对话中国生物制药CIO：AI没有“流程后果”，大概率白上了

头图 | AI生成 “AI上线后，旧流程没变，经营和财务也长期不见改善，那大概率白上了。” 这是中国生物制药集团助理副总裁，兼数字创新中心负责人曹奋泽判断企业是否真的落地AI的一条硬标准。 当企业不断上新智能体，员工AI工具越用越多，可如果业务仍沿着原有流程运转，那AI很可能只是在业务流程旁的一个外挂而已，看上去热闹，很难变成真正的生产力。 那么，AI如何才能从“可用可不用”的工具，变成业务绕不开的一环？ 近期，虎嗅智库与曹奋泽聊了聊这个问题。 中国生物制药首席执行长、正大天晴董事长谢承润 此前曾将AI与国际化作为企业跨越产业周期的重要方向。这家公司也在将AI逐步嵌入药物研发、临床开发、生产制造和商业化等环节。 智能审核是其中相对成熟的案例。过去一年，这套系统已经在临床、财务、合同等审核场景处理数百万材料。业务提交单据后，无需主动打开AI，系统会自动完成信息提取、规则校验并分流异常，业务人员重点处理例外、维护规则、判断风险。 经营智能分析类系统则绕过一段弯路，系统连接好了，分析和建议能够生成，业务却没有持续采用。团队复盘后发现，影响判断的现场信息和执行约束没有完整进入系统，建议由谁核实、如何跟进、结果怎样反馈，也需要同步设计。 一条路走得顺，一条路绕过弯，但指向同一个答案， AI能给出答案不等于真正落地，只有当答案能够触发行动、明确责任，并从结果中继续学习，才算进入企业流程。 曹奋泽将其概括为“三进一退”： 进入默认入口，进入行动与责任，进入反馈闭环，同时让旧流程退出。 当模型越来越易得，企业真正稀缺的，已经不是再多一个AI工具，而是重写流程、权责与反馈机制的能力。 以下为虎嗅智库与曹奋泽的对话整理摘要，enjoy。 01 AI上线不算落地，企业需要重算“价值账” Q1：过去两三年，中国生物制药落地了哪些AI项目？您如何判断一个项目是否真正产生了业务价值？ 曹奋泽： 过去两三年，我们明显感受到AI可参与的工作范围在扩大，关注点也逐步从能力验证转向业务应用。但我们现在评估AI项目，已经不再只看上线数量、账号数和使用量了，而是分成四个阶段： 第一，是否完成部署；第二，员工是否真的在使用；第三，AI是否正式进入了一些业务流程；第四，它最终有没有产生可以持续衡量的业务结果。 目前AI创造价值的场景大致分三类： 第一类是高频、人力密集、规则相对清晰的场景。 比如业务材料审核、合同条款比对、临床文件核查、医学编码和病例预筛中的信息处理。这类标准明确、可验证的任务较容易形成稳定应用，提升效率和一致性，专业判断仍由相应人员承担。 第二类是基于多元数据进行分析、预警和辅助决策。 比如临床项目的进度与风险、生产端的需求与供应变化，以及经营表现分析。通过结合业务数据、外部信息和一线反馈，帮助管理者发现异常、分析原因、比较行动方案。 第三类是支持更复杂的科学研发，比如AI药物设计。 我们已在分子设计、虚拟筛选等环节开展应用，并逐步推进真实项目验证，通过化合物合成、湿实验及数据回流，检验计算结果、改进下一轮设计。 但这三类场景不能用同一套指标衡量。自动化场景要看准确率、处理时效、人均产能和风险发现能力；决策类场景要看建议有没有被采纳、有没有形成实际行动；AI药物设计也不能看生成了多少分子，而要看能不能缩小候选化合物范围、减少无效合成，更早识别活性、选择性和安全性风险。 所以，我们现在看的不是“AI上没上线”，是它到底走到了哪一步。 Q2：如果选择一个已经稳定运行、产生明确价值的案例展开来聊聊，您会选哪个？ 曹奋泽： 我会选择“智能审核”类的案例。