生成式AI在制药业：还是炒作吗？

来源：荣格医药商情发布时间：2024-03-11 854

医药原料药辅料与剂型制药机械实验室检测设备环保与洁净技术给药系统包装材料包装设备自动化系统/工厂管理合同外包、定制服务及咨询其他人工智能生物医药药物制剂产业动态应用及案例技术前沿

加速的药物研发、更高效的临床试验、更快的监管审批、内部生成的超精准营销材料……生成式人工智能（Generative AI）正在改变制药业的几乎所有领域，改革企业的运营方式，或能释放数十亿美元的价值。

据麦肯锡全球研究院（McKinsey Global Institute，MGI）估计，生成式AI技术每年可为制药和医疗产品行业带来 600 亿至 1100 亿美元的经济价值——它可以通过加速识别可能用于新药的化合物、加快其开发和审批以及改进其营销方式来提高生产率……

当然，制药公司其实早已走在AI的前列。

甚至在去年AI火爆之前，研究人员就已经开始应用复杂的AI模型来揭示疾病的机理。例如，AlphaFold2、ESMFold 和 MoLeR 都利用深度学习来帮助预测几乎所有已知蛋白质的结构，从而改变了对其潜在疾病的理解。

新的AI应用案例不断涌现，行业迫切希望以更细化的方式了解最具潜力的潜在价值领域。麦肯锡深入研究了有关生命科学领域 63 个AI生成式用例的数据和模型，并计算了五个行业领域的潜在经济影响：研究与早期发现、临床开发、运营、商业和医疗事务，确定了最有可能在短期内实现有意义的生产力提升和经济价值的用例。

然而，数字只能说明部分问题。

即将到来的生成式AI驱动的生命科学革命有望对人类健康和福祉产生无法量化的影响。

例如，加速药物发现过程将有助于更快地治愈更多疾病，从而开辟更多资源，用于目前服务不足的领域。从大量患者数据中产生洞察力和模式的能力将激发更多个性化治疗——改善患者的治疗效果。

生成式 AI 工具还能减少治疗药物生产和交付过程中的偏差，从而使患者护理更加一致。最后，通过将文件创建和记录保存等繁琐耗时的任务自动化，AI 将提高研究人员和医疗联络员的工作效率，从而更好地为临床医生和患者服务。

Part 1

从炒作，走向现实

在制药公司抓住生成式AI带来的机遇之前，他们必须先准确了解它能做什么，以及不能做什么，换句话说，要了解生成式AI的现实是什么，识破围绕它的炒作。下面是企业领导者对该技术的四个最严重的误解。

炒作：生成式AI本身就能创造大部分价值

现实：这是整个AI领域的颠覆性时刻，而不仅仅是生成式AI。传统的AI分析模型，如目前用于促进利益相关者参与和帮助诊断疾病的模型，将继续创造价值。所不同的是，新的生成式AI应用将大大增强它们的能力。

炒作：生成式AI可轻松插入现有数据集，从而获得关键见解

现实：除非有适当的数据架构，否则生成式AI无法取得成果。企业需要建立一个智能层（intelligence layer），以了解分子结构、临床操作和患者数据等问题。有必要采取多管齐下的方法，创建一个能够运行内部和外部数据集的数据基础设施。这不仅仅是一个纯粹的技术问题：数据科学家需要与业务战略、医疗事务、法律和风险领域的领导者密切合作，以确定优先事项并执行战略。

炒作：选择正确的大型语言模型（LLM）将成为战略差异化的关键因素

现实：根据麦肯锡的研究，AI模型只占典型项目工作的 15%。大部分工作涉及根据公司的内部知识库和用例调整模型。鉴于制药行业数据的复杂性及其法规和技术的独特性，这种情况在制药行业尤为突出。要想在生成式AI方面取得成功，公司必须将其整合到复杂的工作流程中，以促进采用并产生影响——这一现实凸显了有效变革管理的必要性。事实上，麦肯锡发现，70% 的数字化转型失败不是因为技术问题，而是因为领导者忽视了管理变革的重要性。

