GenAI技术的发展日新月异，但有一点可以确定，那就是它拥有改变制药行业的潜力。现在摆在我们面前的问题是，如何利用其潜力实现价值最大化。

BCG开发的“六要素框架”可以帮助企业应用GenAI技术在整条价值链（包括潜力、平台、合作、流程、政策与人员）上创造真正的价值。上述六个方面都十分重要，但在这份我们与微软联合撰写的报告中，我们将重点关注前三个要素，它们也是制药企业最应关注的当务之急：

• 潜力。对所有可能的选项进行评估，找到潜在价值和可行性最大的业务用例。

  
  

• 平台。建立必要的数据基础设施，包括基础大模型的选择和AI工具链，以及践行负责任AI原则的管理机制。

  
  

• 合作。通过与能够及时提供最新技术平台、工具、服务和战略性专业知识的合作伙伴建立合作关系，快速建设相关能力。

制药企业在价值链的各个环节面临着许多重大挑战。首先是研发阶段，不仅投入巨大，还存在着无法规避的风险，效率又相对低下。市场及营销方面，如何向核心利益相关方提供有针对性的信息，让患者能在正确的时间获得正确的治疗，相关人员也是绞尽脑汁。而GenAI则有望为上述领域面临的许多问题带来解决方案，使企业能够获得新数据池，并使用极具潜力的新技术来处理和分析这些数据，从而更快地将新产品推向市场。

在医疗卫生领域，GenAI解决方案的市场正在快速增长（参阅图1）。BCG最近的一项分析预计，医疗卫生领域，GenAI技术的市场规模将以85%的复合年增长率增长，到2027年底，其估值将从目前的约10亿美元增长到220亿美元。

新出现的一系列GenAI产品在企业的各个方面几乎都能发挥积极作用，可以提升岗位和部门的业绩表现，全面提高从研发到商业活动等各领域的效率和生产力水平。截至目前，90%的调查对象表示其所在组织已经开始开发GenAI能力。

要想选好应用GenAI的最佳切入点，从而在整个企业最大限度发挥该技术的价值潜能，制药公司的领导层面临着许多关键选择。从我们与客户合作的经验来看，要想尽快取得进展，应着力从潜力、平台和合作三个方面入手。

企业要明确其在价值链上面临的最大挑战和机遇，考虑不同的GenAI解决方案并从价值和技术可行性方面展开评估，而不只是简单地进行试验。

在进行价值评估时，制药企业可以采用以下几种方法：

• 进行A/B测试。例如，在达到相同结果的情况下，将传统实验室的实验成本与电脑数字模拟实验的成本进行比较。

  
  

• 对使用GenAI在缩短新产品研发时间、提高经常性行政流程效率和改善生产运营质量管理等方面可以节省多少成本进行模拟。

  
  

• 通过全新工作方式对协同效应进行评估，例如通过提供有关客户或细分市场的新见解，对商业团队进行赋能。

图2按潜在价值和技术可行性对一系列GenAI解决方案进行了排布。借助这种方法，领导团队可以确定那些简单直接且能够快速应用的用例（比如用于支持职能部门或商业部门运营的用例），并优先加以考虑，以便在扩展自身能力的同时增强转型动力。然后，他们可以转向更高级的应用，如研发领域的用例，这些应用的潜在价值更高，但也更为复杂。

确定GenAI项目组合后，企业即可付诸实践，同时还可以为相关技术、能力和文化的发展打好基础。从各大领先企业的经验来看，最好指定一个核心团队来负责协调所有GenAI工作。该团队应由具有数据科学、人工智能和制药等背景的专业人才构成。

要想取得成功，企业必须平衡好内部专业知识与外部战略、技术知识之间的关系，这一点至关重要。有制药企业高管在接受我们调查时表示：“在数字化成熟度方面，我们最大的成功就是提升了员工的技能水平。我们在多个国家建立了数字卓越中心，配备了数字化、数据、IT、人工智能和云计算等领域的专家。”另一个成功因素是要培养强大的创新文化，减少内部阻力，并制定适当的治理措施，使项目团队在开展实验、测试新概念、新应用时能有明确的授权。

另一项优先任务是要找出并采用最佳的投资模式。GenAI的价值显而易见，但正如一位制药行业数字化工作负责人指出的那样：“优先发展AI项目而非现有项目没那么容易。”企业不应要求各业务部门和职能部门自筹资金发展自己的GenAI项目，而应采取面向中长期的中心化建设方式，类似前文提到的卓越中心。随着时间推移，在能力逐渐成熟、项目开始产生价值后，企业再将相关项目列入部门预算之中。