医药行业本身是一个知识密集型产业，有大量材料需要处理、提取、审核和归纳的工作。智能审核的价值是把标准明确、结果可验证的部分交给AI持续执行，专业人员则重点处理异常和作出最终判断。 单据智能审核是其中运行较为成熟的一个例子，已累计处理百万单。单据提交后，AI完成信息提取、规则比对和异常提示，处理结果直接进入后续流转，业务人员则重点处理异常、维护规则，并完成必要的复核。 类似的能力，也正在用于合同条款比对、临床研究文件的完整性和一致性核查，同时保留各个领域所需的专业判断和复核要求。 在这些应用持续运行的过程中，经过验证的规则和方法被逐步固化到系统和流程中，得以持续复用；异常处理与复核中积累的经验，也可以用于进一步完善规则。 这笔账是可以算出来的，原来需要多少人、花多长时间，现在自动处理多少、人工处理多少、模型消耗多少。 这类案例之所以相对成熟， 核心是它高频、刚需，数据输入相对稳定，规则也比较清楚。更重要的是，AI给出的结果会直接影响单据下一步怎么流转，而不是只在旁边给一个参考意见。 Q3：现在老板和财务部门都会追问AI项目的投入产出，你们具体怎么算这笔账？ 曹奋泽： 企业做AI，最后是要改财务指标的。一个AI项目，如果长期看不到对经营和财务结果的贡献，我就会质疑它继续投入的价值。有些价值需要时间才能兑现，但至少要说清楚，现在改善了什么，后面还要验证什么。 我们主要看四本收益账。 第一本是效率账， 看工时、流程周期、业务吞吐量和响应速度； 第二本是质量账 ，看差错、返工和结果的稳定性； 第三本是风险账 ，看异常能不能提前发现、及时处置，风险暴露能不能缩小； 第四本是增长和机会账 ，看预测、资源配置、研发判断和业务行动有没有改善，能不能带来新的业务结果。 每个AI项目，都要找到自己的账本。 自动化审核重点看效率和质量；生产场景看批次差错、返工和相关损失；决策类项目则要从建议是否被采纳，一直追踪到行动和结果。 这里有一个很容易混淆的地方， 节省时间不等于节省现金 。要看重复工作是否真正取消，释放出来的能力去了哪里：是减少外部支出、承接更多工作，还是投入更高价值的任务。财务收益和释放的工作能力，要分开说明。 收益还要有基线、统计周期和归因依据。 生产计划周期缩短、库存改善，往往是数字化、流程调整和管理共同作用的结果，不能全部记在AI头上。预警发现了风险，也不能把可能避免的损失全部算成已经赚到的钱。 收益可以估算，但不能把可能性当成成绩。 研发项目要分阶段评价： 早期看筛选周期、候选选择质量和实验验证效率，随后看设计、合成和测试的迭代质量，长期看关键研发里程碑 。不能只数生成了多少分子，也不必等到药物上市才评估价值。周期可以长，但每个阶段都要有支撑继续投入的依据。 除了收益账，还要算成本账 。模型和Token之外， 数据治理、系统集成、人工复核、持续运营、培训、变更管理、安全和合规 ，都要算进去。把全部投入与实际完成的业务量、质量和结果对应起来，才能看清投入产出。调用次数和提示词数量，只能说明用了，不能证明创造了价值。 最后，收益要看集团整体，不能各个团队重复计算 。业务与数字团队共同定目标、验结果，财务参与核验。业务负责采用、流程调整和专业判断，数字团队负责技术能力、系统稳定性和运行成本，双方共同保障数据质量、推动收益兑现。 项目上线不等于价值兑现，双方要对最后的结果负责 。 02 AI真正进入业务的分水岭，是有没有“流程后果” Q4：AI怎样从员工偶尔使用的工具，进入日常业务流程？ 曹奋泽： 关键不只是工具做得有多好， 而是我们把AI的触发方式重塑了。 现在很多场景，已经不依赖员