医药合规场景推荐什么AI?Soiawork规则校验实践:先把规则写成清单,再让AI逐条核对
“医药合规场景推荐什么AI?”这个问题,在不少医药零售企业的信息化讨论里被反复提起,但答案常常被简化成两种:要么上一个“能审方”的模型,要么买一套合规管理系统。真正在门店和总部之间跑过流程的人知道,日常最耗神的往往不是某一次专业判断,而是判断之前那些琐碎的核对,例如商品编码对不对得上、批准文号有没有缺项、这批订单的审核状态是“已通过”还是“审核中”、这家门店这个账期的医保费用是否按单独规则处理过、这批待开票数据的税率映射有没有配错。这些动作单看都不难,却散落在平台后台、库存系统、处方服务页面和几张 Excel 之间,靠人反复跳转、复制、确认。
所以更值得讨论的,不是“哪个AI更聪明”,而是“哪一类AI能被放进合规流程里,做它该做的事、不越它不该越的线”。本文结合 Soiawork 在医药零售场景中的规则校验实践,讲清三件事:合规场景真正需要 AI 承担的是哪一段工作、规则校验要怎么落地、以及哪些判断必须交回具备资质的人。
一、医药合规的日常风险,多数不是“判断错了”,而是“信息错位”
先把问题定义清楚。医药零售的合规压力通常来自三个层面:药品经营相关的资质与标识要求、处方服务的流程要求、以及资金与票据的口径要求。这三层里,真正需要专业裁量的部分其实占比不高,大量工作属于“对照规则检查信息是否一致”。
- 标识类规则:商品编码、批准文号、门店范围、平台对应关系。错一个字符,商品就可能挂错店、错平台。
- 状态类规则:处方订单的审核状态、商品的发布状态、库存可售数量。状态不明时,人只能停下来找人确认。
- 口径类规则:活动毛利的计算公式、医保费用的单独结算规则、发票的税率映射与业务类型。口径不统一,报表和账就对不上。
这三类规则的共同点是:规则本身是明确的、可写下来的,难的是规则分散在制度文件、平台后台和人的经验里,没有被整理成一张可以逐条执行的清单。AI 在这个位置上的价值,不是替人做决定,而是把清单执行到位、把不一致的地方标出来。
二、规则校验型 AI 的四个动作,缺一不可
把“规则校验”落到可运行的程度,通常需要四个动作串起来。任何一个环节缺失,校验结果都不可信。
1. 规则先写成清单,而不是留在文档里
- 把“商品信息要核对什么”拆成具体字段:商品编码、批准文号、门店范围、平台对应关系。
- 把“处方订单要核对什么”拆成:授权订单范围、可售库存、审核状态取值。
- 把“对账要核对什么”拆成:门店、渠道、账期、金额,以及医保费用走单独规则。
在 Soiawork 中,这些规则可以作为工作流中的固定步骤被固化下来,也可以沉淀为可复用的技能。规则一旦写成清单,就不再依赖某个岗位的记忆,新人也按同一张清单执行。
2. 取数要能连到源头,而不是靠人导出
校验的前提是拿到真实数据。Soiawork 通过连接器对接业务系统与平台后台取数,通过知识库查询制度文件、规则说明和历史口径,通过文件空间读取总部下发的清单表格。取数口径统一,是校验结果可信的第一道保险。
3. 核对之后必须标异常,而不是给一个“通过”
这是规则校验型 AI 和“问答型 AI”最大的区别。有价值的输出不是“这批数据没问题”,而是:
- 哪些条目缺失必填项(例如缺批准文号、缺成本)
- 哪些条目编码不一致(平台商品与门店商品对不上)
- 哪些条目金额存在疑点(对账差额、重复项、低毛利)
- 哪些条目状态不明(审核中、发布失败,附失败原因)
异常清单让人一眼看到该处理什么,而不是让人重新核一遍。
4. 回读状态、留存记录,形成可回放的证据
校验不是一次性动作。Soiawork 的每次运行都有记录、日志、异常和可回放证据;对于需要回读的场景(例如商品发布后的状态回读),可以把“回读”作为工作流的最后一步,把失败原因集中呈现。可回放,是合规场景里最容易被忽略、却最不该省的一环。
三、六个高频场景里的规则校验实践
以下为医药零售场景库中的复现验证场景,用于说明流程设计与校验方式,不作为客户成效数据。真实落地时的字段、规则与授权范围,需按企业自身制度确认。
1. 商品信息运营:编码与批准文号的匹配
总部下发一批已批准的新品资料后,运营要在多个平台逐一找到商品、维护字段,商品库缺项或编码不一致时再回到表格逐项标记。复现验证中的流程是:先按商品编码、批准文号与门店范围核对匹配关系,再整理待执行清单(标出缺项与编码不一致),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。
关键边界:药品展示、售价调整和批量变更,仍由运营及相关负责人确认,AI 只做整理、标注与状态回读。
2. 处方订单协同:只回传已通过的结果
订单人员过去要在平台、库存系统和处方服务页面之间切换,逐笔核对商品、可售数量和审核状态。复现验证中的流程是:核对授权订单与库存、确认可售数量与缺货情况;按已批准流程传递已有业务资料;查询专业审核状态;留存操作记录。
