核心要点
- 人工智能应用持续增长但规模化进程停滞
- 业务变革挑战远超技术限制：仅约15%的AI项目涉及模型开发
- 扩展AI需以业务为先导的框架：成功关键在于从可衡量的业务成果起步
制药行业已远超"人工智能能否变革药物研发"的讨论阶段。根据Pistoia联盟调查，68%的生命科学研发专业人士在工作中使用人工智能与机器学习技术。但同一调查显示，52%的受访者将数据质量低劣列为AI实施的最大障碍。
这一矛盾精准反映了2025年制药行业的现状：企业已从追问"AI能做什么"转向开展实质性实验，但多数仍困在概念验证成功与企业级价值实现之间。
该障碍本质并非技术问题。AI模型性能已大幅提升，新功能每隔数月涌现，技术获取日益民主化。AI的潜力始终存在，根本承诺从未改变。
麦肯锡研究指出，生成式AI模型仅占典型项目工作量的15%。剩余85%涉及将模型适配至企业内部知识库和应用场景——这正是多数制药商的困境所在。真正的壁垒在于业务转型。以制药制造常见场景为例：合同制造商与检测实验室仍通过电子邮件附件和PDF共享药物测试结果，这些文档常含手写批注，经扫描后需人工录入系统。该流程缓慢且易出错。
在协助多家制药企业实施AI的过程中，我们提炼出从成功实验迈向企业级价值的清晰框架。该方法以业务成果为核心，而非技术能力。
步骤一：从明确业务成果起步
太多组织先聚焦技术再寻找应用场景。业务成果必须驱动数字化及AI等工具的应用。单一IT部门无法有效解决跨业务领域的复杂问题。
应优先识别具体可衡量的业务难题。例如临床研究报告生成：从末位患者最终随访到报告完成通常耗时数周至数月。AI可比人工更快完成60%-70%的文档创建，同时保留人工监督环节。初期目标勿追求90%-95%自动化率，应从适度自动化目标开始，通过迭代逐步优化。
步骤二：建立共同责任机制
AI规模化最大障碍源于业务与IT职能的传统割裂。孤岛式方法始终难以实现企业价值。麦肯锡数据显示，70%的转型失败源于业务需求与IT交付成果的脱节。
顾能近期建议将首席信息官(CIO)与业务部门首席体验官(CXO)置于共同责任体系下。每位领导者拥有领域主权，但共享成果所有权，从而建立真正伙伴关系而非传统交接流程。顾能指出，近四分之三共同主导交付的CXO能达成或超越数字化投资目标。
步骤三：实施中心辐射式治理
成功的AI规模化需平衡集中化治理与分布式执行。中央部门应监管安全、合规及企业级标准——在严格监管的制药领域尤为关键。
但用例开发应下放至业务单元。部分责任由CIO与CXO共担，而安全与合规事务保持企业级集中管控。这确保业务单元快速行动的同时维持必要控制。最终企业应迈向AI民主化：业务用户可自主构建解决方案、测试效果，并基于结果决定规模化或放弃。
步骤四：构建模块化解决方案
避免全盘数字化转型，聚焦无需重构系统的即插即用方案。例如文档处理场景无需全新系统，只需利用AI能力的附加模块。
默克与麦肯锡联合开发的临床研究报告生成平台，将初稿制作时间从180小时压缩至80小时，错误率减半。这是典型的AI增强机会，无需彻底替换基础设施。
步骤五：规划民主化访问
终极目标是构建业务用户可直接获取数据、算力及AI模型的基础设施。这将彻底改变组织运作方式：具备权限者能实时连接分析工具，基于数据驱动决策。影响近乎即时——业务用户可在下午完成原本需等待三个月的仪表板搭建。但民主化必须建立在坚实数据基础之上，实现真正的单一数据源而非维持数据孤岛。
未来的竞争优势
当多数组织仍聚焦于模型与用例实验（仅占15%工作量）时，真正的价值蕴藏在解决业务适配与整合的85%挑战中。掌握这种业务优先的AI扩展方法的企业，将建立可持续竞争优势。
目标在于使组织运营速度匹配业务决策节奏，而非IT实施速度。此举可加速救命疗法面世，将数月流程转化为实时洞察与行动。
成功需要突破行业AI历程中长期存在的技术优先思维。唯有愿付出业务转型艰苦努力的企业，方能实现企业级规模化潜力。
拉姆吉·瓦苏德万 (Ramji Vasudevan) 任阿尔特梅特里克(Altimetrik)生命科学事业部主管
参考文献
- Pistoia联盟, "2030年实验室展望", 2024年
- 麦肯锡, "生成式AI在制药行业的应用：从炒作到现实", 2024年1月9日
- 麦肯锡, "转型视角"
- 顾能, "CIO与CXO伙伴关系构建的紧迫性"
- 麦肯锡, "生成式AI助力默克与麦肯锡革新临床撰写"
【全文结束】
