医药AI场景分级:可用、慎用、不可用,把AI放在它该在的位置
“这套处方审核流程,能不能让 AI 直接跑完?”过去一年,我们在医药行业听到的这类问题越来越多,但问题本身常常问偏了。真正决定一个医药 AI 项目成败的,往往不是模型够不够聪明,而是这件事该不该由 AI 来做、做到哪一步必须停下来交给人。
医药行业有三条线同时收紧:强监管、责任可追溯、错误代价高。一条用药建议错了,损失是患者的健康和企业的资质,而不只是一天的效率。所以本文不讨论“AI 还能做什么”,而是讲一个更前置的问题——医药AI场景分级:可用、慎用、不可用,以及这套分级如何落到系统里,变成真正能执行的控制,而不是贴在墙上的原则。
一、分级之前,先回答四个判断问题
医药场景成百上千,逐个打标签并不现实。更实用的做法是先定判断维度,再让每个场景自己对号入座。
- 结果能不能回退:输出是一份待核对的清单,还是一个已经发出的通知、一笔已经入账的凭证?可回退的动作容错空间大,不可逆的动作必须加人。
- 依据能不能核对:AI 给出的每个结论,是否能追溯到具体的数据来源、文件版本、采集时间?依据可查,才谈得上复核;依据不可查,就只能停在“参考”。
- 责任能不能落到人:这件事出错时,监管和内部追责会找谁?如果找不到一个具体岗位,AI 就不该独自完成它。
- 外部影响有多大:输出只在内部流转,还是会影响患者、供应商、平台消费者、监管报送?影响半径越大,自动化程度就应该越低。
这四个问题交叉之后,场景自然会分成三堆。需要说明的是,分级不是给 AI 划禁区,而是给每个场景配一条合适的“安全带”——有的场景可以放手,有的场景必须留一只手在人这边。
二、可用:结果可核对、错误可回退,可以放心交给 AI
医药AI场景分级里最容易被低估的一类,恰恰是“可用”这一档。它们不涉及专业判断,却实实在在占用了大量人力,而且做错了也不会造成不可逆后果——因为最终结果始终有人看。
1. 资料归集与字段核对
产品说明、供应商资质、业务文档往往来自不同部门和不同供应商,版本不一、字段缺漏,逐份核对极耗时间,更麻烦的是很容易拿着过期版本继续往下走。
在复现验证环境中,这类工作的处理路径是:先归集资料,再提取产品名称、规格、批准信息、有效期等关键字段,然后比对版本、标出过期件与缺项,最后输出一份资料索引和待核对清单。需要强调的是,涉及专业判断的内容仍然交具备资质的人员确认,AI 只负责把“哪里可能有问题”摆到台面上。
在 Soiawork 中,这类任务可以这样搭建:用连接器把共享盘、供应商邮箱附件、业务系统里的文档收进文件空间,用知识库沉淀字段口径与版本规则,由工作流固定“归集—提取—比对—出清单”的步骤,再配一个自动任务按周运行。人打开工作空间时看到的不是一堆原始文件,而是一份标好缺项和过期项的清单。
2. 报表汇总与对账初筛
多平台经营报表、门店收款对账、销售发票整理,这些工作在医药零售场景库中已被单独梳理成场景。它们的共同特征是:数据分散在电商后台、门店 POS、财务系统里,人工做的其实是“搬运 + 比对 + 标记差异”。
这类任务适合 AI 承担,因为它输出的是一份差异清单,而不是一个最终结论。差异清单必须由人确认,尤其是金额类差异,最终入账动作仍然由财务责任人完成。
通过 Soiawork 的连接器取数、技能复用固定的比对口径,可以让每天的初筛自动跑完,人只处理被标红的那几条。
3. 商品信息与活动素材的整理
商品信息运营、活动毛利测算与提报这两类场景中,AI 擅长的部分是把散落的信息整理成结构化的输入:卖点素材归类、竞品价格收集、历史活动数据汇总。它不该做的是直接对外发布商品页、直接提交定价。
判断标准很简单:这一步的输出会不会直接触达外部?不会,就归到“可用”;会,就往下一档挪。
三、慎用:AI 做前半段,人做后半段
“慎用”不是“别用”,而是“分段用”。这类场景的特点是流程长、环节多,其中一部分是纯信息处理,另一部分是判断和承诺。把两段混在一起交给 AI,才是真正的风险来源。
1. 处方订单协同:AI 跑流程,药师做判断
处方相关的订单协同涉及大量前置工作:订单信息核对、缺货标记、配送状态跟踪、异常订单归集。这些环节信息密度高、重复性强,适合自动化。
但处方开具、审核、调剂与用药判断,必须由具备资质的人员负责,这是明确的边界,不因为技术变化而改变。在 Soiawork 的设计里,这类场景会落到“受控执行”层级:AI 把订单信息和异常项准备好,把需要判断的部分单独列出来,等待药师处理后再继续后续流程,而不是自行推进到下一步。
2. 活动毛利测算:AI 算数,人定价
毛利测算本身是计算工作,可以做得很准。但测算结果一旦变成提报价格,性质就变了——它涉及对外承诺和利润责任。
合理的做法是让 AI 输出“测算结果 + 敏感性说明 + 可选方案”,把决策点明确交给业务负责人。在 Soiawork 中,这对应“建议判断”层级:AI 给出原因、影响和行动选项,人来决定选哪一个。
3. 发票整理与入账前置:AI 整理,财务入账
销售发票整理是可以高度自动化的:发票归集、字段提取、与订单匹配、异常票标记。但记账凭证的生成与入账,属于财务专业结论,应由财务责任人作出。
