新范式已来：从云计算到AI智能时代
2006年，亚马逊推出了弹性计算云EC2，标志着基础设施即服务（IaaS）模式的商业化落地。这被业界公认为技术革命的重要里程碑。云计算的出现，彻底改变了传统IT资源的获取、管理和使用方式，推动了从本地化、硬件依赖向灵活、按需服务的转型，被视为商业范式的一次巨大转变。
20年后的今天，一场新的范式转换已经开始，并将在未来十年内深刻影响我们的世界，彻底重塑整个商业化流程。在AI智能体的驱动下，企业不再是被动式地响应市场变化，而是能够主动预测和创造机会，基于数据所形成的洞察，指导一线业务团队开展及时行动。在这种新范式下，无论是组织、形式、应用、流程，还是工作流上的每一名员工，都会迎来彻底的改变。
4R进入深耕阶段
一切商业化流程的核心是客户。围绕于此，我们在数字化时代逐步建立起了一套完整的4R理论，即正确的人群（Right People）、正确的时机（Right Timing）、正确的渠道（Right Channel）、正确的内容（Right Content）。如今，在AI新范式的引领下，4R理论的土壤得到厚植，进入了真正意义上的深耕阶段，有望在生命科学行业的相应流程中，为企业带来切实高效的赋能。
图1：4R在AI时代进入“深耕”阶段
以人群选择为例，几乎所有药企的商业化团队都面临这样一个问题：我的营销方式是否触及到了正确的人群？换言之，真正的客户到底在哪里？以往，虽然有数字化工具的帮助，但要拿到相关数据依旧非常困难。然而在2025年，随着大语言模型的引入，这种“不可能完成的任务”开始变得“可能”。
一方面，企业可以得到一个全量的终极数据库，并将其与自身的营销需求关联起来，根据医生的行为、影响力、科研网络等信息来细分和选择人群。另一方面，以语音录入为代表的AI技术，也在帮助一线销售代表更加方便地输入信息，改变过去被动、拖延、“交作业”式的信息录入模式，提升数据质量，进而实现主观数据和客观数据的整合。
这种整合又可以帮助药企进行渠道的选择和优化，改变传统模式下，每家药企依靠市场部门进行目标客户渠道偏好的数据分析。这种模式不仅需要巨大的投入，所得出的结论也很有可能被主观概念所影响，事倍功半。未来，我们可以通过AI建立一个覆盖全行业的标准数据库，企业可以从中发现特定人群的渠道偏好，并根据自身企业的商业化需求进行选择。
此外，AI可以帮助销售代表更好地制定拜访计划，更加智能地寻找时机，并为医药代表提供与企业商业化目标和目标人群相匹配的合适内容。
探索管控与动能的平衡
过去十年，虽然数字化为生命科学行业的发展提供了不小助益，但它并没有带来如同工业革命般的巨大影响力，许多应用仍旧复杂或受限。AI智能体的普及打破了这种限制。无论是访前计划、语音录入，还是合规内容检查，AI驱动的数据云都在为药企提供全新的主客观数据洞察，让我们的工作变得更加简单。
但从另一个角度看，我们行业的复杂性也随着AI的出现被增强了。药企的客户不只是某个单一的群体，而是一个由医生、患者、医疗机构、政府部门、科研机构，甚至第三方支付平台共同构成的网络。今天，这个网络里的每一类人群都已经在熟练使用DeepSeek、豆包等普及性的消费型AI。
这些公有大模型虽然百花齐放，但其内容无从管控，难以满足药企对于安全、合规的要求。因此，许多药企开始探索自建企业级AI。但目前来看，这一进程还远无法满足客户个体的使用需求。在此过程中，药企还面临一个问题——如何在自动化和人性化之间找到适当的平衡。
图2：AI 让4R变“简单”也更“复杂”
图2展示了企业IT技术发展的两个方向。左侧是传统软件的优势：确定性的输入和输出，程序调试完毕后不会犯错，可以几万次高速运行，成本相对确定……但一旦业务创新的速度非常快，传统软件就只能是被动式的响应，存在与业务脱节的风险。
右侧则是智能体的优势——高能动。虽然我们今天所看到的智能体还远远不是成熟的状态，它就像一个聪明但需要学习的人类，会犯错，会出现幻觉，微小的输入偏差也会导致结果的南辕北辙，以及成本的巨大浮动，但药企依然看到了它的自主学习、自主创新将给传统业务所带来的改变，并纷纷加大相关领域的投入。
AI智能体的出现，并不是要完全取代传统的系统和平台。我们判断，软件驱动的“强控制”模式和AI智能体具备的“强动能”模式将在未来的3-5年协同共存，共同赋能生命科学行业的AI商业化实践。传统软件仍然会高速迭代，但同时也会有更多的AI技术和功能被植入其中。药企需要探索如何利用好这些已经运行了几十年、积累了丰富的行业最佳业务流程的软件，同时不断激发智能体的能动性，以给出洞察。
