生物制药行业与其他行业一样，正在迅速采用人工智能技术，早期的热情是有道理的。与人工智能相关的生产力提升已被广泛记录，包括目标识别速度提高28%、生物标志物识别速度提高22%，以及化合物筛选速度提高20%。
然而，围绕人工智能准备情况的更广泛情绪则更为复杂。尽管大多数高管相信人工智能将改变药物开发，但不到一半的人同意他们的组织实际上已准备好部署人工智能。而那些正在规模化应用的组织往往缺乏长期人工智能可行性的先决条件，例如目标的清晰对齐和准备好充分拥抱新工具的劳动力。
这一差距反映了速度和准备程度之间的明确区别。例如，一个加速临床试验候选者识别的自动化研发代理，只有在基于正确目标的情况下才有价值。如果不明确对患者而言成功意味着什么，仅靠速度可能变成昂贵的误入歧途。
要同时实现速度和准备度，组织必须建立一个强大的基础，将人工智能部署锚定在三个关键领域：定义可测量的、以人为中心的结果，聚焦于智能集成系统，以及保持专业知识和监督。通过在工作流程中战略性地嵌入人工智能，科学家和临床医生可以专注于制药业真正应该做的事情——更快、更高效地为患者提供更好的治疗方法。
定义部署前的有意义结果
有效的AI策略始于深入审视成功实际上意味着什么。除了设定上市时间目标或部署时间表外，组织必须建立人工智能应该服务的结果，如患者疗效和安全性、市场准入、可负担性或临床试验多样性。
这项工作需要研发、临床、商业和监管团队之间的跨职能对齐，共同定义什么样的AI"胜利"看起来像。没有这种对齐，每个职能会独立优化，可能会损害另一个目标。药物发现算法可能会识别在计算上表现良好的化合物，但不考虑患者可及性、临床有效性或监管可行性。结果是将精力耗费在零散的项目上，而不是作为一股统一的力量为患者福祉服务。
投资于结果设定的组织可以更好地分配资源，并以合理的理由和灵活性优先考虑投资。最终，向以患者为中心的结果迈进，是单独的AI试点和深思熟虑策略之间的区别。
构建人工智能依赖的数据基础
即使是最先进的人工智能模型，其有效性也仅限于提供给它们的数据。然而，许多生物制药组织试图在没有充分解决整个企业内的数据质量、可访问性和整合的情况下扩展人工智能。当组织转向以患者为中心的工作方式时，跳过这一步骤的后果变得明显且可能相当重大。
认识与行动之间的脱节是明显的。尽管大多数组织将改善数据整合确定为优先事项，但目前只有37%符合"数据领跑者"的资格，这意味着他们积极投资于数据基础设施和数据驱动文化。团队内部也继续挣扎，22%报告数据可访问性不足。对于一个决策带来深远患者后果的行业来说，这是一个风险。
领导者可以通过关注三个要素来建立严格的数据基础：
- 准确性——确保临床、研发和商业数据是干净、经过验证和标准化的。
- 整合——连接孤岛式数据系统，使人工智能能够获得从分子到市场再到患者的完整图景。
- 治理——建立明确的所有权、安全性和访问协议，使数据在整个组织中保持可信和合规。
当这些支柱到位时，科学家和临床医生可以对所得到的输出产生真正的信心，从而实现更快、更确定的决策。这种信心使团队能够专注于需要独特人类技能的任务，如解释洞察、应用判断，并探究输出在业务更大背景中是否真正有意义。
保持人工监督和判断
随着人工智能承担越来越复杂的任务，领导者必须确保节省下来的时间可以用于做出需要推理和更广泛背景的决策。虽然自动化可以加速分析，但在评估影响患者安全、真实世界疗效和准入的结果时，判断仍然是必不可少的。
这种转变已经在进行中，76%的领导者预计人工智能将改变角色和责任。但关键问题是组织是否有意适应。
在实践中，这意味着在过程的关键部分保留人工判断——例如让临床医生评估试验数据是否反映真实世界疗效，或将商业领导者纳入以确保治疗方法在市场中广泛可及。
加强这种平衡的一种方法是持续强调推理、同理心、数据素养和协作等技能。这支持一种既拥抱实验又保持问责的文化。同时，领导层通过示范如何质疑、情境化和负责任地治理AI输出发挥着关键作用。
当人工监督被刻意保持时，AI使团队能够减少操作瓶颈，同时提高对背后决策的信心。
将AI锚定在最重要的地方
生物制药行业正面临生产率转型。人工智能有能力重塑药物发现、开发和准入——但前提是部署得当。
负责任的AI规模化没有捷径。在 poorly sequenced deployments（译者注：此处原文表述不完整，意指部署顺序不当）上叠加治理只会增加复杂性，增加风险，并破坏信任。
相反，前进的道路需要精心规划的序列，其中组织文化实际上随着技术使用而改变。建立信任和强化人类专业知识等因素必须共同促进AI努力，而不是争夺注意力。对于CXO们来说，这是起点：召集研发、临床、商业和监管领导层，在部署开始前定义AI成功的样子。
通过将AI投资锚定在以患者为中心的结果、可靠的数据和人类专业知识上，制药领导者可以推进那些服务于更好患者结果这一更广泛使命的发现。
【全文结束】