炒作：生成式AI将立即影响商业组织的各个部分

现实：与任何数字化转型一样，领导者必须采用端到端的视角，只优先考虑对总体业务目标有意义的用例和应用。领导者必须制定战略路线图，以确保优化整体影响、影响时间以及其他重要考虑因素。“2x2 方法”对于刚起步的公司来说是一种有效的策略：首先选择两个对业务干扰最小、能在整个组织内引起兴奋并能最迅速产生影响的用例，然后选择另外两个可能更具变革性的用例，作为长期目标。

Part 2

生命科学领域的新兴用例

生成式 AI 能够综合无数结构化和非结构化数据源，并生成定制的视觉、文本甚至分子内容，从而为整个业务价值链创造价值。

尽管这项技术将影响所有行业，但它对制药业的影响尤为巨大——原因在于生成式AI真正的多模态（multimodal）特性——基础模型不仅建立在语言上，还建立在图像、组学、患者信息和其他类型的数据上，而这些都是解释和解决疾病过程以及如何最好地治疗疾病所必需的。

此外，通过提高疗法的开发、批准和上市速度，生成式AI可以帮助制药公司解决 “新药生命周期压缩”（asset lifecycle compression）的问题——即公司获取新药价值的时间越来越短。麦肯锡的研究发现，在过去二十年里，这一期限缩短了近 18 个月：从 11.7 年缩短到 9.8 年。

大多数具体用例将属于以下四大类之一：知识提取、内容和化合物生成（如生成化学）、客户参与（如为医疗服务提供商和患者提供服务），以及编码和软件生成。

企业必须快速行动，才能抓住竞争优势。然而，过早尝试过多项目，例如，在未制定清晰的规模化路线图之前就启动多个试点项目，可能会造成问题。此外，领导者必须明白，生成式 AI 不能是一个边缘计划，而应该是最优先的事项之一。鉴于许多大型组织的保守性，C 级高管必须做出真正的承诺。

下面将深入探讨最有可能在近期对五个生命科学领域产生影响的 21 个用例。除非已经实现了一定程度的数字化，否则其中许多用例都无法实现，而且并非所有用例都适用于所有公司。

1. 研究与早期发现：新一代治疗方法

我们对疾病的认识可能正在迅速发展。然而，发现和开发新药的过程却朝着相反的方向发展：将一种药物推向市场的平均成本不降反升。

生成式AI 可以帮助加快确定靶点的过程，开发用于测试化合物的验证方法，挑选出最有希望的线索，并协助进行临床前测试以确定其有效性。

制药商已经在使用基础模型来实现这些目的。

除了 BioGPT 和 Med-PaLM 等自然语言模型外，研究人员使用的模型还包括用于分析显微镜和病理学数据的图像模型、用于改进小分子数据功能读数预测的化学模型、用于蛋白质折叠和预测的大分子模型、用于将开发工作重点放在有希望的适应症上的患者旅程模型，以及用于结合这些模式从而实现in silico实验的多模式模型。

利用更广泛、更成熟的AI形式（如计算机视觉、虚拟筛选和知识图谱）来增强这些基础能力，可以加速生成式AI对整个制药研究的影响，或许能将药物发现的时间缩短一半。

用例一：提取科学知识

为了更好地了解疾病和药物靶点，科学家们花费了大量时间提取和总结专利、科学出版物和试验数据等文档中的信息。由于必须处理的数据量巨大，这不仅非常艰巨，而且经常会提供不完整或不准确的信息。

由 GPT 驱动的知识提取（使用AI算法分析非结构化数据，包括文本、图像和其他形式的信息）可以减轻这种负担。与早期基于自然语言处理（NLP）的解决方案不同，新的生成式AI工具能够更深入、更广泛地理解医疗背景和意图。因此，研究人员可以提出开放式问答，在不同任务之间轻松转换，并通过提示工程无障碍地整合更多证据。几乎不需要额外的培训，就能根据特定用例定制信息。

