医疗与生命科学领导者必须回答的 10 个 Agentic AI 关键问题 ｜ 技术实践

2026 年，智能体将在企业级应用中取得哪些实质性突破？ 点击下载 "《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！ 医疗健康与生命科学组织的领导者正在进入 AI 应用的新阶段。这项技术正在从简单地回答问题、记录口述内容和协调任务，转向通过自然语言提示词编排复杂的工作流。 这一实质性转变至关重要。 AI 智能体可以收集上下文信息、推演各个步骤、调用工具、提出行动建议，并在整个流程中与员工协同工作。在医疗健康与生命科学行业，这可以帮助团队加快研究进程、提高运营效率，并支持临床、商业和监管工作中更加及时的决策。 与此同时，这也带来了更高的风险与要求。 当 AI 从生成内容转向采取行动时，决策者需要更高程度的信心。他们需要了解智能体可以访问哪些数据、可以执行哪些操作、输出如何受到治理，以及团队如何审计已经发生的事情。他们还需要清楚掌握成本、基础设施要求和长期灵活性。 问题并不在于智能体 AI 是否具有潜力。它当然有。更值得关注的问题是，组织的数据、治理与协作战略是否已经为此做好准备。 在医疗健康与生命科学组织将智能体 AI 投入生产环境之前，管理者应当提出以下 10 个问题。 哪些工作流最适合使用智能体 AI，我们将如何衡量其影响？ 并非每一个流程都需要 AI 智能体。最适合采用智能体 AI 的，通常是复杂、重复、依赖人工、数据密集，或者横跨多个系统或团队的工作流。 在生命科学领域，智能体 AI 可以支持临床试验可行性分析、试验中心遴选、试验方案分析、监管内容工作流、安全性病例分诊、医学信息回复、商业一线洞察或供应链规划。 在医疗健康领域，智能体 AI 可以支持事先授权、照护管理、营收周期运营、质量报告、医疗服务提供方网络分析、参保人互动或就医可及性。 领导者应当从价值出发，而不是追逐新奇。需要思考智能体 AI 可以在哪些方面改善可衡量的结果，例如： 缩短周期时间；提高生产力；提升准确性；减轻行政负担；加快研究或商业化进程；改善患者、参保人、医疗服务提供方或研究人员的体验。 明确的指标有助于让 AI 项目保持聚焦，也能帮助领导者判断哪些试点项目应当扩大规模，哪些应当停止。 我们是否拥有智能体 AI 实现规模化有效运行所需的可信数据基础？ 智能体 AI 的输出质量在很大程度上取决于上下文。如果数据彼此割裂、已经过时或难以治理，同时缺乏语义理解、本体和元数据，AI 智能体就可能遗漏关键信息，或者给出看似有用、实际上缺乏采取行动所需上下文的答案。 这是该行业面临的现实挑战。关键数据往往分布在广泛的数据源中，包括电子健康记录、理赔数据、实验室数据、医学影像、临床试验系统、安全性系统、商业应用、供应链和合作伙伴环境。有些数据是结构化的，有些是半结构化的，还有很大一部分是非结构化的，包括笔记、文档、图像、文字记录和科学研究内容。 管理者必须审视自身的数据基础能否以受治理的方式汇聚这些数据源。智能体 AI 无法依靠一次性数据提取、重复的数据管道或彼此断开的数据集市实现高效扩展。它需要安全地访问组织内可靠的数据。 能够跨团队、云和区域统一、集成、分析和共享数据的平台，可以为组织带来显著价值。对于智能体 AI 而言，这一基础至关重要，因为智能体通常需要的不只是提示词和模型。只有在适当的时间，针对适当的用户和工作流，以受治理的方式访问正确的数据并理解其上下文含义，智能体才能发挥最佳效果。 我们将如何治理 AI 智能体能够访问、生成、建议和执行的内容？ 