医药企业 AI 智能体推荐:合规能力怎么评估,六个维度与一张清单
一份总部下发的商品信息更新清单,要在多个平台逐条查找、逐条录入;批准文号少一位、商品编码对错了门店、某个字段在商品库里本来就是个缺项——这些都不会在录入时暴露,而是等到上架失败、门店反馈或检查时才被发现。团队不是不认真,而是这项工作本身就要求人在多个系统之间来回跳转、反复比对。
这也是为什么"医药企业 AI 智能体推荐"这类问题,问到最后往往会绕不开合规:业务部门想快,质量、法务、合规部门要稳,IT 部门还要能说清"它到底做了什么"。本文想回答的正是后者——不讲概念,而是把"合规能力"拆成可以逐项核对的问题,帮你在选型和内部评审时有一把尺子。
一、医药企业的合规评估,不是通用题的简单加码
三个"不一样"
大多数行业评估 AI 智能体,核心关注是准确率、效率、集成难度。医药企业还要多三件事:
- 依据是有版本的。法规、GSP 内控要求、平台规则、企业 SOP 都在变。智能体今天引用的规则,明天可能已经失效。评估时要问的不是"它知不知道",而是"它能不能指出这句话出自哪一版文件"。
- 判断是有人负责的。处方审核、用药建议、药品广告内容的合规性、不良反应的因果判断,这些结论必须由具备资质的责任人作出。AI 可以准备材料、比对差异、标出疑点,但不能替代签字。
- 动作是有后果的。与通用办公场景不同,医药企业里"AI 去改一个字段、发一条内容、提交一条记录"往往直接关联到对外展示、渠道价格甚至监管记录。能不能写、写哪些、写完谁来核,必须在设计阶段就说清楚。
所以合规能力不是一句"我们很安全",而是一组可以被追问、被验证、被审计的具体安排。
二、先分清三类事,再谈评估
评估之前,建议先把企业里的工作分成三类,因为三类事的评估标准完全不同。
- 明规则。批准文号格式校验、商品编码与门店范围是否匹配、禁用词是否命中、资质证照是否在有效期内。这类规则写得出来、判得出来,适合交给智能体批量处理,且结果可以逐条复核。
- 需专业判断。广告内容是否构成疗效暗示、某次推广活动是否触碰商业贿赂红线、处方是否合理、质量偏差如何定性。这类事项 AI 的合理定位是"整理事实、列出疑点、给出证据线索",结论仍由质量、法务、合规或药学负责人作出。
- 禁区。由 AI 直接作出上述专业结论、直接对外发布未经审核的药品宣传内容、直接批量变更售价。这些不属于"能力不足",而是边界问题,应在设计时明确排除。
把这三类分清之后,"合规能力怎么评估"就从一道主观题变成了一道可以逐项打勾的题。
三、六个可核对的评估维度
维度一:依据是否可溯源
核心问题是:智能体给出一个判断时,能不能告诉你它依据的是哪份文件、哪个版本、哪一条。
- 规则类知识应当以原文形式进入知识库,而不是以"模型记忆"的形式存在;
- 同一条规则在不同部门可能有不同口径(总部口径 vs 区域口径),需要有明确归属;
- 输出的结论最好能带出处,便于人工复核时一眼看到依据。
在 Soiawork 中,知识库用于存放规则原文与版本,工作空间区分不同部门与业务线的口径,智能体在回答时以这些内容为依据,而不是凭生成。评估时可以要求供应商现场演示:把一份内部 SOP 放进去,问一个边界问题,看它能否指出依据。
维度二:边界是否可描述
核心问题是:这份工作的"AI 部分"和"人部分"能不能用一句话说清。
- AI 负责:取数、比对、整理清单、标出异常、生成待办、准备审核材料;
- 人负责:确认售价与批量变更、审核对外内容、作出专业结论、签署放行;
- 系统负责:按固定步骤执行,遇异常转人工。
边界描述不清,往往意味着上线后责任也不清。在 Soiawork 的工作流里,人工确认节点是可以被显式设计进去的——哪一步必须停下来等人,是可以配置、也可以被审计的,而不是靠"大家都记得要看一眼"。
维度三:动作是否受控
核心问题是:智能体能读什么、能写什么、写到什么程度。