用例二：in silico化合物筛选

由于难以确定最有可能成功治疗特定疾病、因而最值得在实验室中进行测试的化合物并确定其优先次序，药物开发可能会受到阻碍。

生成式 AI 通过最先进的基础化学模型加速了筛选过程，这些模型可以根据结构和功能映射数百万种已知化合物，并将这些信息与测试分子的已知结果进行叠加。GPT-4 可以预测句子中可能出现的下一个单词，这些模型也可以预测小分子或大分子（如氨基酸）结构中的下一个部分（如原子）。

通过多次迭代，模型学会大分子和小分子化学的基本原理。然后，这些知识可用于训练定制的机器学习模型，从而提供更精确的预测--甚至在基本未探索的化学领域。企业可将这些预测优先用于后续筛选。

用例三：优化大分子和药物载体设计

上一个用例中描述的工具可以帮助研究人员预测小分子化合物治疗疾病的潜力。一个更棘手的问题是如何对复杂的分子链（例如抗体和 mRNA 等蛋白质）进行同样的处理。

虽然这些分子为更有针对性的疗法和更好的疫苗带来了巨大希望，但它们的复杂性大大增加了开发成本和发现时间。同样，下一代 LLM 可以通过学习预测大分子（例如核酸或氨基酸）的下一个子结构，并产生有关大分子化学的见解，从而提供帮助。这些洞察力可用于新药载体的硅设计，以及预测其在各种药物发现试验中的疗效。

用例四：新药战略的适应症选择

生成式AI 的知识提取能力还能帮助研究人员确定特定分子针对的病症或适应症，这是生物制药公司面临的最重要决策之一。

要做出这些决定，研究人员必须从多个来源获取信息，如意见领袖、文献综述、组学分析、试验数据和竞争对手的活动。然而，由于这些信息浩如烟海，适应症的选择往往只能涵盖现有证据基础的一部分，因此得出的结论可能并不理想。生成式 AI 可以通过分析各种结构化和非结构化数据集来帮助解决这一问题。

例如，真实世界数据（RWD）取自就诊医生、保险理赔、电子病历、医院数据和其他来源，往往未被充分利用来选择适应症。有了生成式AI，将医疗事件视为词语、将患者病史视为文档的基础模型可以让研究人员发现不同事件在语义上的相似性，从而可以从患者和临床的角度估计一种适应症与另一种适应症在生物学上的接近性。

此外，还可以利用分子知识图谱中的信息来揭示文献或公共数据中已经确定的新联系（例如蛋白质或人类生物通路等实体之间的联系）。这些方法有助于发现可通过体外或动物模型快速验证的新适应症，从而提高找到成功概率高的适应症的可能性，并减少盲区的数量及其机会成本。

用例五：优化试验和组合

一旦新药与适应症相匹配，就可以开始临床试验。但是，确定合适的研究对象并非易事，因此临床试验往往包括可能对治疗无效的参与者，这可能会延缓治疗的发展。

精准肿瘤学是为数不多的能解决这一问题的领域之一，研究人员现在利用生物标记物根据患者病情进展的概率对其进行分层，或预测他们对不同治疗方法的反应。

生成式 AI 将帮助其他领域做同样的事情，这将有助于组建更多样化、更具代表性的临床试验群体。更重要的是，通过使用模型，将基因和表型数据与真实世界数据（取自患者病历等来源）结合起来进行研究，研究人员就能更好地理解为什么不同的患者亚群对相同的治疗方法会有不同的反应。

最后，通过使用基于 X 射线、CAT 扫描和核磁共振成像等医学影像技术数据建立的生成式AI模型，科学家甚至可以识别全新的生物标记物：疾病活动和严重程度的深层隐藏视觉特征，这些特征会带来不可预见的新疗法。累积的结果是：试验时间更短、效率更高、成功的可能性更大。

2. 临床开发：更智能的试验、更好的数据、更快的结果

塔夫茨药物开发研究中心（Tufts Center for the Study of Drug Development）的研究人员表示，将一种药物推向市场平均需要 10 年时间和 14 亿美元的自费成本，其中约 80% 的成本与临床开发有关。

