医药合规检查表:AI上线前必过的六项
在医药企业推动 AI 落地的人,大多经历过同一个场面:业务部门说,某件事每天要花三个人重复核对;技术部门说,这个能做;而质量管理和法务部门坐下来后问的第一个问题却是:如果它判断错了,谁来负责?这个问题不解决,项目就停在演示阶段,很难进入真实生产环境。
医药行业的特殊性在于,效率问题往往也是合规问题。商品信息里的一个批准文号、资料里的一份过期版本、上架时的一个类目,都可能触发远超“多做几遍”的代价。所以,在上线前真正需要回答的并不是“这个模型有多聪明”,而是“这条业务链上,哪一步交给它、哪一步必须留给人”。下面这份医药合规检查表:AI上线前必过的六项,就是把这层判断拆成可以逐条打勾的动作。
一、第一项:场景准入检查——这件事该不该由 AI 接
上线评审的第一步不该是技术方案,而是给业务动作分级。医药场景里,AI 能承担的和不能承担的事项,差异极大,混在一起谈就容易越界。
- 先划红线:处方审核、用药建议、诊断判断、不良反应因果判定等,属于需要具备资质人员作出的专业判断,AI 可以整理材料、提示缺失,但不能替人下结论。
- 再看“判断强度”:把场景分成四层——信息归集(低)、字段提取与比对(低)、建议草稿(中)、直接执行写操作(高)。层级越高,人工确认点必须越密。
- 明确分界句式:这个场景里,AI 交出的是一份“待核对清单”,还是“最终结果”?前者可以直接跑,后者必须有人签字。
在 Soiawork 中,这种分层可以落到配置上:把制度文件、核对规则放进知识库,把“提取—比对—出清单”的步骤固化为工作流,让 AI 只走被允许的那一段路。
二、第二项:数据与依据检查——AI 依据的资料是不是现行有效版本
医药业务里最常见的错误不是“算错”,而是“用过时版本继续往下做”。资料来自不同部门和供应商,版本不一、字段缺漏,逐份核对既耗时,又容易漏掉已经被替代的那一版。
- 版本可查:说明书、注册证、批准信息、供应商资质,都要能回答“这份是哪一版、什么时候生效、有没有被替代”。
- 来源可溯:每一条被引用的信息,都要能回到具体文件和具体字段,而不是“系统里有”。
- 缺项要显性:字段缺失、有效期临近、编码不一致,应该在清单上单独成列,而不是被悄悄填上一个看起来合理的值。
在场景库的描述里,医药业务资料核对的做法是:先归集产品说明、供应商资料与业务文档,再提取产品名称、规格、批准信息与有效期等关键字段,然后核对版本与缺失、标出过期版本与缺项,最后输出资料索引与待核对清单——涉及专业判断的内容,仍交具备资质的人员确认。这一套动作在 Soiawork 中由文件空间与知识库承载资料、由技能固化提取规则、由工作流串起比对与出单,人负责看结论。
三、第三项:权限与操作边界检查——能看什么、能改什么、谁授权
很多 AI 项目出问题,不是因为判断错,而是因为“它动了不该动的字段”。权限检查要具体到账号、到系统、到字段级。
- 最小权限、只读优先:首个场景尽量从只读或建议模式开始,先证明“看得准”,再谈“改得对”。
- 写操作分级:草稿生成、字段维护、提交发布,是三件不同的事,应当由不同授权控制。
- 关键字段保留人工确认:售价、批量变更、类目、发布动作这类直接影响经营与合规的字段,必须由业务或相关负责人确认后再执行。
医药零售商品信息运营的场景路径就是这样设计的: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,随后在授权范围内更新商品信息,最后回读发布状态、记录异常与失败原因;药品展示、售价和批量变更由运营及相关负责人确认。通过 Soiawork 的工作空间账号权限与设备(Soia Worker)对本机软件的操作能力,可以把“能操作哪些软件、能改哪些字段”变成可见的配置,而不是靠口头约定。
四、第四项:输出可复核检查——结果能不能被人一眼核对
如果一份 AI 产出需要人再花两小时去理解它说了什么,那它并没有真正减负,只是把工作换了个形态。可复核性,是医药场景里 AI 输出的必选项。
- 结构化输出:字段、取值、来源、判断理由分开呈现,不要一段散文。
- 异常独立成列:失败原因、驳回理由、待确认项集中可见,让人先看异常、再看正常。
- 保留原始出处:让人可以点回去看原文,而不是凭一句“系统显示”就采信。
- 格式统一:同一类任务每次输出的表格结构一致,便于逐行比对与留档。
在多平台商品上架的场景中,做法是按平台字段要求比对审定资料、列出缺失,生成各平台待填草稿,类目与价格留待运营确认,获授权后提交并回读审核状态,记录成功、失败与待审,保留驳回原因。这些输出本身就是一份可以直接进复核流程的清单,而 Soiawork 的技能让同类任务的输出格式保持一致,减少“每次都要重新看懂”的成本。
