生命科学+生成式AI：破局规模化部署难题

生成式AI试点项目已初显成效，展现出良好前景，但对生命科学企业而言，若想借助该技术撬动颠覆性商业价值，尚需重新审视如何对其进行大规模部署。

2023年7月，麦肯锡全球研究院的研究人员便预估，生成式AI可为制药和医疗科技行业释放年均600亿至1100亿美元的经济价值。从新疗法的研发路径、营销模式到医生的应用方式，在整个价值链的各个环节，生成式AI都有望提升生产率与创新水平。6个月后，麦肯锡专家继续深挖这些数据，识别出超过20个在短期内最具潜力的用例。

在生成式AI商业用例不断涌现的背景下，我们决定深入探究生命科学企业在挖掘这一价值方面的进展情况。2024年夏末，我们对超过百位制药和医疗科技行业领导者进行了调研，这些领导者均负责推动所在机构的生成式AI工作。所有受访者均表示已对生成式AI开展试验，32%的受访者称已采取措施推动该技术的大规模应用。但仅有5%的受访者表示，他们已将生成式AI转化为一项竞争优势，能够持续创造显著的财务价值（见图1）。即便如此，逾三分之二的受访者计划大幅增加对该技术的投资，表明企业对生成式AI仍持乐观态度（见图2）。

为何众多生命科学企业虽已部署生成式AI，却成效不彰？少数表现优异的企业又具备哪些独到之处？本文将揭示生命科学公司最常面临的困境，给出相应解决方案，助力企业走出试点僵局，实现大规模部署，切实创造商业价值。

挑战一：企业战略模糊、短视或缺失

约75%的受访者表示，所在企业缺乏对生成式AI的全面愿景，既没有精心规划的战略路线图，也未制定与业务重点紧密挂钩、明确界定的成功衡量标准。相反，企业往往采取去中心化的方式，逐一探索具体用例。这种通过试验获取短期价值的本能行为，加之许多生命科学企业各自为政的职能主导型架构，导致企业在推进规模化应用时遭遇重重困难。

麦肯锡的研究表明，如果企业高管层未能围绕业务驱动的路线图达成共识，数字化转型往往难以成功。若企业缺乏针对生成式AI的明确战略定位，无论是自上而下的强制推行，还是由卓越中心主导的协调一致的企业路线图，各业务部门就只能在不断变化的技术环境中各自摸索，零散推进各种新的用例设想。即便这些设想颇具吸引力，往往也难以整合为一个能带来实际价值的战略。

挑战二：缺乏人才规划与技能提升举措

当前，生命科学企业的技术人才主要具备传统IT、数据科学及产品开发背景。而这种传统人才模式难以支撑企业级生成式AI解决方案的高质量与高性能要求，例如智能体架构设计、模型验证、大语言模型（LLM）运营及模型微调等。尽管如此，仅有6%的受访者表示，所在企业已开展基于技能的人才评估，以明确如何调整人才战略，确保组织能力与生成式AI的发展需求相匹配。

提示语工程已成为制约企业生成式AI应用落地的一个关键瓶颈，尤其是在较为复杂的生成式AI应用中。例如，某生命科学企业曾尝试利用生成式AI起草监管文件，却发现提示语工程师不仅需要深厚的监管专业知识，还需具备严谨的工程思维，才能构建出可扩展的提示体系，以确保生成可提交的内容。这一专业性复合型人才需求使得企业难以填补相应岗位。

挑战三：运营模式与治理体系不清晰

在推动生成式AI转型时，企业领导者往往面临两种极端选择：一种是高度去中心化，即同步推进多个试点用例。这一方式虽然短期内进展迅速，但容易造成质量失控、成本飙升及可持续性不足的问题，并可能形成知识孤岛，削弱协同效应。另一种则是通过完全自上而下的模式，分阶段部署用例。这一模式往往推进缓慢，影响士气，打击项目动能。

某企业在这两种模式间摇摆不定。最初，该企业一口气启动了1500个生成式AI用例，但由于管理难度过高，不得不改为严格的自上而下治理模式，却又引发了一系列新问题。项目审批流程繁琐，耗时长达两到三个月，严重制约了创新渠道。