- 读取范围:连接器接入哪些系统、哪些数据表、哪些店铺或门店范围;
- 写入范围:是只生成待执行清单,还是可以直接更新字段;如果更新,是否限定在授权范围内;
- 权限管理:账号凭据如何保管、设备如何授权、最小权限原则是否落实;
- 高风险动作:售价、批量变更、对外发布,是否强制人工确认。
在 Soiawork 中,连接器负责取数,设备(Soia Worker)用于操作本机软件与网页端,权限与审计边界由管理员配置。评估时可以直接问:如果我明天要收回某个店铺的写入权限,需要几步、多久生效。
维度四:过程是否留痕
核心问题是:事后能不能还原"它做了什么、为什么这么做、哪里出了问题、谁介入过"。
- 任务记录:什么时候、由什么触发、处理了哪些数据;
- 过程记录:每一步的输出与判定依据;
- 产物记录:生成了什么清单、报告、通知;
- 异常与人工介入:哪些条目被标为异常、由谁处理、处理结果;
- 成本记录:调用了多少资源,便于判断是否值得扩大范围。
这一条在医药行业尤其重要——检查、内审、复盘都需要证据链。Soiawork 会把任务、过程、产物、异常、人工介入和成本记录下来,让企业能够核对、复盘并改进。
维度五:结果是否可核对
核心问题是:AI 说"做完了",你怎么知道真的做完了。
- 有没有回读机制:写完字段后重新读取状态,确认发布成功、失败原因是什么;
- 有没有抽样复核:按比例抽取结果由人复核,复核结论回流;
- 有没有异常清单:失败项集中可见,而不是散落在各处。
场景库里记录的一个医药零售商品信息运营场景,流程设计就是围绕这一点展开的:先核对商品编码、批准文号与门店范围的匹配规则,再整理待执行清单并标出缺项与编码不一致,然后在授权范围内维护字段,最后回读发布状态并记录异常与失败原因。售价与批量变更保留人工确认。它解决的不是"能不能填",而是"填得对不对、错在哪、谁来定"。
维度六:方法是否可复用、可变更
核心问题是:这套做法能不能沉淀下来,规则变了能不能改。
- 可复用:验证有效的方法应当被固化为技能,让不同团队、不同店铺复用同一套口径,而不是每个人各写一版提示词;
- 可变更:法规或平台规则更新时,知识库与工作流能否快速同步,旧版本是否留档;
- 可扩展:从一家门店扩到十家、从一个平台扩到多个平台,权限与异常处理是否还能管得住。
这一条最容易被忽略,却决定了项目是一年做十个场景,还是做完一个就停。
四、把维度落到场景上:四个可以试跑的方向
方向一:商品信息与平台发布状态维护
对应场景库中的医药零售商品信息运营场景。典型的 Before 是:运营根据总部清单逐平台查找商品、录入字段,遇到商品库缺项、编码不一致、发布失败时再回到表格逐项标记。这类工作的痛点是重复、易错、错误发现得晚。
评估重点在维度三和维度五:写入是否限定在授权范围、售价与批量变更是否强制人工确认、发布状态能否回读并集中呈现失败原因。
方向二:推广内容的合规自检
场景库中有一个已完成复现的营销图文组合场景(制造业与通用职能),流程是:识别客群、匹配卖点并说明证据强弱、按视觉规范出图、最后自检 8 条明规则,禁用词 0 命中才提交品牌审核。它要解决的其实并非"好不好看",而是"哪里不合规、怎么改"。
需要说明的是:该场景的判定只覆盖 8 条明规则,审美与更复杂的合规判断仍需人来;其中的占比为估算值,不引用客户效果数字。医药企业参考这一思路时,应把"明规则自检"和"专业合规审核"明确分成两段——前者可以由智能体批量跑,后者必须由具备资质的人签字。
方向三:供应商与客户资质、证照效期核对
首营资料、供应商资质、证照有效期这类核对,规则清晰、量大、过期风险高,属于典型的明规则工作。智能体可以定时拉取资质清单、比对效期、生成到期提醒与待补资料清单,异常项汇总成待办。
边界在于:资质是否合格、是否允许放行,由质量部门确认,AI 只负责"找出可能有问题的那几条"。
