从业者试图为大模型找到更多使用场景，来给营收、融资增加筹码
文 | 《财经》记者 赵天宇
编 | 王小
AI大模型一个更新的尝试，是帮助药企开拓市场。
在一位从事AI成果转化的研究人员看来，大模型在医药的应用，目前进度较快、用得比较早的位于整个链条两端，一端是辅助新药研发，另一端则是药品市场研究，这是一个从两端逐渐往中间环节过渡的过程。
一位医疗领域投资人分析，专业从事企业数字营销的公司，是很需要大模型的，因为大模型可以基于各种标签维度做市场筛选，判断并匹配潜在客户。“最好的一点就是它是增收工具，相对来说会更好卖。”
几乎没有药企只为了促进市场营销而去特意配置一款自己的AI大模型，功能多的更受欢迎。
在OpenAI的支持下，疫苗研发公司莫德纳（Moderna）在内部引入了生成式AI。在生成式AI帮助下，不仅莫德纳的法规团队人员可以快速获得清晰的合同摘要，还可帮助员工快速获取内部政策，无需像以往一样在数百个文档中搜寻，以提高工作效率。
此外，莫德纳的公共关系团队用 ChatGPT Enterprise，构建了一个生成式AI聊天机器人，可以辅助创建季度财报电话会议的PPT；另外一个聊天机器人则可以帮忙把生涩的生物技术术语，转换为平易近人的语言，以方便和投资者进行沟通。
另一家与OpenAI合作的医疗企业——Oscar Health，做了一个AI助手，可以跟踪报销流程，自动回答有关患者报销的问题，将处理报销所需时间缩短一半。
这实际上还是在使用大模型的文本生成、问答能力，只不过将工作场景放进了医疗领域中。
然而，仅做助手还不够，人们期待大模型能给市场分析和营销带来更多创意，突破固有的经验。
云南白药还在持续训练“白小柒”内部知识，不仅让它成为熟练掌握白药集团内部知识的上岗员工，还希望它能成为药品销售的小助手、产品研发的小助理、健康品营销的小写手等。
市场人员一直在苦苦追寻最佳的售卖方案，想知道一款药为什么能够卖得好，哪些路径是真正行之有效的。然而，即便是经验丰富的销售员，也只能基于过往经验或对行业的理解去做分析，很难跨出已形成的知识架构再去思考问题，所以难有创新点。
而通过大模型分析市场数据会产生新的可能性，给市场分析人员以更多启发。零售数据分析公司Intelligence Node，就推出一个零售竞争情报平台——In competitor，能够分析竞争对手的定价数据，帮助零售商和品牌商监控竞争对手。
是的，当具体到每项功能，越是单一、明确，越容易让大模型去实现。这是当下从业者们在实际应用上的一个共识。
在营销领域使用AI大模型的过程中，卫瓴科技创始人兼CEO杨炯纬意识到，直接将AI应用于复杂业务场景中，往往效果不佳，需要企业首先梳理业务流程，然后再在具体环节内引入AI，这样可以通过AI总结聊天记录、生成个性化营销内容等方式，去逐步提升营销效果。
也就是说，某位销售人员发来一条信息，或者某次条理清晰的拜访，其内容大纲，或者说“话术”，很有可能就是AI写出来的。而对方的反馈，无论是接受了还是拒绝了，这些行为也成了数据，以帮助AI更懂人。
“AI没法形成全链条的应用，它目前只能在单点上用一下。”在上述研究人员看来，人们不敢尝试让AI去触碰业务的核心地带，不放心，但一直不让它碰就能力不够，像小学生升不了学，始终卡在小学阶段上。
尽管还没有一家医药企能公布出具体从人工智能工具中得到实惠的数据，但多数业内人士还是认为其未来价值的确可期。
咨询机构麦肯锡在2024年一季度询问了100名美国的医疗保健行业核心人士，包括支付方、服务提供者和医疗保健服务技术集团在内。结果显示，超过70%的医疗保健组织受访者表示，其所在的组织要么已经在使用生成式人工智能工具，要么正在对其进行测试。
7月25日，麦肯锡发布了上述报告。在生成式人工智能在医疗领域投资回报率上，大多数受访者表示仍处于概念验证阶段，已经在实施的数量不多，但约60%已实施AI的人，要么已经看到了积极的投资回报，要么抱有这样的期待。
而国内大多数药企，仍在观望中。
一位AI营销从业者表示，当下有意向尝试AI的企业，要么是预算少了、业绩考核多了，要么是预算增加，但要用钱的地方更多。很多预算是要一分钱掰成几瓣去花。
大模型落地企业的方式主要有两种。一种是企业私有化部署大模型，它可以保证企业的数据安全，但部署成本高达数百万元。另一种是调用厂商的大模型API（应用程序编程接口），部署方式相对简单，成本也低。
花出的钱，企业希望换到的是销售效率和成交率提升，这也是企业生存下去的关键，更重要的是能给营收、融资增加筹码。
然而，在工业领域，包括制药业在内，由于内部数字化程度不足，大模型拿来就能用上的比较少，一般需要参与合作的大模型团队从头干起，甚至先去给企业整理内部数据，打基础，然后再上大模型。
这一来成本就不可能低。“大模型产品和作为埋单方的企业，双方的需求不是一回事，这是一个现实的矛盾。”上述AI营销从业者认为，数字化转型的服务商，目前必须调整自己的预期，在有限的预算下，一定得帮埋单方实现开源节流，要么有效扩大市场，要么节省成本。以往那种捕捉时下热点推荐给企业，流行什么就建设什么的方式，到今天已经越来越难实现了。
另外，训练AI大模型，数据的数量和质量都很重要。一位AI辅助营销行业的从业者也表示，去一些企业里问了就发现，其实企业的数据没有收集好，尚不具备数字化的基础。
数据量凑不上，无法对大模型进行专业化的训练；数据量够，但质量低下，会让大模型“智力”倒退。上述研究人员遇到过，有机构提供数据让他去训练大模型，但数据质量不够好，训练完了性能反而下降了。
需求难以匹配，企业对此有许多抱怨，一是花了很多时间，太慢，二是价格因此更贵了。这又让企业对使用AI的成本更为在意。
对人工智能的大额投入，真能带来与之相匹配的收入增长吗？在全球市场也有不少反对意见。6月底，巴克莱银行分析师罗斯·桑德勒（Ross Sandler）就公开表示，在大模型领域的投入与创收在数字上似乎并不平衡，华尔街的预期是到2026年，人工智能将比计划多花费约600亿美元，但可能只带来额外的200亿美元的收入。
高盛公司资深股票分析师吉姆·考夫洛（Jim Covello） 也表示，尽管AI大模型公司的股价一路走高，但这项技术还远未达到实用所需要的水平。他提醒，“过度建设尚无实际用途或者尚未就绪的成果，往往会招致糟糕的结果”。
责编 | 秦李欣
