AI赋能医疗(一):FDE

FDE，即 Forward Deployed Engineer，前线部署工程师。它深入客户真实业务现场，把AI能力转化为可运行、可验证、可审计的业务结果，并把一线经验沉淀为可跨项目复用的行业资产。

对于医疗、医药和医疗器械行业来说，AI真正落地不能只是“业务工作+AI”，而应该逐渐转变为AI Native。所谓AI Native，可以理解为：如果AI能力一开始就已经存在，那么这项业务原本应该怎么设计？

过去，我们往往是在原有业务流程上增加一个AI环节。比如研发实验结果出来之后，让AI辅助分析，工程师再在此基础上形成实验报告，接着完成质量体系记录，提交领导批示，然后设计下一步实验。这种模式本质上还是原来的工作流程，只是在其中增加了一个AI工具。

AI Native则不同

假设一次研发实验结束后，实验员、研发工程师、分管领导和AI共同进入一个线上会议空间。实验员和工程师分别表达实验过程中遇到的问题、观察到的现象以及个人观点；分管领导进行补充，并结合整体项目情况讨论后续研发路线；AI则实时调用企业知识库和历史实验资料，对讨论内容进行查漏补缺。讨论结束后，AI自动总结会议，形成实验记录和实验报告；根据当天完成的工作同步形成质量体系记录；再根据会议讨论结果整理出下一轮实验计划。

这样一来，AI不再是在实验结束之后才被调用的一个辅助工具，而是真正进入到日常研发的工作、分析、决策和执行路径中。在需要的时候，AI还可以随时调用历史上的每一份数据文件、实验记录和相关资料。

FDE的核心工作之一，就是把客户原本以自然语言表达的需求，转化为工程化、结构化、AI能够理解和执行的任务。

例如客户说：“我们的研发记录太乱，很多实验经验没有沉淀下来。”

FDE需要继续拆解：实验数据在哪里？实验过程如何记录？哪些内容需要形成实验报告？哪些内容属于质量体系要求？谁负责审核？历史数据如何调用？下一轮实验如何形成？

最终再把这些内容转化为AI能够执行的工作流。因此，FDE并不只是部署模型，而是在重新设计企业原来的业务流程，使AI真正进入业务运行体系。

国内企业实施FDE的现实条件

国内多数企业的数据底层仍然缺乏标准化治理。从这个角度看，业务越成熟、流程越稳定的企业，FDE反而越容易实现。中大型公司通常拥有比较稳定的研发流程、生产流程、组织架构和质量体系，因此具备更好的AI落地基础。但另一方面，大企业同样存在“船大难掉头”的问题。AI Native并不是在现有体系旁边增加一个新工具，而可能要求对原有组织框架、工作流程甚至质量体系进行重新设计。员工是否愿意改变原来的工作习惯，同样会成为实施过程中的重要阻碍因素。因此，更现实的方法可能不是一次性改造整个企业，可能是按照模块分步完成AI本地化。先从研发、质量、注册或者生产中的某一个具体模块开始，把一个场景真正跑通，再逐渐向其他场景扩展。通过这种方式形成“星火燎原”，最终逐步孵化出面向医药行业或者企业自身的模型、知识库和工作流，并让前面项目形成的经验持续复用，产生经验的复利效应。

站在小微企业的角度，这同样是一个机会。大企业虽然流程成熟，但组织调整成本高；小企业虽然基础相对薄弱，但决策链条短、调整速度快。一旦行业中出现比较成熟的AI解决方案，小微企业可以快速套用成熟方案，以较低成本建立研发、质量和管理能力，从而缩小与大型企业之间的差距。

法规既是阻力，也可能成为医疗FDE的优势

医疗行业AI落地绕不开法规。AI进入研发、生产和质量体系之后，新的工作形式如何适应现有法规要求，是摆在行业前面的一个重要问题。例如AI参与实验记录、质量记录和研发决策之后，现有质量体系如何认可这种形式，审评和监管又如何对这些过程进行检查，都需要新的规则和方式。但从另外一个角度看，AI也可能改变未来的监管模式。如果企业能够向审评或者监管部门提供标准化接口，在符合权限和数据安全要求的情况下，监管人员就可以更加直接地查看企业质量体系实际运行情况。原来更多依赖最终资料审核和飞行检查的方式，未来可能逐渐增加持续化的数字监管。监管工作的效率和灵活性也会随之提高。

而且，医疗行业本身执行严格的法规和质量管理体系，这反而天然为FDE提供了一定程度的标准化基础。因此理论上，一家企业的某一类FDE模式真正跑通以后，其中很多经验可以快速复制到更多同类型企业。

医疗行业更适合部分场景的私有化模型

基于医疗行业的数据安全、商业机密和监管特点，部分FDE场景可能更加适合部署本地化的私有模型。不同于面向所有领域的通用大语言模型，这类模型主要围绕医疗行业资料或者企业自身数据库、知识库和历史业务数据建立能力。随着企业内部人员不断使用和反馈，模型也可以逐渐更加适应企业自身的工作方式和行业需求。对于医疗行业来说，模型不一定需要什么都知道，更重要的是：懂这个行业，也懂这家企业。这种模式既有利于企业经验持续沉淀，在数据安全和监管上也更加容易建立边界。

从质量体系切入可能是一个重要场景

医疗行业中还存在一个比较典型的问题：很多企业把质量体系更多当成拿证需要完成的纸面工作，而不是贯穿研发和生产全过程的风险管理工具。某种程度上，这就类似于财务中的“阴阳账本”。企业真正运行的是一套流程，而为了质量体系和监管检查又形成另外一套记录。结果是监管端很难及时看到企业实际运行中出现的问题，企业内部也容易出现重生产、轻质量的情况。最终企业投入了大量人力维护质量体系，却未必真正提高了质量管理效率。FDE可以尝试解决的，就是把这种自然形成、依赖人工经验的业务过程，转化为标准化、AI能够理解并执行的任务。例如研发实验结束以后，AI不是等工程师重新整理一次资料，再补录质量体系，而是在研发工作发生的同时完成对应的质量记录。这样，研发、生产和质量就不再是彼此分开的几套体系，而是同一个业务过程中的不同记录和控制节点。这也可能是AI真正帮助医疗企业提高质量管理效率的一个重要方向。AI落地是医疗行业提高运营效率的重要手段之一。

而FDE的工作，不只是帮助企业部署一个模型或者开发一个Agent。

它更重要的作用，是从医药行业真实工作的底层出发，把企业原本依赖自然语言、个人经验和人工协作完成的工作，转化为AI能够理解、能够执行、能够记录和能够审计的任务。让AI真正进入研发、生产、质量和管理的日常工作路径。最终达到：提高工作效率，加强质量监管，降低生产风险，为研发减负提效。而当一家企业中跑通的经验能够不断沉淀，并复制到更多同类企业时，FDE带来的价值也就不再只是一次项目交付，而开始形成整个行业的经验复利。

以我所在的体外诊断IVD行业看，待市场出清后潜在的客户全国大约有200-500家，

以IVD为例做一个医疗、医药与医疗器械行业FDE全流程操作手册

适用：医院 / 企业 / 医疗器械企业 / AI 平台与解决方案团队

使用原则：高风险业务坚持 Human-in-the-loop，所有关键输出可追溯、可审核、可回滚。