重庆的药企不缺品种,缺的是把纸核完的人
重庆的医药家底是看得见的。石柱的黄连、巫山的庙党、南川的中药材种植与饮片加工,加上涪陵、江津一带的制剂和医药中间体企业,构成了一条从种植、提取、制剂到流通的链条。本地几家中药企业的独家品种在全国都有份额,一支口服液背后是万亩药材基地和上百个工序控制点。
药越好卖,纸越厚。GMP 体系下,一个批次要过批生产记录、批检验记录、偏差处理、变更控制、供应商审计、稳定性考察;一次新品注册要过工艺验证、清洁验证、稳定性方案;再加上飞行检查、客户审计、年度报告,质量部的柜子里永远堆着待签的字。这些文档格式固定、字段固定、逻辑关系固定,却必须由人一行一行看:签名缺一个、时间先后倒置、某个空白格没按规定划线,整批就要退回。
问题不在不愿意快,而在不敢快。中药企业的质量部门通常是「老资历少、新人多、流动快」,经验集中在几个人脑子里。企业年年扩产,合规的压强年年加码,人却补不上。这几乎是全国药企的共同处境,区别只在于,有些企业已经开始用系统化的办法处理这件事。
先看国外怎么解:Veeva 的两层设计
全球生命科学行业里,做质量文档最主流的一套系统是 Veeva Vault Quality。公开资料显示,它的 QualityDocs 产品被 500 多家企业用于管理 GxP 内容,官网给出的口径是通过数字化撰写、审阅和审批,把相关工作量的投入降低最多 90%。这个数字是厂商自己说的,需要打折看,但它指向的方向很清楚:把「文档在系统里流转」这件事做彻底,而不是继续在纸质与邮件之间来回。
更值得拆解的是 2023 年推出的 Vault Batch Release。它的思路不是让 AI 读完批记录就自动放行,而是三步:第一步把批记录、检验结果、稳定性数据、QC 审批、电子批记录、标签信息从 QMS、LIMS、ERP 等不同系统里聚合成一个统一的放行包;第二步按「异常审查」(review by exception)的规则,只把偏离标准的部分挑出来给人看,正常的字段不再逐页翻;第三步把电子签名、审计追踪、与质量文档的关联全部串起来,形成可追溯的放行记录。整套系统按 21 CFR Part 11 和 EMA 的要求做过验证,审计人员可以拿到只读权限进去查。
行业分析里还有一个更直观的对照:在实施 LIMS/MES 加电子批记录的集成环境之后,有案例的批记录审核周期从 7 个月压到 5 天。这个量级当然包含流程再造、数据治理和人员调整,不可能只靠一个模型,但它说明一件事:批记录审核的时间大头,从来不是「判断」,而是「找、对、翻」。
可搬过来的三个机制,比工具本身更重要
第一是「异常审查」。人之所以累,是因为要在几百个正常字段里找那几个不正常的。系统的价值是把正常的部分先判掉,把异常按严重度排队:必须今天处理的、可以批量确认的、需要补充资料的。重庆的中药企业未必要上 Veeva,但这条原则可以直接搬:先把「什么算异常」写成清单,再由系统按清单筛选。清单写不出来,上什么模型都白搭。
第二是「数据聚合」。批记录审核之所以慢,一半时间花在跨系统找数据:这条物料的检验报告在 LIMS,供应商资质在采购系统,工艺参数在 MES,偏差记录在 QMS。国外方案的做法是先建统一的放行包,而不是让人在四个系统之间切窗口。国内中型企业可以用轻得多方式实现:按批次建一个索引,把四个系统的关键字段抓到一张视图里,智能体在这张视图上做比对。
第三是「审计追踪」。这一点国内企业最容易忽略。AI 参与判断之后,检查时一定会问:这条结论是怎么得出来的、依据哪一版 SOP、谁确认过、有没有被改过。国外的规范做法是每条输出都带数据来源、规则版本、确认人、时间戳。做不到这一层,系统再聪明也不敢在 GMP 环境里用。