挑战四：低估流程再造对规模化落地的影响

企业若要成功部署生成式AI，必须将其深度融入企业复杂的工作流程中，以推进广泛采用和实际影响。这一现实突显了变革管理的重要性。麦肯锡研究发现，70%的数字化转型失败并非源于技术问题，而是由于领导层对变革管理的忽视。事实上，为了成功推进能力建设、技术普及、组织认同及长期价值兑现，每投入1美元用于技术，就需要额外投入5美元用于变革管理。

例如，某企业设立了卓越中心，试图打造一个可支持多个用例的广泛生成式AI平台。然而，由于缺乏引人入胜的变革愿景和全面的端到端规划与考量，导致一系列生成式AI工具最终乏人问津。

挑战五：对风险管理认识不足

生成式AI在带来前所未有机遇的同时，也伴随着幻觉、不准确性、偏见以及知识产权保护等诸多独特风险。然而，35%的受访者表示，每周与风险部门同事的协作时间不足10小时，这种关键职能间的有限协作状况亟待改变。要成功实现生成式AI应用规模化，业务领导者、技术团队及风险管理专家必须从项目启动阶段就进行深度协作。否则，问题可能在后期才暴露出来，导致解决难度大增，或难以遵循风险与合规规范，而这些规范对于在机构内建立信任至关重要。

例如，某企业曾花费数月时间开发一款面向外部客户的生成式AI工具，但由于未能在早期与数字、医疗及法律团队充分对接，最终在产品完成后才暴露出严重的风险问题，不得不取消发布。这一事件给生成式AI团队的计划、士气及发展势头造成了沉重打击。

要成功扩大生成式AI的应用规模，充分释放其价值潜力，仅靠技术部署远远不够。技术创新日新月异，成功的生成式AI战略需摆脱传统技术项目的窠臼，追求动态演进、情景驱动，并积极融入广大生态系统。要真正实现规模化应用，企业需要从战略、人才、治理及风险管理等多个维度进行系统性变革。

基于经验，我们总结出五大核心策略，帮助企业突破零散试点的局限，加速迈向企业级规模化落地。这些策略不仅有助于企业高效探索生成式AI，更能确保其深度融入运营体系，最终实现可衡量的业务价值。

• 聚焦业务领域。成功的AI战略不能建立在一系列孤立的用例之上，否则容易导致资源分散，错失机遇。企业必须将重点转向领域驱动的转型，围绕核心业务板块推进AI变革，如商务、医疗或研发等领域。调研显示，38%的生命科学企业将研究领域视为生成式AI战略的首要任务，其次是商务领域，占28%（见图4）。

  
  

  这一方法确保生成式AI不只是又一种技术工具，而是推动业务转型的核心引擎。与单纯为技术而技术不同，优先围绕核心业务推进AI落地的企业，更能充分释放其价值。换言之，生成式AI不应被视为独立的战略目标，而应成为企业达成更广泛商业目标和战略目标的关键杠杆，助力企业在市场中打造差异化优势。从业务优先的视角出发的企业在扩展AI项目规模方面的成功率更高。

• AI转型不止于技术。生成式AI的规模化应用不仅仅涉及新技术的落地，更关乎对企业运营模式和文化的深度变革，以支持AI驱动型的新工作方式。这也体现在人才战略上：企业需要突破传统IT和数据科学的局限，引入AI工程、大语言模型微调、业务翻译等新技能，以弥合技术落地与业务价值创造之间的鸿沟。若缺乏全面的人才结构调整，生成式AI的规模化落地将大打折扣。此外，企业必须确保生成式AI的实施能够带来可量化的业务价值，比如加快产品上市速度、提升生产率或提高成功率等。

  
  

  例如，某生命科学企业启动了企业级人才技能提升与规划项目，为业务和技术团队提供针对性培训。并设立专职的生成式AI领导岗位，以推动持续的组织变革。凭借合适的人才和领导团队，该企业的生成式AI转型取得了远超预期的成效。

  
  

• 采用生态系统思维。在AI生态系统快速演进的背景下，企业不能孤军奋战，而应积极拓展外部合作伙伴网络，打造低成本、高灵活性的合作体系，以增强适应性和应变能力，把握市场新机遇。同时，企业应设立明确的“触发点”，决定何时从试验性合作升级至更深入的战略投资。这种机制能够确保企业保持敏捷性，基于实时洞察和市场动态，扩大或调整AI投资不具。

