医药AI选型:合规能力是第一道门槛,也是AI能否上岗的分水岭
一家连锁药房的运营负责人,最近被反复问到同一个问题:你们上了AI没有?他手上已经有七八份厂商方案,演示时每一个都能对话、能查询、能生成报表,效果都很漂亮。但他真正犹豫的只有一件事:如果这个AI真的去改商品信息、去动上下架状态、去算活动毛利,出了偏差谁来负责?
这就是医药行业做AI选型时最现实的困境。模型能力可以通过试用快速判断,真正的问题是:它会不会越权?出错时会不会停下来?动作能不能追溯?因此,在医药AI选型中,合规能力是第一道门槛——这道门槛过不去,后面再强的智能都用不上,因为没人敢让它真正接触业务。
一、为什么医药AI的第一道门槛是合规,而不是模型能力
1.1 医药业务存在三条不能越过的边界
与多数行业相比,医药业务里有很多“看起来是小事、实际属于高风险”的动作。
- 资质与真伪相关字段:商品编码、批准文号、经营范围、门店可售范围。任何一个匹配错位,都可能导致不该卖的商品上线。
- 价格与披露相关动作:售价、促销补贴、活动提报、对外展示信息。价格一旦被批量误改,影响的不只是毛利,还可能引发监管与消费者纠纷。
- 责任可追溯:谁改的、什么时候改的、依据哪个规则改的。医药行业普遍处于 GSP(药品经营质量管理规范)和药品网络销售相关监管框架之下,检查时不接受“系统自动做的”这类回答。
这三条边界,决定了医药AI选型不能只看模型能力。
1.2 智能能力可以后补,合规能力不能事后补
市场上大多数AI产品的差异,在“能不能做”这件事上并不大;真正拉开差距的是“敢不敢放开让它做”。
- 演示环境的成功,不等于生产环境的可用:能跑通一条指令,和能稳定处理一批指令并交代清楚异常,是两个量级。
- 合规是一项产品架构层面的能力,提示词并不能替代它:权限怎么分配、判定规则写在哪里、动作日志留不留、异常交给谁,这些都是平台设计时就该定好的事。
- 医药企业真正需要的是“可控的自动化”:在授权范围内替人做重复动作,在需要判断的地方停下并交回给人。
这也是 Soiawork 在医药场景里的基本立场:AI 组织要做的是把执行做扎实、把边界划清楚,而不是让AI替人签字。
二、把“合规”拆成四个可验证的问题
“我们很合规”是厂商话术,“这四个问题你怎么答”才是选型依据。建议在选型时,把合规拆成下面四问,逐个要求演示。
2.1 权限边界:AI 能改什么,不能改什么
- 是否支持按字段、按平台、按门店范围做授权,而不是“要么全开、要么全关”。
- 授权范围内的动作能否自动执行,范围外的动作能否被识别并转人工。
- 高风险字段(如售价、批量变更)能否被强制保留人工确认。
在 Soiawork 中,这类边界可以通过工作空间与技能的组合来约束:同一套技能在不同工作空间里可以有不同的授权范围,超出范围的动作会被拦下,而不是悄悄执行。
2.2 判定边界:什么时候必须停下来
这是医药场景最容易被忽略、也最容易出事的环节。AI 的能力体现在“知道什么情况下不能自己决定”,把动作做快本身并不难。
- 名称相近但不确定时,不自行挑选,交给人工指定。
- 搜不到目标时,不误报为“已失败”,先复核。
- 被系统拦截时,不谎报成功,把拦截原因如实回写。
场景库里记录了一个已完成的复现验证:在多平台商品上下架状态维护场景中,12 条指令跑完 9 条成功、3 条按规则转人工处理、误报失败 0 条。(该结果为复现验证/演示环境下的结果,场景为演示数据,判定只覆盖明确规则项,需人工确认的分支保留给人。)它体现的是“该停就停”的判定设计,而不是一个可以直接外推到生产环境的成效数字。
2.3 数据边界:谁能看到什么
- 患者与会员信息、供应商成本、内部毛利口径,是否按角色隔离。
- AI 取数时走的是连接器授权账号,还是被要求“把数据库密码给过来”。
- 知识库中的依据文件是否可溯源到具体版本。
2.4 留痕边界:出了事能不能说清
- 每个动作是否留有时间、执行者(人或AI)、输入依据、输出结果。
- 异常是否被集中记录,而不是散落在聊天窗口里。
- 提报、变更这类动作是否有回执留存。
三、三个医药场景,看合规能力怎么落地
3.1 商品信息运营:匹配规则先于执行
药店上新或总部下发清单时,运营要逐平台查找商品、录入字段;遇到商品库缺项、编码不一致、发布失败时,还要回到表格里逐项标记。
- 先核对规则再动手:商品编码、批准文号与门店范围的匹配关系必须先核对清楚。
- 再整理待执行清单:标出缺项与编码不一致项,当作一份“需要人看的清单”,而不是直接执行。
- 授权范围内维护字段,随后回读发布状态,把异常与失败原因集中记录。
- 售价与批量变更保留人工确认,不进入自动执行路径。
在 Soiawork 中,这套流程可以由工作流固定下来:连接器取数、知识库校验规则、技能执行字段维护、自动任务回读状态,运营看到的是“匹配关系一次核对清楚、发布状态集中可见”的结果,售价格这类高风险字段仍然由人决定。
3.2 多平台上下架:快不是关键,关键是该停时能停