还有一类细节值得单独拎出来:资质与效期。药材供应商、辅料供应商、包材供应商、检测机构,每一家的营业执照、生产许可证、质量协议、年度审计报告都有有效期。这套东西放在国外系统里通常是供应商管理模块,在国内中型企业里往往就是一张 Excel。它最适合用轻量系统先接住:每天扫一遍档案库,把三十天内到期的资质整理成台账推给采购和质量负责人,把缺年度报告的列出来催办。技术含量不高,却是检查中最常见的扣分项。
重庆中型药企的现实路径:轻量化 + 私有化
Veeva 这一套主要服务大型药企,年费按模块和用户计,中等规模实施往往在数万美元级别起步,对重庆大量年产值几千万到几个亿的企业来说并不轻松。更现实的路子是「开源模型 + 检索 + 规则清单」的轻量方案,跑在企业自己的服务器上。
具体形态可以很朴素:一台带显卡的服务器放在机房,中等参数的开源模型跑本地推理,知识库存企业自己的 SOP、GMP 条款、历史偏差案例、工艺规程;前端接在质量部现有的电脑和扫描仪旁边,批记录扫描进来先做 OCR,再按清单比对,输出一张「问题清单 + 原始页定位 + 依据条款」的表。质量员在表上签字,原件归档。整套东西的投入,大约相当于多招一两个 QA 的年成本,但它不会离职。
私有化在这个行业不是选项而是前提。工艺参数、批记录、注册资料、供应商价格,任何一项都不可能上传到公有云。数据留在本地还有两个附带好处:一是断网可用,药厂的网络环境不允许依赖外网;二是资产可积累,三五年之后企业自己攒下的偏差案例库、问答库,会成为新人和外部服务商都替代不了的东西。
还有一道容易被跳过的关:计算机化系统验证。在 GMP 环境里,AI 系统本身也是需要验证的系统,要有用户需求说明、风险评估、安装与运行确认、权限与审计追踪的测试记录。很多企业兴致勃勃装完系统,检查时被问「这套系统做过验证吗」就答不上来。这一步要在项目开始时就排进计划,不能等上线再补。
AI 不签字,这条线必须画死
医药行业对 AI 的容忍度很低,原因很简单:药是吃进人肚子里的。所以智能体在这条链路上的角色必须限定得很清楚:它可以做预审、做提示、做检索、做比对,但不能替代 QA 的判断,不能自动放行,不能在偏差结论上「给建议」到让人误以为可以照抄。
实践中比较稳的分工是:系统输出「疑似问题」而不是「结论」;每条提示都附原文位置和条款依据,让人自己去核;涉及放行、偏差定级、召回判断的环节,系统只提供资料,不做判断;所有人工确认动作留痕。这样即使模型出错,也只是多一条被否掉的提示,不会变成一次错误的放行。
另一条线是数据权限。质量部、生产部、注册部、采购部看到的内容不同,离职账号当天失效,外部审计只给只读。这些听起来是 IT 细节,但在药企的内部审计和外部检查里,权限失控本身就是缺陷项。
从哪一步开始:先数字化,再谈智能
和几家重庆药企交流下来,最容易失败的路径是「先买模型,再想场景」。可行的顺序恰好相反:先花两个月把近三年的批记录、检验报告、SOP 全部扫描归档、编好索引;再把质量负责人脑子里的核对清单写成文字,一条条确认哪些是红线、哪些是建议;然后选一个高频场景(通常是批记录预审)做小范围试点,跑三个月,把误报和漏报都统计出来;最后才决定要不要扩到供应商资质、注册资料、内部问答。
这套顺序慢,但每一步都在积累。文档数字化是资产,规则清单是资产,误报统计也是资产,换任何模型都用得上。反过来,如果先上了一套系统,而库里的资料还是散的、规则还是模糊的,那系统只能把混乱放大一遍。
重庆正在把生物医药列进重点产业,本地药企的产能和品种都在往上走。规模上来之后,合规的边际成本会越来越压人。这时候真正的分水岭不是谁先用了 AI,而是谁先把「纸」变成了「数据」,把「老师的经验」变成了「可执行的规则」。这两件事做成了,工具是水到渠成的事。