临床开发是通过在人体中严格测试潜在药物的安全性和有效性，将疗法从实验室带到患者身边的过程，这一过程的特点是临床试验时间长、监管要求严格。

生成式AI 通过提高整个临床开发流程的效率来解决这些痛点，并从三个方面释放经济价值：

通过简化临床试验流程和自动起草试验文件，最多可降低 50% 的成本；
将进行试验所需的时间提前 12 个多月；
由于加强了与卫生部门的互动、质量控制和改进了信号管理，净现值至少提高了 20%。

用例一：临床绩效助手

生成式 AI 可以快速分析大量结构化和非结构化数据。因此，它是研究团队的强大伙伴，可以分享见解并提出有效的干预建议，从而改善临床试验的结果。

一些一流的制药公司已经创建了先进的分析平台，通过提供单一的洞察力来源来加快临床试验，从而支持临床开发过程中的运营决策。

这些AI助手（co-pilots）至少在三个重要方面增强了研究团队的能力，从而加快了试验的进程：

对话式AI功能以引人入胜的形式提供了量身定制的、可操作的见解；
智能警报促进了积极主动的早期干预；
自动起草通信内容使与跨职能团队成员的协调更加有效。

这些工具还有望通过自动分析、主动应对注册挑战和促进协作来加快注册速度。

用例二：智能数据管理

如今，数据管理是一个高度劳动密集型的过程，需要逐个试验手动配置电子数据采集系统，并对输入的患者数据进行详细审查和核对。

通过结合传统和生成式AI功能，数据管理可以在多个步骤中实现自动化。数据库可根据方案一键创建，病例报告表可根据方案、患者资料和就诊类型自动生成。然后，可以实时审查和自动清理数据，并根据试验背景、患者状态和研究机构的行动智能、高效地自动生成查询，从而在数据库锁定前将注意力集中在需要解决的最关键数据缺口上。

用例三：监管情报引擎

在临床开发过程中，制药公司必须回答监管机构提出的问题和要求，即HAQ（Health Authority Queries，卫生部门问询），往往会造成瓶颈，从而延误新疗法的审批和上市。

生成式 AI 支持的智能引擎可以在三个方面提供帮助：

预测特定申报的潜在 HAQ 模式；
快速制定适当的申办人回复；
以及为申报策略提供更深入的智能。

例如，生成式 AI 的预测分析可以帮助团队主动预测 HAQ，从而减少其数量，包括初始和后续数量。所产生的洞察力将为监管战略、风险管理和更广泛的研发战略提供依据。

用例四：主要申报内容撰写

作为监管审查前的最后一步，申报材料的撰写必须尽可能快速准确，以实现或加快上市时间线。然而，起草临床研究报告通常需要八周或更长时间才能完成。

基于生成式AI 的工具可以在几分钟内而不是几天内，根据基础方案、统计分析计划以及表格、列表和数字生成 “80% 正确”的初稿，从而使跨职能利益相关者能够通过对话提示进行快速协作迭代，从而将这一时间几乎缩短一半。这样，医学撰稿人就可以腾出手来，专注于需要更复杂临床解释的卷宗部分。

3. 运营：重新构想运营绩效的下一个前景

制药运营价值链包括采购、制造、质量和供应链，而生成式AI有望改善所有这些环节。

首先，该技术搜索和分析大量文本、图像和其他数据源的能力将产生丰富的新见解。然后，它的内容生成能力将使团队能够开发复杂的数据表示（文本、视觉、音频和其他格式），以适应特定的环境。最后，生成式 AI 的对话能力（同样是多种形式）将使与用户的互动更加高效和令人满意。

用例一：增强采购

采购流程往往低效且耗时：品类经理在评估招标书或其他呈件之前，必须对市场条件、供应商信息和定价数据进行研究和分析。

生成式AI谈判咨询机器人可以生成招标书、采购订单、发票和审查回复的初稿，从而改善流程。该技术还可以通过查找和分析以往谈判的相关模式和结果来帮助谈判者。一旦供应商加入，生成式 AI 就能实现更智能的合同管理，并对类别和供应商绩效进行主动监控。