这条界线划清楚之后,反而更容易推进——因为财务负责人知道自己的判断权没有被让渡,才更愿意让 AI 接手前面那 80% 的整理工作。
4. 商品信息发布:AI 准备,人确认
商品上架涉及的合规要素多,价格、规格、批准信息、宣传用语都可能触发监管关注。AI 适合做的是准备与自检:把字段填全、把缺失项标出、把与知识库口径不一致的地方提示出来。发布动作保留人工确认,是这类场景的默认设置。
四、不可用:专业判断与不可逆动作,必须留在人手里
讲清楚“不可用”,比讲清楚“可用”更重要。因为它决定了整套体系的可信度。
- 专业判断类:处方开具、处方审核、调剂与用药判断,由具备资质的人员负责;法务、财务、质量等专业结论由对应责任人作出。AI 可以提供资料、可以提示冲突项,但不作出这些结论。
- 不可逆动作类:涉及价格发布、正式对外承诺、退款、入账、付款、生产控制等有外部影响或不可逆后果的动作,按流程保留人工确认,不设“全自动”通道。
- 资质背书类:需要由持证人员或特定岗位签署的文件与结论,AI 只能做前置整理,不能代为签署或出具。
这些边界写进制度并不难,难的是在系统里真的拦住。在 Soiawork 的权限设计中,身份说明动作归属谁,权限说明能查看和使用哪些资源,凭证承载外部系统授权材料,模型和普通使用者只获得完成任务所需的调用权限,并且授权范围与具体任务绑定。也就是说,“不可用”不是靠人自觉遵守,而是配置上就走不通。
五、把三级分档,翻译成四层控制
分级的价值在于能落到操作层面。实务中,可用、慎用、不可用这三档,可以进一步翻译成四种处理方式:
- 信息提供:AI 汇集事实和来源,业务决定由负责人作出。适合经营数据摘要、供应商状态汇总。
- 建议判断:AI 给出原因、影响和行动选项,由人决定。适合投放调整建议、补货优先级、活动方案比选。
- 受控执行:人确认范围后,系统执行明确动作。适合批量更新状态、发送已确认的通知、按确认清单推进流程。
- 规则内自动执行:在稳定规则和明确上限内持续运行。适合定时报表、只读巡检、低风险提醒。
对应关系很清楚:“可用”多落在受控执行与规则内自动执行,“慎用”落在建议判断与受控执行,“不可用”不进入这四层,而是保留在人工作业中。企业可以从信息提供和建议判断起步,根据真实结果逐步扩大执行范围,而不是一次性把权限放到底。
六、从一个“可用”场景开始试跑
分级做完,下一步不是全面铺开,而是挑一项开始。
在复现验证环境中,一个医药业务资料核对的完整链路大致是这样跑的:连接器从多个来源归集资料,工作流完成字段提取与版本比对,输出索引与待核对清单,业务人员在清单上确认或退回。整个过程没有涉及专业判断,出错也只是清单标错一行,改回来即可。
这类试跑的价值不在效率数字,而在于三件事被验证:数据能不能取到、口径能不能对齐、异常能不能被人接住。三件事都成立,才谈得上扩大范围。Soiawork 在这中间提供的是:连接器解决取数、知识库解决口径、设备(Soia Worker)解决本机软件操作、技能沉淀方法、工作流固定步骤、自动任务保证按时运行。这套组合的意义是让一次试跑的经验,变成下一次可以直接复用的组织能力——这正是 AI 组织要解决的事。
结语
医药 AI 的难点从来不是技术够不够强,而是边界划不划得清。可用、慎用、不可用这三档,本质上是把“谁承担最终责任”这件事提前说清楚。建议不要一上来就做全场景盘点,而是从一项重复、可核对、错了能改回来的工作开始试跑,跑完先核对结果与异常,看人接得住接不住,再决定要不要扩大范围。Soiawork 想做的,是让这条路径对每家企业都变得可走——让智能生长,让工作进化。
常见问题解答
医药AI场景分级是一次性做完就固定了吗?
不是。分级应随三类变化重新评估:监管要求变化、业务动作的外部影响变化、以及 AI 在实际运行中的表现变化。建议把分级结果作为一份活文档,每季度随场景复盘一起更新,新增场景先定档再上线。
要不要改造现有的 HIS、ERP 和电商后台?
多数情况下不需要推倒重来。更常见的做法是通过连接器与现有系统对接,把数据取出来处理,再把结果写回或输出为清单,由人确认后执行。改造量集中在接口权限与字段口径对齐上,而不是系统替换。
数据和权限怎么控制?
原则是最小必要:只开放完成当前任务所需的企业资源,授权与具体任务绑定;身份、权限、凭证分别管理,模型和普通使用者只获得完成任务所需的调用权限;患者信息等敏感数据按最小必要使用并留存操作记录。输出同时保留数据来源、采集时间与口径,缺失与冲突项单独列出,便于复核。
AI 做错了,责任怎么算?
责任跟着判断权走。AI 不作出专业结论,处方审核、法务、财务入账等结论仍由对应责任人作出,责任归属不变;AI 承担的是信息准备与流程执行,一次完整结果需说明目标是否达成、处理范围、结果位置、关键依据、未完成事项和下一责任人,使过程可追溯、可复盘。
和我们已有的 RPA、BI 是什么关系?
三者解决的是不同问题。BI 回答“发生了什么”,RPA 解决“固定规则下的重复操作”,而 AI 智能体解决的是“需要理解内容、跨系统协同、并把方法沉淀下来”的工作。实践中它们常组合使用:BI 提供指标,AI 智能体负责解释与归集,RPA 或设备完成本机软件上的具体操作,工作流把这几段串起来。