五、第五项:留痕与责任检查——出了错找得到步骤、找得到人
“AI 做错了谁负责”这个问题,正确答法不是找一个人兜底,而是让每一步都能被还原,让每个确认点都有明确的责任人。
- 操作留痕:取用了哪份数据、执行了哪些步骤、在哪个节点停下来等人确认。
- 确认点留名:谁确认了这份清单、谁批准了这次发布,记录在案。
- 责任分工写清楚:业务负责人对结果负责,数据提供方对资料有效性负责,AI 运维方对配置与运行负责,专业判断由具备资质人员作出。
- 不替代签字:AI 可以准备材料、标注风险点,但审核结论、入账、发布这类动作的决定权仍在人。
在 Soiawork 中,工作流的节点执行与自动任务的运行记录,构成了这条可还原的链路;设备(Soia Worker)在受控账号下的操作同样留在流程里,而不是散落在个人电脑上。
六、第六项:试跑与异常检查——上线前跑过多少种“不正常”
前五项决定“能不能上”,这一项决定“上了以后会不会翻车”。上线前的试跑,重点不是跑通正常流程,而是把不正常的情况提前跑一遍。
- 样例要覆盖:正常输入与常见任务、关键字段缺失、权限与规则边界、多步骤复杂情况、过去发生过的错误与人工纠正、业务高峰与临近截止的任务。
- 比较要同口径:上线后用相同周期、相同对象做对比,避免把业务自然波动当成 AI 的贡献。
- 结论要明确:试点结束后,能清楚地决定扩大、调整还是停止。
可行的起步方式,是带上一项需要改善的日常工作与相关资料,一起确认接入条件、处理规则和检查结果的方法:选一项重复工作说明现在怎么做、谁在做、想要什么结果;确认资料、规则和权限,准备一组实际资料,明确账号能访问哪些系统、按什么规则核对、哪些地方需要人工确认;然后在 Soiawork 上用自动任务按时跑、用技能复用已确认的方法,试跑后再决定是否扩大到更多岗位。
把六项压成一页上线评审表
六项检查不需要六份文档,一张表就够。评审时逐行过,任何一行答不上来,就先不进入生产。
| 检查项 | 核心问题 | 通过标准 |
|---|---|---|
| 场景准入 | 是否触及需资质人员判断的红线 | 红线外,且明确“AI 出初稿、人下结论” |
| 数据依据 | 依据的版本是否现行有效 | 来源、版本、有效期可逐条回溯 |
| 权限边界 | 能看什么、能改什么、谁授权 | 最小权限,写操作分级,关键字段留人 |
| 输出复核 | 结果能否被快速核对 | 结构化、异常成列、可回原文 |
| 留痕责任 | 出错能否还原到步骤与人 | 节点留痕、确认留名、分工明确 |
| 试跑异常 | 是否跑过不正常的情况 | 样例覆盖完整,比较同口径,结论明确 |
这张表的顺序也建议照此执行:先定边界,再谈数据,最后才谈跑得多快。顺序颠倒,往往就是返工的起点。
医药行业的 AI 落地,真正的门槛不是模型能力,而是这份医药合规检查表:AI上线前必过的六项能不能被逐条回答。建议从一项重复度高、规则清晰、可从只读或人工确认起步的工作开始试跑,先核对结果与异常是否处理到位,把确认有效的做法留下,再决定是否扩大范围。Soiawork 作为企业级 AI 智能体平台,做的正是把这些边界、规则与确认点配置进工作空间、知识库、技能与工作流里,让每家企业都能轻松构建自己的 AI 组织,让智能在可控的前提下逐步扩展。
常见问题解答
要不要先改造现有系统?
通常不需要。多数场景的起步方式是不动原有系统,通过连接器取数、通过设备(Soia Worker)在受控账号下操作现有软件界面,把 AI 放在系统之上做归集、比对与清单整理。改造系统可以作为后续优化项,但不应成为首个场景的前置条件。
数据和权限怎么控制?
三件事:账号按最小权限申请,能只读就不给写;写操作按字段分级,售价、批量变更、发布动作这类关键动作单独授权;资料与规则集中放在知识库和文件空间中,避免散落在个人目录。这样权限是可见的配置,不是口头的默契。
AI 做错了谁负责?
原则是“AI 不替代责任人”。AI 负责准备材料、标注缺失与异常、生成待核对清单;专业判断与最终动作由具备资质的人员和业务负责人作出并留名。同时通过工作流节点留痕与运行记录,让每一步都能还原,便于复核与追查。
从哪个场景开始比较稳妥?
优先选业务价值清楚、重复发生、责任人和结果接收人明确的场景,例如资料字段提取与版本核对、商品信息与批准文号匹配、多平台上架的字段准备与状态回读。这类场景规则清晰、可以从只读或建议模式起步,便于在试跑后作出扩大或停止的判断。
和现有的 RPA、BI 是什么关系?
三者不冲突。RPA 解决“按固定规则点界面”,BI 解决“看历史数据”,AI 智能体解决的是“在规则之上理解资料、处理非结构化内容、给出待核对结论”。在 Soiawork 中,工作流管步骤、技能管方法、自动任务管按时运行,把三者组织成一条可复核的链路。