用例二：面向制造业的AI虚拟助手

基于生成式 AI 的虚拟助理将通过快速查找相关标准操作程序、自动生成可重复的正确第一时间操作的检查表和指南，以及帮助主管实时监控和管理生产线性能，来帮助优化药品生产。虚拟助手还能实现预测性维护，通过标记潜在的生产线故障、自动生成干预和故障排除计划和维护票据，以及通过计划维护优化维修和更换计划，避免停机。

用例三：改善质量调查

偏差管理（deviation management）对所有制药商都至关重要，必须遵守良好生产规范（GMP）和严格的监管要求。目前，识别和捕获偏差是一项艰巨的人工流程。例如，由于可用的集成数据和跨职能资源有限，对偏差进行调查是一项挑战，因此很难采取有效的纠正和预防措施，从而降低风险。

生成式 AI 可以帮助制药公司重新构想端到端的偏差调查和管理流程，它提供的工具有助于明确偏差的趋势、严重程度分类、潜在的根本原因以及相应的纠正措施。所有必要的报告都可以根据企业质量政策自动生成和审核，从而提高调查人员的效率和生产力。

用例四：无人指定计划和实时库存优化

尤其是在原材料供应短缺的情况下，库存问题会对生产时间线产生重大影响。但是，实时调整供应和生产计划充其量只是一件棘手的事情，需要专家现场判断来跟踪订单、识别瓶颈和优化网络。

生成式 AI 计划工具通过分析历史和市场趋势来预测需求高峰，预测供应链瓶颈和中断，生成主动干预计划，并通过盘点可用材料、当前客户需求和运营限制来帮助实时起草生产计划，从而解决这些问题。

4. 商业：与合作伙伴、供应商和患者建立更好的关系

当然，任何治疗方法只有在正确处方和服用的情况下才能发挥作用，这也是药剂师花费大量精力培养与医疗服务提供者、药剂师、保险公司和患者的关系并建立信任的原因。

生成式 AI 工具可以深化所有这些关系。内部品牌领导者将能够利用他们与医疗服务提供者、患者和其他合作伙伴的密切关系，实时调整营销策略。医药专业人士和患者将掌握大量数据，从而做出更快、更明智的决策。

最后，该技术的内容生成能力将使营销过程的许多方面转移到企业内部。外部广告公司将继续发挥重要作用，但可能会专注于他们擅长的任务，如创新、创意、媒体规划和谈判。

用例一：个性化内容创作

如今，创意和制作流程几乎完全外包给了代理公司的设计师，他们根据客户提供的内容简介研究和起草营销材料。多次迭代反映了营销人员以及医疗和法律审查人员的反馈意见。

目前的大型语言和多模态模型可以简化这一繁琐、资源密集型的过程。例如，生成式AI可以标准化并加快前期创意设计流程，同时为创新留出空间。在短短五天内，营销人员就可以创作出初稿和创意概念，在交给代理合作伙伴进行创意提升和制作之前，就可以与审核人员分享。

生成式 AI 还可以根据传统 AI 和数据分析模型的定量反馈，为营销人员提供前期活动创意，供其完善。

用例二：医疗和法律审查协助和自动化

医疗、法律和监管流程是生命科学产品营销的关键组成部分，其目的是确保所有广告和宣传材料准确无误并符合监管要求。目前，审查员需要手动审查提交的内容，突出新的主张，识别先例，并跟踪不同类型数据源的相似性。

生成式 AI 工具以多种方式简化了这一流程：跟踪以前批准的材料和参考文献的重复使用情况，自动审查材料中可能存在问题的语言，借鉴以前批准的语言即时提供合规的重新措辞选项，以及通过自动确保审查人员保持在环路中来加速合规性检查和加快审批流程。

用例三：增强客户助手

营销人员、现场代表和其他面向客户的团队成员掌握着前所未有的大量信息。他们通常缺乏的是在正确的时间综合正确见解的有效方法。

为了提高市场分析师的工作效率，正在开发生成式AI工具，以便按需检索、总结和综合非结构化数据（如文本和图像）和结构化信息（如表格和数据库）。这将使宣传活动更加有效，并使现场工作人员与护理提供者之间的对话更加丰富、更有针对性。

