转变，再逐步建立完整的风险评估体系。对于第一个项目，应该选择低风险场景——比如知识库问答、翻译辅助等，这些场景即使AI输出有误，也不会直接导致GxP合规问题或患者安全风险。王刚博士也从君实的实践角度强调了GxP边界的把握和滥用风险。
邵扬则从另一个角度提醒：应当接受AI必然会出错，因为是概率模型。他讲了个有趣的故事：当他告知法务部，AI可以实现95%的合同审查准确率，却被反问“剩下5%怎么办？”不过这个问题值得反问：“人能做到100%正确吗？人没发现的不也就认了吗？”
综上，要提前想清楚的是：这个场景能接受AI的“出错率”吗？出错后的影响有多大，能否管控？能否被发现、被纠正？
迈出一小步，点燃一把火
第三位嘉宾在圆桌上说了一句话，特别形象，记忆犹新：“AI是孩子，要看它在哪个阶段。”
第一个项目，就是AI在药企的“学步期”。选一个轻量的、ROI可感知的、数据基础好的、风险可控的场景，让团队建立信心，让业务看到价值，让管理层愿意继续投入。然后，再逐步走向更复杂的场景、更体系化的平台。
这也正如邵扬所说：星星之火，可以燎原。关键在于，先点燃第一把火。这把火不必烧得多旺多猛，但它必须能点燃——点燃业务的兴趣，点燃管理层的投入意愿，点燃团队的信心。有了第一把火，才会有第二把、第三把，最终形成燎原之势，否则再宏大的AI战略也只是纸上谈兵。
