布里安娜·贝尔福德(Briana Belford)，整合智能部门负责人
如果您在第一季度与我有过交谈，您可能已经听我喋喋不休地谈论所有旅行、活动以及我痴迷的与AI相关的对话。我可能用了许多手势，热情洋溢地谈论我们正处于洞察、医学传播以及专业企业生活的"变革性时刻"。当我重新安定下来，将新的学习应用到正在进行的项目中，并在春季旅行高峰前有机会喘口气时，我终于梳理出了路透社美国制药会议、Pharmabrands欧洲"AI时代"会议以及Real Chemistry医药事务客户参加的各种洞察与创新研讨会的共同线索。这些活动虽然面向不同受众、采用不同形式和目标，但都围绕着令人惊讶的相似问题。
在"AI时代"会议上，讨论广泛而宏大：多智能体工作流、随时按需生成的AI工具，仿佛挥动魔杖一般（至少感觉如此，对吧？）。在路透社美国制药会议上，讨论则更加实际：医生关注度下降、不太奏效的细分模型。在我日常与医药洞察团队合作展示影响力的工作中，尽管我们比以往任何时候都拥有更多数据和技术，但那些我们最关心的结果仍需一年时间才能显现。
人工智能极大地扩展了医药事务部门的能力——却未能解决我们应该优先关注什么这一更难的问题。以下是我第一季度在三大洲8个城市奔波后的思考。
语言模型正迅速成为世界模型
作为一名语言学家，早在ChatGPT出现前几十年，我就在一间昏暗的大学教室（为什么语言学系的房间都在地下室？）首次了解到"大型语言模型"。在欧洲"AI时代"会议上，最引人深思的断言之一是：AI不再仅仅预测下一个词；它开始预测下一个物理状态。如今看起来像是与医疗保健无关的沉浸式视频游戏，明天可能就变成模拟患者旅程、诊所动态或医疗系统行为。这种非常现实的可能性解释了为什么AI实验如今在制药行业无处不在——是的，甚至在医药事务部门也是如此。
这引出了一个令人不安但必要的问题，特别是对于我们这些支持该行业的人：如果内容、分析甚至工具都可以按需生成，那么医药事务部门真正的价值现在来自何处？
个性化沟通失败，是因为忽视了决策
在路透社美国制药会议上，我主持了一个关于"大规模协调个性化科学交流"的小组讨论，同样的紧张关系不断浮现：许多个性化努力失败并非因为我们缺乏数据或技术。它们失败是因为我们在优化过去的行为。
细分模型仍然依赖历史行为，例如点击、下载或请求的内容，因为这些数据干净且可用。但正如百健公司的贾宁·盖哈·罗尔巴赫(Janine Gaiha Rohrbach)所说，这可能创造一个"科学回音室"，我们在其中优化熟悉度，最终将昨日的问题重新提供给面临新问题的临床医生。
AI并不能解决这个问题。由于基于回顾性数据训练，AI可能会大规模强化相同的模式。这里的机遇是从针对人群转向理解决策背景——医疗保健专业人员(HCP)面前当前的问题是什么，以及什么样的证据才能真正改变他们接下来的行动？
这可能部分解释了为什么医疗保健专业人员越来越多地将与决策相关的问题交给大型语言模型(LLMs)。他们每天面临一个新问题，而AI助手会按需生成答案，无论基础证据是否容易找到、一致且正确表述。
这引出了我的下一个思考，这也是AI讨论变得非常具体和紧迫的地方。
GEO是一种证据策略，而非流行语，而且是医药部门的责任！
GEO，也称为AEO、AIO或[插入本月最新缩写]，即生成式引擎优化：确保您的内容、数据和关键信息能够被大型语言模型轻松访问、阅读和引用的实践。
随着AI助手和基于LLM的平台成为医生获取医疗信息的第一接触点，确保医学内容可发现、可解释且来源一致变得至关重要。如果您的核心证据存在于受保护的PDF、格式不一致的幻灯片或分散的存储库中，那么对于医生越来越依赖的系统来说，这些内容实际上是不可见的。这不仅仅是一个沟通失败。这是证据准备不足的问题。
GEO迫使我们不得不进行必要的对齐：研究设计与后续使用之间、出版物与数字架构之间，以及重要的是，医学、商业和监管精确性之间的对齐。AI并没有免除我们的这些责任；相反，它放大了在职能孤岛中运营并期望单一策略塑造围绕您的科学、公司或最新数据的公共叙事的后果。
我们信任的指标来得太晚。那么我们应该跟踪什么？
医药事务衡量中最困难的现实之一一直是：我们真正关心的结果，如更好的临床决策、更多遵循指南的治疗以及更少的未治疗患者，往往要经过长时间的延迟才能出现，通常是一年或更长时间。AI使这种延迟更加明显，而我们等待反馈的意愿已大幅降低。
领导者需要利用数月后才能验证的信号做出每周决策。因此，我们转向参与度、活动计数和替代指标等代理指标。这些指标并非错误，但除非它们与实地和更广泛科学生态系统中发生的事情联系起来，否则是不完整的。
缺少的不是另一个仪表板。而是整合：将内容表现、医学信息趋势、大会情报、关键意见领袖(KOL)和实地洞察以及外部信号整合成一个连贯的视图，以支持判断而不仅仅是报告。在"无限输出"的世界中，信任、验证和决策清晰度成为稀缺货币。
AI让每个人都能生产内容并快速分析数千个数据点。但解读不确定性和将混合信号转化为最佳下一步行动的能力，才是真正推动变革的关键。
这正是医药事务部门（及其支持伙伴）仍然最重要的地方：
- 在不过度反应于噪音的情况下解读模糊性
- 测试假设（及其背后的数据）
- 将分散的输入连接成能改变决策的洞察
AI可以加速综合、揭示模式并模拟场景，但它无法决定应该优化什么。这仍然需要目标、判断和对决策质量的不懈关注。
我们的现状
结束本季度的巡回之旅后，我感到既兴奋又不安。在这个行业工作15年后，我意识到这一信号表明我身处正确的场所，我们正处于真正变革的边缘。
对任何人来说这都不足为奇：AI不再只是医药事务部门的边角项目。它正在重塑证据的生成、获取、解释和信任方式。这意味着我们必须帮助塑造AI要说的内容。
【全文结束】