用例四：产生战略洞察力

如今，品牌负责人和营销人员花费大量时间和资源来综合业务和市场洞察，目标是将品牌问题与假设联系起来，确定分析方法，发掘有关竞争对手的竞争情报，并创建具有连贯品牌叙述的引人注目的文件。一个经常出现的问题是，营销人员在综合各种信息来源方面花费了太多时间，而在解释数据以就品牌方向做出关键决策方面却没有足够的时间。

生成式 AI 的交互式搜索功能可以帮助营销人员从客户研究和数据集、医生和患者数据、政策变化、法律发展和配方影响等来源中获得更深入的见解。这些洞察力将有助于识别并加深对客户旅程模式的理解，同时为客户细分提供信息并丰富细分内容。

用例五：优化患者体验

许多患者会停止服用处方药，或者根本就不开药。例如，在免疫学领域，约有一半的患者在第一年停止服用新药。由于处方报销的复杂性和新药层出不穷等多种原因，这种情况越来越常见，即使是那些从治疗中获益的患者也不例外。

生成式 AI 可以帮助解决这一重大问题，为患者和医生办公室提供有关报销和适当护理选择的按需见解。该技术还能帮助将关键问题上报给专家，同时为患者和医生办公室提供一系列自助服务工具。所有这些都能提高患者的依从性并改善治疗效果，部分原因是该技术能通过提高患者服务团队的技能来满足未得到满足的需求。

5. 医学事务：更智能的医疗服务提供者，更健康的患者

与其他生命科学领域不同，医学事务（medical affairs）既不创造收入，也不专注于提高商业绩效、销售或盈利能力。相反，医学事务团队通过在生物制药公司和医疗服务提供商之间开展值得信赖的科学交流，在支持患者护理方面发挥着关键作用。这项高度规范的工作的核心是一系列用于审查、综合和交流科学知识的流程。所有这些任务都可以通过生成式AI加以改进。

用例一：生成客户洞察力

医学联络官（MSL）专业人员需要花费数小时与客户互动，以便更丰富、更全面地了解疾病领域和患者护理方面的外部科学和临床观点。这些互动对制药行业来说是至关重要的学习机会，而能够系统地从中获取见解一直是医疗事务团队的目标。

在征得适当同意和隐私保护的前提下，大型语言模型可以帮助充分利用这些互动过程中产生的丰富数据：它们可以综合和分析见解，提高现有自然语言处理方法的性能，帮助总结和澄清每年数以千计的讨论。

例如，通过识别临床医生在数以万计的对话中提出的共同主题。这些见解可以更好地为开发领域提供信息，确保疗法更有效地满足患者和医疗服务提供者的需求。

用例二：更敏锐、更高效的医疗沟通

生成式 AI 模型可以加快医疗信息请求回复、科学报告、非专业摘要以及与内部和外部利益相关者的日常沟通，从而大幅缩短制作技术和科学文件所需的时间。

除了生成内容外，生成式AI工具还可以帮助审查和调整内容，从而提高工作效率并加快工作流程。例如，医疗信息专业人员必须经常回复临床医生的电子邮件，询问有关临床试验或证据的信息，以改善对特定亚群患者的治疗。

目前，这项时间密集型任务往往需要多人来理解问题、识别适当的文献并综合回复。生成式 AI 可以帮助筛选收到的请求，消化相关内容，甚至生成答案的初稿，这样医疗团队就可以利用可能更广泛的科学证据基础，更迅速地做出回应。

用例三：科学和医学文献的快速摘要

医学事务团队面临的另一个挑战是，如何向外部利益相关者提供专门针对其需求定制的科学内容。这些内容的技术性质和遵守监管标准的需要意味着，MSL 必须经常向利益相关者提供冗长的科学文件，如已发表的研究论文或冗长的演示文稿，尽管他们实际上更希望得到更有针对性的回应，例如对特定问题的回答。

医学事务团队可以使用根据已批准内容训练的生成式AI工具，快速整理出量身定制的材料，包括文本、数据表、数字、信息图表、视频和音频。

Part 3

从用例到规模：为生成式AI重新布线

以上用例可以在发现、开发和向患者提供疗法方面带来模式转变，但转变不会偶然发生。要想真正实现生成式AI的价值，关键是要为最终的扩展设计系统，而不是将该技术作为一系列孤立的解决方案来实施。