当 AI 开始采取行动时，治理的内涵也随之发生变化。 在分析场景中，治理通常关注谁可以访问某份报告或某个数据集。进入生成式 AI 阶段后，治理范围扩展到了提示词、模型输出和使用方式。到了智能体 AI 阶段，治理还应覆盖智能体采取的行动。 决策者需要提出的重要问题包括： 智能体可以访问哪些系统？它可以检索哪些数据？它可以提出哪些建议？哪些步骤需要人工审核？哪些操作属于禁止范围？团队将如何监控其活动？组织日后将如何审计相关决策？ 这些问题并非理论问题。它们可能直接决定团队能否有信心地规模化应用智能体 AI。 医疗健康与生命科学组织管理着海量的受保护健康信息、研究数据、商业数据和知识产权。组织应当从一开始就将治理嵌入智能体 AI 工作流，而不是等到试点成功后再补充治理措施。 这样做的目的并不是减缓创新。强有力的治理可以为团队提供明确的规则、减少不确定性，并帮助业务用户更加安全地采用 AI。 AI 智能体能否在不制造更多数据孤岛的情况下，安全地使用整个组织的数据？ 许多智能体 AI 试点项目启动迅速，却也带来了新的复杂性。一个团队选择某项工具，将数据复制到独立环境中，并验证一个范围有限的工作流。这种方式可以用于实验，但也可能造成更多数据迁移、更多治理工作，以及更多需要保护敏感数据的位置。 决策者应当思考，智能体如何在不创建另一个割裂层的前提下，安全访问所需数据。 例如，临床运营智能体可能需要试验方案文档、试验中心绩效指标、受试者招募数据和患者群体洞察。商业智能体可能需要经过批准的内容、客户关系管理数据、市场准入信息和一线洞察。医疗运营智能体则可能需要理赔数据、医疗服务提供方数据、呼叫中心数据和照护管理数据。 这些工作流横跨不同系统和团队，同时涉及敏感数据。因此，架构至关重要。 强有力的智能体 AI 战略应当让数据保持互联、安全并受到治理。同时，它还应帮助团队减少重复、避免不必要的数据迁移，并让智能体以受控方式访问各个工作流所需的信息。 我们如何避免幻觉以及方向错误或不可靠的智能体输出？ 幻觉是生成式 AI 的已知风险。对于智能体 AI 而言，这一风险更加严重，因为其输出可能影响后续行动。 领导者应当思考，如何确保智能体始终以经过批准、最新且相关的信息为依据。答案不应只涉及模型选择，还应涵盖数据质量、稳健的语义层、信息检索、访问控制、业务规则、工作流上下文和人工审核。 监管团队需要智能体使用当前有效且经过批准的内容。临床运营团队需要基于最新的试验、试验中心和受试者招募数据获得建议。医疗支付方或医疗服务提供方团队需要智能体输出能够反映政策、保障范围以及临床和运营上下文。 更可靠的事实依据始于更完善的数据访问、上下文和治理。AI 智能体应当从可信来源检索信息，遵守基于角色的访问控制，并提供足够的透明度，使人们能够了解其输出来自何处。 对于管理者而言，实际问题很简单：组织能否解释智能体使用了哪些数据，以及为什么其输出值得信任？ 我们是否已经为生产环境中的隐私、安全、合规和可审计性做好准备？ 概念验证可以在受控环境中运行，而生产级 AI 必须达到更高的标准。 当智能体 AI 开始支持实际工作时，管理者需要明确了解敏感数据如何被访问、在哪里处理、使用了哪些模型、输出如何留存，以及相关活动如何受到监控。在医疗健康与生命科学领域，这可能涉及 HIPAA、HITRUST、良好实践规范（GxP）、HITECH、FedRAMP，或组织内部针对受监管数据制定的政策要求。 管理者应当确认组织能否对整个工作流中的智能体 AI 活动进行审计，包括提示词、数据源、模型响应、工具调用、用户审批和最终行动。 可审计性能够建立信任，也有助于团队持续改进 AI 工作流。当组