在这种协同共存的模式下，智能体可以自动执行重复流程，让销售、医学、市场等药企商业化团队在同一时段完成更多高价值工作，用效率赢得竞争；以可追溯的算法审计、实时合规监测和本地化数据治理，为跨国与本土药企在法规最严的市场也能安全扩张，用合规拓展边界；以跨渠道、跨终端的深度学习模型，把隐藏在日常互动、拜访记录、文献中的信号转化为可行动的洞察，让每一次决策更快、更准、更贴近患者，最终用技术速度服务生命质量。
AI应用思考
2025年7月，麻省理工学院NANDA研究计划发布了一份名为《生成式AI鸿沟：2025年商业AI现况》（The GenAI Divide: State of AI in Business 2025）的报告。该机构调查了53家企业的153位高管、350多名员工，以及300多个公开案例，发现了三个非常有意思的结果。
图3：AI在企业落地中的现实观察
首先，使用AI不等于成功投产。研究显示，超过80%的企业都探索过通用型的生成式AI工具，但更多是进行科学性实验，而非真正落地。实际上，只有5%的企业级AI应用最终进入到生产环节。Veeva在与药企客户的访谈中也看到了类似现象——铺开了大量的试点项目，但被业务接纳并规模化落地的却屈指可数。
Veeva建议
技术只是一根火柴，点燃它的则是每个人的主观能动性。因此，组织运营端的配合，是AI应用落地的关键。在大干快上AI项目之前，药企首先需要思考，我们在流程和运营层面是不是已经做好准备？在Veeva，我们有一句话：AI就是项目。当所有人都聚焦在AI相关的大语言模型和技术的时候，我们将目光移到了“冰山”之下。因为我们知道，真正能够推动变革的，是认知改变和流程重构，也就是“海平面”以下看不见的70%。今天，Veeva的商业咨询团队正在中国和全球范围内，帮助客户开展流程变革，重新设定目标和衡量体系，并帮助客户团队和员工培养AI素养，在人类直觉和AI洞察之间取得适当的平衡。这是一个相当长期的课题，也是Veeva商业咨询团队的关注点。
其次，高达96%的受访企业的高管都认为，目前企业的数据结构难以支持AI 扩张。这在Veeva的访谈中也得到了呼应。在过去数十年的信息化和数字化过程中，药企已经在商业化领域搭建了许多的系统、平台和应用，它们的数据格式不同、难以互用。在访谈过程中，我们听到最多的就是内外部数据整合。如何充分发挥数据动能，也是AI落地的关键点之一。
Veeva建议
AI的能力边界由数据决定。因此，高质量数据对于AI的重要性，是怎么强调也不过分的。过去五年，Veeva在中国始终致力于提升数据的质量，搭好AI的“基建工程”，让数据更干净、流动更通畅、标准更统一。为此，我们做了三件事。第一，整合软件，把软件和数据的数量与复杂度降下来，在推动整个商业化平台升级的过程中，让数据更易获取、流动、分析。第二，整合孤立数据，从底层的主数据到360度标签，对内外部数据进行整合。第三，为整合生命科学行业建立通用、统一的数据结构（CDA）。这三件事是环环相扣的，软件整合越彻底，数据整合和数据结构治理就越容易。
最后，有三分之二的AI 部署是通过战略外部合作完成的。而企业内部自建智能体项目的失败率，是寻找外部SaaS可靠合作伙伴模式的两倍。Veeva的调研中发现，几乎每家头部药企都在同时考察内部自建和外部合作两条路径。我们认为，不同路径的选择，涉及到的本源问题是：AI如何真正和应用融合。
Veeva建议
在企业端落地AI，不可能空谈大语言模型技术，而是要让核心系统成为AI价值实现不可或缺的载体，这便是深度应用。第一步是在每个业务板块，针对销售、市场、研发、KA、准入等各项职能，构建适合AI 发力的业务场景。但更重要的，是将智能体嵌入软件（AI in Application）和工作流（AI in Workflow）当中，变成业务用户的使用入口。智能体就如同一个具有极强的学习能力的公司新人，帮助他更好融入工作的最佳方式，就是在投喂文档和内外部数据之外，让他进系统熟悉工作流，真正了解上下文。这样，才能让核心系统变得更智能，也让AI变得更“懂事”。这是落地AI的最快路径。
新范式、新动能，拥抱商业智能时代
我们认为，企业需要时刻思考组织运营、数据动能、深度应用三个方面的转型战略，以此规模化实现AI的商业价值。Veeva也正从软件、数据、商业咨询三大领域支持药企客户AI落地，以伙伴之力驱动客户商业化效能的持续跃升。我们希望到2030年，能够通过AI驱动的行业云，为整合行业带来20%的效能提升。