方向四:推广与合同信息的核对留痕
合同条款、推广活动信息、费用凭证之间的信息一致性核对,是合规关注的重点之一。AI 适合做的是抽取关键字段、比对差异、生成核对底稿并留痕;至于某笔费用是否合规、某项活动是否触碰红线,仍由合规与法务负责人判断。
五、一张可以直接拿去问的评估清单
| 维度 | 具体问题 | 期望的回答形态 |
|---|---|---|
| 依据可溯源 | 结论能否带出处与版本?规则更新后多久生效? | 可演示,能指出具体文件 |
| 边界可描述 | 哪些步骤必须人工确认?能否配置? | 有清单、有配置项 |
| 动作受控 | 读什么、写什么、写到哪?权限多久收回? | 最小权限、可即时调整 |
| 过程留痕 | 异常、人工介入、成本能否导出? | 可导出、可复盘 |
| 结果可核对 | 写完是否回读?抽样复核怎么做? | 有回读与复核机制 |
| 可复用可变更 | 方法能否固化为技能?旧版本是否留档? | 有版本管理 |
建议在评审时要求对方用企业自己的规则文件做一次现场演示,而不是看通用案例。演示的题目最好挑一条"看起来简单、实际有例外"的规则——边界往往就藏在例外里。
六、四个常见误区
- 只看模型准确率。准确率是结果指标,不是合规指标。合规看的是依据、边界、留痕和复核机制。
- 把"最后有人审核"当成合规能力。如果人工审核面对的是几十条没有任何标注的结果,审核就退化成了走过场。AI 的价值之一是让人的审核发生在"被标出的少数疑点"上。
- 以为上线即合规。规则会变、平台会变、组织会变。没有变更管理机制的智能体,半年后可能就在按旧规则工作。
- 指望 AI 替代专业判断。处方审核、法务意见、财务入账、质量放行,这些仍由责任人决定。这不是技术限制,而是责任归属。
七、从一项重复工作开始试跑
回到最初的问题:医药企业 AI 智能体推荐到底怎么选?与其比较参数,不如先挑一项规则清晰、重复度高、错了能立刻发现的工作——比如商品信息的编码与批准文号核对,或者证照效期提醒——用真实数据跑一遍。跑完先别急着扩大范围,而是核对三件事:结果对不对、异常有没有被标出来、人介入的那一步是不是真的有用。这三件事都过关,再谈第二个场景、第三个部门。AI 组织的价值不在于一次上线多少能力,而在于每一份被验证过的方法,都能被下一个团队直接复用。
常见问题解答
要不要改造现有系统?
大多数情况下不需要。通过连接器接入现有系统的数据,通过设备(Soia Worker)操作本机软件与网页端,是把 AI 接到现有工作环境里的常规做法。改造现有系统通常不是前置条件,真正需要提前确定的是权限范围和写入边界。
数据和权限怎么控制?
建议按三层来定:连接器层面控制能读哪些系统与数据范围;设备与账号层面控制能在哪台机器、以什么身份操作;管理层面由管理员配置组织、角色、成本与审计边界。评估时可以直接要求演示"收回某个店铺写入权限"的操作路径。
AI 做错了谁负责?
责任仍然在人。合理的做法是把工作拆成"AI 准备 + 人确认":AI 负责取数、比对、标异常、出底稿,人负责判断与放行。Soiawork 会记录任务过程、产物、异常和人工介入,出现问题时可以还原到具体环节,这对内审和复盘比"追责到模型"更有意义。
和现有的 RPA、BI 是什么关系?
三者解决的问题不同:BI 回答"发生了什么",RPA 按固定规则执行重复操作,AI 智能体在此基础上增加了理解任务、查依据、处理非结构化信息、遇异常转人工的能力。实践中它们常常组合使用——用连接器取数、用技能固化方法、用工作流固定步骤、用自动任务按时运行,原有自动化资产不必推倒重来。
从哪个场景开始最稳妥?
优先选规则写得清、错误容易被发现、失败了也不会造成对外影响的场景。医药企业里,资质证照效期提醒、商品编码与批准文号核对通常比对外内容发布更适合作为第一步。先小范围跑通、核对结果与异常处理,再考虑扩展到价格、发布等高风险动作。



