金赛金颖博士:拒绝AI焦虑,“医学看板”显性量化上市后医学价值!

Q：您将主持“AI下医学人能力智变”分论坛。以您的观察，AI对医学人能力的“替代”中，哪些是合理的、不可逆的，哪些是被高估的？

金颖：我认为可以沿着“规划”和“执行”两个维度来看这个问题。

AI合理替代且不可逆的工作，符合两个标准：第一，纯执行；第二，无需决策。

纯执行类工作，包括标准化流程类任务——没有灵活变通的空间，不需要主观判断，工作的路径和评判标准非常清晰、统一、固化。你只需要把输入条件固定下来，整个执行过程不需要临场变通。这一类被AI长期替代，是不可逆的。

举几个例子：

1、医学文献的批量检索、数据提取、证据汇总、表格整理

2、医学文稿的基础校对（错别字、语病、术语核查、格式规范）

3、参考文献标准化排版、会议录音转文字、信息归档

4、标准化数据的归类统计、自动化表格生成、内部信息库迭代更新

这些都有固定的流程和清晰的评判标准，AI完全可以规模化替代。

无需决策类工作，特征是不需要承担医学责任和终局判断，仅仅是前置性的信息加工和基础素材产出——医学综述的基本框架搭建、初稿素材填充、临床研究方案的模块化初稿撰写、标准化FAQ、研究者通用信函、医学资料翻译、竞品公开信息归集整理……这些都不涉及核心医学研判，AI做完了最终还是需要人工审核和最终拍板。

所以结论很清晰：所有高度标准化的纯执行工作、所有无需承担医学责任和判断的素材类工作——AI的替代是行业效率升级的必然结果，不可逆转。

Q：AI来了之后，您认为2026年医学人的核心能力模型中最需要强化的三个方向是什么？最大的变化在哪里？

金颖：先抛开合规这个底线不谈——在AI深度落地之后，医学事务的能力模型正在从单向的医学信息生成与传递，转向医学价值的共创。

我认为需要强化的三项能力是：

第一，顶层的学术规划设计能力。

AI可以帮你快速汇总文献、输出文稿，但我们要解决临床哪个或哪些未满足的诊疗问题？这个问题AI无法自主回答。

选择RWE还是RCT？单中心还是多中心？用IIT还是企业发起的研究？如何搭配布局、循序渐进地补齐产品的证据链条？这些顶层规划和设计，需要医学人员做出选择、判断优先级、寻找最优解——这些AI做不了。

未来的MA/MSL不再只是学术材料的执行者，而必须是产品证据策略的设计者。

第二，隐性临床洞见的萃取与转化能力。

临床有大量真实的诊疗痛点，但这些痛点不会自己跑到已发表的文献里，也不会在拜访时被医生直接说出来。它存在，但不显性。

真正的能力在于：在跟临床专家的深度学术对话中，捕捉到文献之外的临床认知——把专家零散的临床洞察提炼成规整的洞察，再反过来指导产品策略、循证规划、研究设计。

这种深度的学术交互和洞察提炼能力，是人与AI最核心的差异点。因为背后是人与人之间的深度信任和深度沟通，这种关系AI无法替代。

第三，内外部需求的深度研判与体系化沟通能力。

对内，要下沉到业务端挖掘真实诉求——销售端、市场端在临床推广中遇到的卡点是什么？未被解答的学术困惑是什么？不能停留在表面接受需求，要穿透表象，理清背后真正需要医学支撑的是什么。

对外，要能通过长期深度的平等对话，读懂临床专家的诊疗习惯、科研规划、学科建设方向。这不仅仅是学术交流，而是把产品优势匹配到专家的真实需求上，形成高质量的双向沟通和合作。

最大的变化在于：过去看重的是信息差，是医学人员的知识储备深度和传递准确度。AI把信息差压缩了，人才评价的重心必然转向顶层设计能力、临床洞察能力、内外部需求挖掘能力。