  
  

  此外，企业应积极与学术机构、科技公司、风投基金等生态伙伴建立联系，确保自身始终站在行业创新前沿。仅依靠内部能力已不足以在AI竞赛中取得领先地位。通过借助外部资源，企业可以更高效地获取AI领域的创新成果，并转化为可落地的业务价值。

  
  

• 始终坚持“平台驱动”策略。平台驱动策略是确保生成式AI项目具备可扩展性、可持续性，并能跨业务领域复用的关键。通过构建可扩展的AI平台，企业能够推进基础设施、数据管道及开发流程的标准化，使每个新用例都能建立在已有成果之上。这不仅能减少重复建设成本，还能促进业务部门间的协同，提高AI应用的整体一致性。同时，平台化策略有助于避免AI项目成为各自为战的孤立尝试，而是融入一个统一框架，使其能够灵活适配不同业务场景。这不仅能降低成本，还能加快价值实现进程，因为一个领域的洞察可应用于其他领域。

  
  

  例如，某生命科学企业秉持“欲速则不达”的理念，取得了成功。该企业前期投入三个月时间为AI洞察和文档平台制定了详尽的蓝图。这一举措确保了平台内组件的复用性，使得后续AI用例的扩展效率大幅提升。

  
  

• 将风险管理贯穿产品开发生命周期。企业在部署生成式AI时常犯的错误之一，是将风险管理视为后续补充，或认为其会妨碍创新。事实上，风险管理应贯穿AI产品生命周期的每个阶段。生成式AI伴随特定的风险，例如模型幻觉、内容偏见、数据安全及知识产权问题，因此需要精细化管理。

  
  

为有效管控这些风险，企业应确保业务领导、风险管理团队及合规部门保持紧密协作，在早期阶段建立清晰的治理框架，并制定严格的AI伦理准则，以应对公平性、透明度及责任归属等问题。

在监管严格的生命科学行业，风险管理尤为关键。例如，某企业主动建立了AI风险防护体系，以应对不断变化的法规（如《欧盟人工智能法案》）及技术局限（如概率模型的不确定性）。该企业在产品开发启动前，便确立了明确的、负责任的AI要求，包括强制可观测性、验证协议及人机协作的指导原则。

一个成功落地的生成式AI项目呈现怎样的面貌？某生命科学公司率先捕捉到生成式AI的机遇，并迅速在企业内部各领域推进了全面转型。他们组建了高层特别工作组，统筹生成式AI战略，同时设立跨研发、业务、医疗和运营等关键领域的治理机构，要求各领域选定一个高价值潜力用例，争取高管层支持。

该企业在概念验证阶段即着眼于未来的可扩展性，并利用前期经验将可复用组件整合到具体领域的平台中。同时，技术团队与业务团队从项目初期便保持紧密协作，确保所有生成式AI解决方案都能满足核心业务需求，推动实现技术采纳与价值交付所需的流程变革。

此外，该企业积极与生态系统伙伴合作，引入行业内外的经验和资源，并建立“阶段性审核机制”，精准筛选出那些在不同治疗领域和地区具备大规模推广潜力的合作方案，集中优势资源重点投入。

企业领导团队精心塑造极具说服力的变革理念，着重强调生成式AI方案旨在增强员工能力，而非取而代之，比如帮助员工应对日益繁重的工作任务。同时，企业部署了专业的变革管理团队，全方位推动项目落地实施。他们为首批用户提供贴心服务，将这些早期使用者培养为变革大使，构建自下而上的发展动力。该企业明确了一系列影响指标，并在定期举行的治理会议上进行跟踪与评估，确保生成式AI项目按计划扩展规模，切实产生商业影响。

这样的成功案例并非个例。生命科学企业的领导者应当认识到，若想充分挖掘生成式AI的潜在变革价值，仅靠零散的试验或个别的用例部署远远不够，还要将其深度融入组织运营中，实现战略转型。在生成式AI发展的下一阶段，企业务必采取有的放矢的策略，推动与业务战略保持一致，确保实现可扩展性和可持续性。当下，正是生命科学领域领导者们引领变革的关键时刻，他们有望借助生成式AI的强大力量，彻底革新药物研发和患者护理方式，最终收获卓越的商业价值。