运营按主管在共享表格里写下的指令执行上下架时,常见的错误往往来自“改错了对象”,这类错误很隐蔽,而且很难靠熟练度规避:名称相近导致套装被改成单品、同一产品同时挂着单品和套装两条、指令重复导致第二条执行时早已下架。
- 接指令、定位商品、执行动作、回写结果、交代异常,形成闭环。
- 判定规则覆盖明确项,模糊项一律转人。
- 误改与重复执行的风险,由“该停就停”的判定挡住。
3.3 活动毛利测算:算得清,也必须交给人定
活动报名前的毛利测算,是典型的“算错一步、亏一整场”的工作:反复导出可报名商品、匹配成本、计算补贴折扣、核对历史提报记录,规则不明或处理状态漏记时,很容易误报、重复报名。
- 规则先行:平台、活动范围与计算公式先确定,再动手算。
- 匹配资料与成本:对齐商品、成本与历史提报记录,标出缺成本、低毛利与重复项。
- 只提供候选清单,不做最终决定:是否提报由运营与价格负责人确认,提报回执留存。
这类场景在 Soiawork 里通常用“知识库查依据、技能算清单、工作流留回执”的组合来实现。需要明确的是:计算结果只是决策输入,价格与补贴的最终确认权始终在责任人手上。
四、在 Soiawork 中,合规由能力配置实现
医药企业经常问:这些边界怎么落到系统里?答案在平台能力层面。
- 连接器:通过授权账号从 ERP、商品库、平台后台取数,不需要交出底层账号密码,取数范围可配置。
- 知识库:把商品匹配规则、批准文号校验口径、活动计算公式、内部审批规范沉淀成可查依据,回答与动作都能回溯到文件。
- 工作空间:按部门与角色划分边界,不同团队在同一平台上拥有不同授权范围。
- 设备(Soia Worker):需要操作本机软件或网页后台时,在受控设备上执行,动作可录制、可回放。实在智能产品在 OSWorld 评测中任务成功率为 90.2%(2026 年 7 月,实在智能产品数据),这类数据可以佐证操作稳定性,但替代不了合规边界的验证。
- 技能:把“怎么匹配编码”“怎么判定该停”固化成可复用技能,避免每个人一套做法。
- 工作流:固定步骤顺序,该转人工的节点强制转人工。
- 自动任务:按时运行回读与巡检,异常集中暴露,而不是等人发现。
一句话概括:在 Soiawork 中,合规是配置出来的,提示词本身无法配置出合规。
五、选型时的八问清单
把这八个问题带进下一场厂商演示,比看十分钟对话效果好得多。
- 这个场景里,哪些动作是自动执行,哪些必须人工确认?请当场指给我看。
- 名称相近、搜不到、被系统拦截这三种情况,分别怎么处理?
- 权限是按角色、按字段还是按平台配置的?能否演示越权被拦?
- 动作日志能查到什么粒度?异常记录在哪里?
- 取数走什么通道?需要开放哪些账号权限?
- 判定规则能否由业务人员维护,还是必须改代码?
- 出问题时,异常是自动转给人,还是需要人主动去发现?
- 现在能复现验证的场景有几个,哪些还只是演示?
医药AI选型:合规能力是第一道门槛
结尾
医药AI的价值,最终体现在那些重复、琐碎、又必须准确的动作上:核对编码、回读状态、整理清单、记录异常。但这些动作能不能交给AI,取决于边界是否清晰、异常是否有交代、结果是否可追溯。建议的做法是先选一项重复度高、风险可控的窄场景试跑,比如商品信息核对或状态回读;跑完一批后核对结果与异常,看转人工的判定是否合理,再决定要不要扩大到价格、活动这类高敏感环节。Soiawork 想做的,也正是让每家企业都能从一项小工作开始,稳稳地长出自己的 AI 组织。
常见问题解答
用医药AI,是不是要先改造现有系统?
多数情况下不需要。取数通过连接器对接现有系统,操作通过设备在本机软件或网页后台执行,业务系统本身不必推倒重来。真正需要提前梳理的是规则文档和授权范围,这属于管理问题,并非改造系统。
数据和患者信息怎么控制?
关键在三点:一是取数走授权账号,最小必要范围;二是按工作空间与角色做隔离,不同团队看到的数据不同;三是知识库与动作日志保留版本,可回溯。涉及个人信息的处理,仍需符合《个人信息保护法》等法规要求,方案设计阶段就应把边界定清楚。
AI 做错了谁负责?
这要分两层。第一层是产品设计:高风险动作不进入自动执行路径,模糊判定强制转人,异常如实回写、不谎报成功。第二层是业务责任:处方审核、价格确认、财务入账这类专业判断,仍由具备资质的责任人决定,AI 只提供候选清单与依据。责任边界写在流程里,而不是事后追。
和我们已有的 RPA、BI 是什么关系?
RPA 解决的是“按固定脚本点界面”,BI 解决的是“把数据看清楚”,两者的短板都在于:遇到规则判断和异常分叉时需要人来接手。AI 组织的定位是补上中间的判断与协调:什么时候该做、做了之后对不对、不对怎么办。三者不是替代关系,多数企业是让 AI 组织调用已有的自动化与报表能力。
从哪个场景开始比较稳妥?
优先选三个条件同时满足的场景:重复频次高、规则相对明确、出错可控可回退。商品信息核对与发布状态回读、多平台上下架的指令执行与异常回写,都属于这类起点。价格变更、活动提报、资质审核等涉及外部影响的动作,建议放到第二阶段,先跑出人工确认的协作节奏再扩大范围。