行业需要的是一项与科学和商业价值明确相关的综合战略，并辅以强大的技术基础设施，包括端到端技术堆栈和对不断发展的AI环境的认识。

在许多情况下，最成功的模式是“产品-平台方法”（product–platform approach）：IT 企业集团牵头开发适当的平台基础设施，包括关键的企业组件，如安全、数据治理和成本跟踪，并提供用于创建用例（或产品）的应用程序接口。公司开发最低可行性平台，以支持最初的用例，并随着时间的推移不断改进，使其能够支持日益复杂的用例。

为了实现这一切，制药公司需要重新规划其运营模式，常犯的一个错误就是在管理数字化转型时走两个极端。

一种是高度分散的方法，即组织同时启动多个用例试点。虽然这种策略可以让企业快速发展，但往往会导致质量、成本和可持续性问题，以及阻碍知识共享和协同发展的业务孤岛。

另一种是自上而下的平台模式，集中决策，分阶段推出使用案例，这也存在问题。虽然这种方法具有成本效益，并允许领导者从一开始就建立规模，但它也很缓慢，而且往往令人沮丧。

因此，必须在这两种模式之间游走，不断努力在速度和创新与质量控制、财务纪律和组织对称的需求之间取得平衡。无论哪种模式，都需要确保手头有适当的人才组合，以及必要的指导方针和控制措施，以降低风险，确保利益相关者的信任和支持。

为了实现从实施用例到大规模创造价值的转变，制药业必须重新构想价值链的每一步，这就要求提出有关结构、流程、技术、数据、人员和变革管理的重要问题。

结构

当一个组织制定了高层次的生成式AI战略和实施蓝图后，就需要解决是否拥有正确结构的问题。哪种组织结构能最好地支持战略要求。例如，以产品为中心的方法还是集中式卓越中心（CoE）模式？如何最终确定有关关键战略问题（如角色、管理和员工规模）的高层决策？如何在整个组织中考虑风险和合规性？

当然，一旦必要的结构到位，组织就必须对变革持开放态度，并允许它们随着时间的推移而发展。

流程

新的生成式AI工具将涉及制药专业人员工作方式的渐进式变革和根本性转变。战略家和决策者需要利用AI快速分析和综合信息的能力，但同时也要注意技术的局限性。

研究人员和创意人员在集思广益时也是如此。随着通信日益自动化，团队可能需要重新思考他们的合作方式。如果实施得当，这些调整将使员工专注于高价值活动，并从根本上重塑整个组织的角色。

技术

许多组织都在尝试 ChatGPT 等基础模型，但麦肯锡的研究发现，LLM 本身仅占整个生成式AI解决方案的 15%。

要真正推广这项技术，企业必须设计和调整全面的端到端技术堆栈，优先选择模型，并考虑信息安全、面向任务的性能和延迟方面的具体需求。

随着许多更简单的应用趋于商品化，企业还必须审慎地平衡从外部供应商购买解决方案与在内部构建解决方案之间的关系。

最后，企业在扩大AI计划的规模时，经常会面临不可预见的成本。这就凸显出需要强有力的财务管理和财务运营（FinOps）框架，以进行细致的预算编制、警惕的监控和高效的资源管理，从而实施AI技术。

数据

AI的有效性取决于组织的数据质量，必须不断丰富数据，以便在内部职能部门之间共享。

为了实现战略差异化，制药企业必须对专有数据进行投资。在这两种情况下，它们都必须创建和管理标签数据集，以量化、衡量和跟踪AI应用的性能。

在此过程中，企业还需要应对现有的数据质量和整理挑战，如冗余、过时和相互冲突的信息，同时确保AI模型具有正确的上下文，以准确响应指令。

人员

AI加速了变革的步伐，这将要求企业以不同的方式思考他们需要哪些技能，以及从哪里找到这些技能、招聘新员工、提高现有员工的技能，或者将合适的人才动态分配给适当的优先事项。