这条场景的边界必须写死:处方开具、审核、调剂与用药判断,由具备资质的人员负责,AI 不参与专业审核结论,只回传已审核通过的结果,并按最小必要原则使用患者信息、把异常单独列出。这是本文最需要强调的一句话——医药合规场景推荐什么AI,答案里如果包含“替代药师审核”,那这个推荐就是错的。
3. 门店收款对账与发票整理:口径先统一,再谈效率
门店收款对账的老问题是订单与金额对不上,且医保费用和自费混在一起算。复现验证中的做法是按门店、渠道和账期匹配订单与金额,医保费用按单独规则处理,差额与疑点单独列出。销售发票整理则按门店、业务类型与税率映射整理待开票数据,标出缺单与金额疑点。入账与开票的最终确认,仍由财务责任人完成。
4. 活动毛利测算:先把公式确认下来
活动提报最容易出的问题不是算错,而是成本缺失或口径不一致。复现验证中,按已确认公式计算候选清单,标出缺成本、低毛利与重复项。公式由业务负责人确认,AI 负责按公式执行并暴露缺口——这样提报会上讨论的是“这个成本为什么缺”,而不是“这个数怎么算出来的”。
5. 多平台经营报表:保留来源与口径
汇总固定期间的多平台报表时,最怕口径漂移。复现验证中的做法是保留来源与口径,形成门店与商品明细、波动与缺失清单。报表本身不产生结论,结论由人基于可追溯的数据得出。
6. 设备与本机软件的操作衔接
医药零售的不少操作发生在本地客户端和浏览器后台,例如需要在授权范围内更新字段、下载报表、回读页面状态。Soiawork 通过 Soia Worker(设备)扩展本地执行能力,让这些“必须在某个页面点几下”的动作也能纳入同一套工作流,而不是留在人工的复制粘贴里。
四、边界清单:这些事不能交给 AI
规则校验型 AI 的可用性,取决于边界写得多清楚。以下是医药场景里应当明确保留给人的事项:
- 处方相关判断:开具、审核、调剂、用药指导,均由具备资质的人员负责。
- 专业结论类判断:不良反应、用药相互作用等,AI 不输出结论。
- 售价与批量变更:在授权范围内由 AI 整理清单,变更动作由运营及相关负责人确认。
- 财务入账与开票确认:AI 整理数据、标注疑点,入账与开票由财务责任人决定。
- 患者信息使用:按最小必要原则,仅在完成流程所需的范围内使用并留存操作记录。
把边界写清楚,不是削弱 AI 的价值,恰恰是让 AI 能长期留在流程里的前提。能说清“哪里不归我管”的系统,才敢放进合规场景。
五、从哪一类工作开始试跑比较稳
不建议一上来就铺开六个场景。更稳妥的路径是选一个规则明确、异常可识别、错了也不产生严重后果的环节先跑通。
- 优先选标识类核对,例如商品编码与批准文号的匹配清单整理。规则清楚、结果可逐条核对。
- 其次选口径类整理,例如按已确认公式测算活动毛利候选清单,产出是“缺口清单”而非“最终结论”。
- 暂缓涉及专业判断的环节,处方相关流程只做资料传递与状态查询,不做结论。
在 Soiawork 中,试跑的方式可以是:先用自然语言在工作空间里描述任务,跑通一次后把有效步骤沉淀为工作流或技能,再挂上自动任务按固定周期运行。先跑一次、看清异常,再决定是否扩大范围——这个顺序比任何方案设计都可靠。
写在最后
医药合规场景推荐什么AI,本质上是问:哪一类 AI 能被放进有规则、有授权、有责任人的流程里,稳定地把核对做完、把异常标清、把判断留给人。Soiawork 的规则校验实践给出的答案是——把规则写成清单、用连接器取数、用知识库查依据、用工作流固定步骤、用自动任务按时运行、每次运行留痕可回放。这也是构建 AI 组织、打造企业专属 AIOS 的起点:不是一次部署,而是把一项重复工作沉淀成可复用的组织能力。建议先从一项重复工作开始试跑,核对结果与异常,再决定是否扩大范围。
常见问题解答
1. 做规则校验要不要改造现有系统?
通常不需要。Soiawork 通过连接器对接已有业务系统与平台后台取数,通过文件空间读取总部下发的表格,通过设备(Soia Worker)处理必须在本地客户端或浏览器完成的操作。校验逻辑放在平台侧的工作流里,业务系统保持原样。
2. 患者信息和经营数据怎么控制?
按最小必要原则使用:处方订单协同场景中只传递完成流程所需的已有业务资料,只回传已审核通过的结果,异常单独列出并留存操作记录。具体字段范围与权限边界,需要在实施时按企业制度逐项确认。
3. AI 核对错了,责任怎么算?
规则校验型 AI 的定位是“整理与标注”,不产出专业结论。处方审核、用药判断、财务入账、售价变更等事项的决定权与责任,仍在具备资质的责任人和对应负责人。每次运行有日志与可回放证据,出错时能定位到具体规则或数据源,便于修正规则而不是追责到某个模型。
4. 和现有的 RPA、BI 是什么关系?
RPA 解决“固定路径的操作执行”,BI 解决“指标呈现”,规则校验解决的是“对照清单找不一致”。三者可以并存:Soiawork 的工作流可以调用既有的取数结果,也可以把校验后的异常清单交给 BI 呈现。区别在于规则校验的输出是“该处理什么”,而不只是“发生了什么”。
5. 从哪个场景开始最合适?
建议从商品信息运营这类标识类核对开始:规则明确、异常可逐条验证、错了也不直接产生严重后果。跑通一轮后,观察异常清单的实际可用性,再把有效步骤沉淀为技能,逐步扩展到对账、发票整理和经营报表。