制药企业最应关注的第二大重点是搭建合适的平台，尤其要关注云计算、数据和AI基础设施。我们在调查中发现了一个令人担忧的问题，即只有55%的制药企业表示自己拥有相应的数据成熟度和专业知识，能够在短期内建设出可以实质性运作的GenAI能力。企业训练AI模型时所用数据的质量和数量会对模型的性能和能力产生极大影响。数据不仅会影响模型预测的准确性，还会决定其生成新内容的能力。此外，通过在技术栈各层面迅速融入AI技术，公司可以让几乎每一位员工、每一项业务流程都变得更有效率。

如今，随着端到端统一数据分析平台的出现，企业不再需要投入时间和资金将一系列复杂且互不关联的多模态健康数据源融汇成企业的数据湖。例如，位于芝加哥的学术医疗系统——西北医学中心（Northwestern Medicine）最近就应用了一个集成平台，可以从多种来源收集临床数据，在满足监管机构对信息交换要求的同时，还能借助数据和AI技术获得更多洞察力。

制药企业也可以采用类似方法，利用具有统一架构的集成平台，帮助开发人员从数据中获得更多洞察，并将之呈现给商业用户。如此一来，其将能够在整条价值链（从研发到商业职能）的各种应用中用GenAI创造价值。

与此同时，最佳技术解决方案仍需要持续评估和迭代，在GenAI技术不断进步的当下，这项工作显得尤为重要。例如，作为一种全新架构，检索增强生成（retrieval augmentation generation）可以借助能够提供数据的信息检索系统来增强大型语言模型（LLM，如ChatGPT）的能力。同样，提示词工程（其中包括为LLM设计提示词）和微调模型也在不断进步。

要想确保新项目符合企业的核心价值观和道德规范，必须建立起以数据安全、隐私保护、合规和负责任AI原则为核心的治理机制，这一点至关重要。与普通企业相比，在AI方面较为成熟的制药企业在采用GenAI时将负责任AI定为关键标准的可能性高出两倍。企业必须以明确的态度和前瞻性视角来看待这个问题，还要考虑以下原则：

• 公平性，防止训练数据出现偏差。

• 可靠性与安全性，确保结果和输出（如病历摘要）的准确性。

• 私密性与安全性，防止患者数据泄露。

• 包容性，确保考虑到各类人群的具体情况和便捷使用。

• 透明度，确认临床信息的来源可验证、可审计。

• 责任性，确保企业遵守法律和监管要求。

这是我们今天要讨论的第三大因素，可能也是应用GenAI时最重要的因素。制药公司可以通过与其他拥有战略优势和技术专长的实体进行合作，在起步阶段加快推进相关工作。

无论哪个行业，精通数字和AI技术的人才都是备受追捧的“香饽饽”。虽然制药企业在进行初步概念验证和试点测试方面的能力日益增强，但要想训练AI模型、构建端到端数据系统、全面整合用例，可能还需要付出高昂成本。如果能够尽早利用外部专业知识和资源，建立战略合作伙伴关系，则可以帮助企业在建设AI能力、创造价值方面更快取得进展。

从早些时候企业在数字化转型中经历的挣扎我们可以看出这种合作的价值。当时有些企业试图仅依靠内部人才的专业知识（或仅在企业内部培养员工掌握新技能）来推进相关工作，结果在竞争中落于下风。这些组织投入了宝贵的资源，却未能跟上技术的不断变化。制药企业应从这些经验中吸取教训，通过与已经具备相关能力和解决方案的创新公司合作，加快GenAI的应用进程。

至关重要的是，借助此类战略合作，企业可以跳过试点阶段，直接规模化应用那些成功的AI用例（此类项目往往需要具备深厚的数据科学专业知识和制药领域知识）。通过采用整体方法，企业可以确定适合自己的全新商业模式和收入来源，从而利用该技术打造长期竞争优势。从长远来看，相关合作还可以不断发展，引进其他参与者，从而产生网络效应，为所有参与者打造一种能够创造价值的生态体系。

正如一位高管所言：“制药企业在数据、专业知识和工具等方面需要合作伙伴的支持。”另一位高管也持类似观点：“全靠内部挖潜不仅风险大，成本还高。我们认识到，既要发挥内部知识的作用，也要制定高效的合作伙伴网络战略，这才是成功的关键。”

● ● ●