Q：医学人最大的焦虑，是怕被替代，还是怕不知道自己还能做什么？

金颖：焦虑的本质，是失控感。

过去十年二十年，医学事务有非常清晰的能力模型和执行路径，这套确定性给了从业者很强的职业安全感。你相信：沿着这套规则付出，就会有对应的回报。

但现阶段，底层规则变了——原来的能力标尺失效了，能力模型也在被重构。原来我们引以为傲的“信息差”价值，被AI快速压缩。什么价值被放大了？大家还不确定。

所以焦虑的本质不是“怕AI抢工作”——工作被抢只是表象。真正的内核是：旧的价值坐标系崩塌了，新的坐标系还没建立。

一旦我们重新锚定价值——把重心放在AI无法复刻的能力上：顶层设计、临床洞察、内外部需求深度挖掘、信任关系的建立——失控感会逐渐消失。到那时候，AI不再是威胁，而是加持。

先说新人吧。

我的建议是：沉下心来，从机械式的文献检索，走到真实的临床场景里去。去医院理解真实的诊疗流程，去深度交流、挖掘医生的真实困惑和需求，再回到内部打磨解决方案。对于新人来说，这些要求听起来很高，但这是走向成熟的必经之路。

另外，新人要尽早训练自己提出好问题的能力。AI时代，好答案和好解决方案你不一定拼得过AI，但提出好问题的能力，AI现阶段一定拼不过人。你能提出有价值的临床或学术问题，再辅以AI这个工具，就能事半功倍。

再说老兵。

老兵的优势非常具体——十年的行业深耕，意味着丰富的临床人脉、深厚的行业洞察、业务与学术平衡的判断力、长期沉淀的内外部信任关系。这些东西本身就是非常宝贵的价值。

但老兵最容易陷入的陷阱是：过度依赖过去的成功路径，把过往经验当成唯一经验，把过往路径当成最优路径。

所以我对老兵说两件事：

第一，不要抵触AI。恰恰是因为你有足够的经验，你才能提出更好的问题、有更深刻的洞察——你是最能用好AI的那拨人。

第二，完成能力的升级迭代。从过去“执行效率最高、落地经验最多”的执行者，升级为学术策略的设计者、证据规划的制定者、内外部需求的挖掘者、各种资源的协同者。

新人要建底层能力，老兵要升级认知站位。核心都是找准不可替代的价值，让AI服务于人，而不是被技术裹挟。

Q：上市后医学的价值衡量一直是一个行业性难题——它不像上市前有“获批”这个硬里程碑。在AI和合规双重背景下，上市后医学团队在价值呈现和内部沟通上，和五年前相比发生了哪些变化？

金颖：医学价值过去没有被量化，不代表它没有被认可。在外资体系里，医学部长期保持着与业务线权责分开的独立地位——这本身就代表着管理层对医学定位的认可。只不过这种认可更多是定性、感性、内化在管理层共识里的，没有显现出来。

现在到了必须显现的时候了。

但有一个前提必须明确：医学价值很难用短期销售指标来直接挂钩。强行业绩绑定会扭曲医学的客观中立性。量化不等于用销量打分。

我想，可以尝试建立一套“医学看板”，至少包含三个维度：

第一，循证资产的量化。不是“启动了多少项研究、覆盖了多少中心”，而是这些研究填补了产品证据链上的哪一块空白、回答了哪个临床上未被回答的关键问题。研究有没有完成学术转化——文章发表、会议宣讲、指南共识被引用？这套逻辑的核心是：证据缺口清单→学术项目布局→产出落地情况——三个环节的匹配度。

第二，临床认知的量化。MSL的日常学术交流，核心是提升医生对产品和治疗领域的认知。过去我们统计拜访次数、会议场次——这些都是过程指标。真正的价值在于：临床专家对产品的诊疗定位、适用人群、获益风险的认识，是否发生了良性的改变。通过定期的学术访谈、调研、跟踪关键临床问题认知的变化，这是一个长周期评估的过程。

第三，临床洞察的转化率。医学团队持续跟一线临床沟通，带回来诊疗痛点、未满足需求、真实世界的用药情况。衡量的标准不是拜访了多少位专家，而是多少洞察有效输入了公司的决策链路，多少洞察被转化落地。这是“有效洞察输入→决策转化”的转化率概念。

除了这三个显性指标，还有一个隐性的、几乎无法量化但极其重要的价值——信任优先级。

对内：业务端在制定策略、遇到学术难题的时候，是不是第一时间想到了医学部？是不是前置性地邀请医学参与讨论，而不是把医学当供应商？对外：临床专家在需要学术加持的时候，会不会优先选择跟你的团队合作？

遇到专业问题第一时间想到你——这本身就是一种价值的标尺，是最深层次的认可。

后记

作者简介