外部招聘并非易事。自 ChatGPT 于 2022 年底发布以来，与AI相关的职位列表数量已经翻了两番。根据麦肯锡的研究，仅在生物制药领域，自 2018 年以来，前十大制药公司中与 AI 相关的职位发布数量每年增长 43%。

只有企业保持正确的工作环境，才有可能吸引和留住AI人才：动态的（可能具有颠覆性的）生成式AI用例、现代化的技术堆栈，以及促进实验和技能发展的敏捷工作模式。

招聘只是一部分。许多在职员工需要提高技能，以满足不断变化的工作要求和当前角色的新需求；其他员工则必须开发新的技能，以胜任新的角色。公司必须制定大规模的技术技能提升计划，由懂技术的领导者领导，以确定可以提升技能的岗位，监控最近接受培训的员工的表现，评估该计划对业务目标的影响，并随着需求的变化不断寻找新的候选人。

变革管理

即使是渐进式变革也会造成不稳定，因此变革管理对于任何组织转型都至关重要。

为确保持续大规模采用AI技术，组织应采用一种影响模式，促进思维和行为的转变。包括首席执行官在内的整个组织的领导者必须为受AI影响的利益相关者提供指导、资源和动力。

领导者不仅要传播转型故事，以建立认知、激发兴趣、促进信任并消除误解或担忧，还要参与持续交流，以帮助确保大规模持续采用AI技术。

此外，企业必须调整工作流程和角色，将AI融入日常活动中。在向用户推出AI之前，组织应培训员工了解其局限性、优势和风险，以及提示的结构。最后，为了营造变革的势头，企业应创建早期使用者拥护者团队，以推动AI用例的部署并证明其价值。

Part 4

负责任的AI和降低风险

在讨论生成式AI的前景时，不可能不考虑其固有的风险。

虽然这些风险对所有行业来说都相当大，但对制药业来说尤其如此，因为制药业不仅面临着独特而复杂的监管环境，而且对知识产权侵权和数据隐私的担忧也日益加剧。

考虑到疾病治疗的高风险性质，生命科学公司更有必要仔细评估生成式AI带来的风险，并制定政策和防护措施来降低风险。现成的生成式AI模型将难以部署。相反，这些公司应寻求通过定制的技术解决方案、适当的控制和强有力的人工监督来降低风险。

制药公司还必须明白，不同的用例和不同的领域面临着不同的风险。

例如，医学事务就是一个充满挑战的环境，因为建议会直接影响患者的生命。相比之下，在研究领域，生成式AI的“幻觉”（hallucination）导致实验失败的风险后果并不严重。在某些情况下，幻觉可能实际上是有帮助的，例如，如果一个模型提出了一种从未被考虑作为潜在治疗方法的化学物质。

一下是管理人员需要考虑的一些风险：

模型不准确：制药公司面临着因数据贫乏或不完整而导致生成式AI幻觉的风险。它们可以通过在生成式AI内容周围设置防护来降低这种风险。例如，确保在将其分发给供应商或患者之前由人工进行审核。底线是：AI永远不应该成为最终决策者；相反，它应该加速人类工作人员的决策制定。

知识产权侵权和数据隐私：基础模型通常包括大量基于互联网的数据，这已导致涉嫌侵犯版权、剽窃和其他形式的知识产权侵权。这种风险在生命科学公司中尤其高，因为围绕患者医疗数据的数据隐私法规异常严格。例如，许多国家要求这些信息必须保留在国内服务器上。为了避免侵犯知识产权，使用基础模型的企业需要适当的防护措施，例如对模型进行有关自身知识产权的培训，并将知识产权保护写入与外部供应商的合同中。

监管合规：正在计划近期颁布对AI产生具体影响的AI法规，尽管各国的法规有所不同--例如，欧盟拟议的AI法案、美国联邦和各州法律，以及中国的《生成式人工智能服务管理办法（征求意见稿）》。由于美国食品和药物管理局（FDA）及类似机构对广告和宣传材料内容的监管力度加大，商业制药面临更多风险。制药公司可以直接在内容生成模型中嵌入防护，并确保人类始终做出最终决定，从而降低这些风险。