在医疗技术行业扩展 gen AI

快速阅读: 据《麦肯锡季刊》最新报道，医疗器械公司正逐步采用生成式AI以提高生产力和创新能力。早期采用者已见成效，但成功需克服战略、数据集成和变革管理等挑战。为最大化投资回报，公司应优先将AI融入现有流程，并通过集中管理、敏捷合作及优先试点等方式加速实施。

医疗器械公司处于医疗创新的最前沿，开发改变生活的设备和解决方案，帮助临床医生更早诊断疾病、更精准地进行干预，并更有效地监测患者健康状况。微创手术机器人、AI驱动的诊断成像和连接式糖尿病管理系统等创新已经极大地改变了患者的护理方式。随着行业从利润压缩和市盈率下降的时期中走出，生成式AI在增强生成式AI（Gen AI）的帮助下，可以在推动医疗器械价值创造优先事项方面发挥关键作用，以提高生产力并最终提升盈利能力。麦肯锡估计，医疗器械公司每年可通过生产力提升获取140亿至550亿美元的价值，并借助产品和服务创新增加500亿美元以上的年收入。

生成式AI对医疗器械行业而言，潜力尤其显著，由于数据驱动型产品无处不在，且许多关键但重复的工作流程适合数字化改造，包括监管文件、合同合规追踪以及客户服务。随着行业从利润压缩和市盈率下降的时期中走出，生成式AI在增强生成式AI（Gen AI）的帮助下，可以在推动医疗器械价值创造优先事项方面发挥关键作用，以提高生产力并最终提升盈利能力。麦肯锡估计，医疗器械公司每年可通过生产力提升获取140亿至550亿美元的价值，并借助产品和服务创新增加500亿美元以上的年收入。

**2024年秋季对40位负责生成式AI战略和预算的医疗器械高管的调查显示，早期采用趋势令人鼓舞。**约三分之二的受访者表示其公司已在实施生成式AI。近20%的公司正在扩展其解决方案并取得了初步成功。近半数人看到了可量化且可衡量的生产率提升。15%实施生成式AI的公司报告称对损益表产生了积极影响。本文探讨了医疗器械机构在生成式AI应用中取得成效的主要案例，并分享了一个框架，公司可以利用该框架成功扩展并从这项变革性技术中创造价值。

### 在医疗器械全产业链的早期采用

根据我们的调查结果，生成式AI部署在多个领域，包括研发、商业和运营。这些努力中涌现出的最具前景的应用场景包括研发加速（特别是在研发和产品开发方面）、流程自动化（如营销内容生成和法规遵从性）以及决策支持（包括销售赋能和供应链优化）。那些影响最大的公司优先考虑通过专业知识代理和行业特定流程改进来推动具有重要意义的业务价值应用场景。

#### 更快、更高效的研发

研发是医疗器械领域中生成式AI采用频率最高的领域；这个群体通常精通技术，更愿意探索新工具。这些群体中的个人经常使用现成的生成式AI工具来搜索相关文章或综合研究论文。针对医疗器械研发工作流程量身定制的工具可以提供更大的影响，并帮助研发团队简化流程，更快地将产品推向市场。

在医疗器械领域，研发团队在整个产品开发生命周期中面临众多文档要求——从临床研究设计到监管提交、技术规格和产品标签。如果没有AI，整理和审查试验数据的过程需要数周时间。通过AI辅助起草关键材料（如产品开发文档或标签），并在人工审核最终提交文件的基础上，可以提高质量并腾出时间用于更高价值的研究和创新，从而加速关键医疗产品的上市进程。例如，我们观察到一些医疗器械组织通过AI将标签生产效率提升了20%到30%。

#### 更顺畅的商业流程

生成式AI正在重塑医疗器械领域的关键商业流程，包括营销、洞察力生成和客户互动。超过半数的受访者报告在商业用例中部署了生成式AI。这些流程常常成为医疗器械商业组织的瓶颈，因其复杂的组合（需要管理大量SKU）以及向不同专科的医护人员、采购团队和其他临床及非临床利益相关者提供个性化内容的需求。

AI驱动的内容生成使团队能够大规模创建个性化营销材料，这增强了满足医疗器械行业全渠道参与需求不断增长所需的数字营销。使用生成式AI进行洞察力生成有助于任务，如账户优先级排序、简化研究、优化客户参与策略和预测与不同购买者画像产生共鸣的关键信息。同时，AI辅助的面向客户的材料增强了销售团队的能力，通过提供定制化信息、自动生成邮件和轻松访问现有资料来实现。

我们调查的三分之一的医疗器械公司正在使用生成式AI加速营销内容创作和医学法律审查，而40%的公司正在实施或计划采用AI驱动的客户服务解决方案，以改善人工代理响应的速度和质量。生成式AI正在重塑医疗器械领域的关键商业流程，包括营销、洞察力生成和客户互动。超过半数的受访者报告在商业用例中部署了生成式AI。这些流程常常成为医疗器械商业组织的瓶颈，因其复杂的组合（需要管理大量SKU）以及向不同专科的医护人员、采购团队和其他临床及非临床利益相关者提供个性化内容的需求。

AI驱动的内容生成使团队能够大规模创建个性化营销材料，这增强了满足医疗器械行业全渠道参与需求不断增长所需的数字营销。使用生成式AI进行洞察力生成有助于任务，如账户优先级排序、简化研究、优化客户参与策略和预测与不同购买者画像产生共鸣的关键信息。销售团队可以从集成到其现有工作流和相应工具（如客户关系管理CRM或销售仪表板）中的交互式生成式AI工具中受益。这有助于团队合理安排时间，提供推荐，并解答如何与账户中的利益相关者互动的具体问题。节省的时间可以重新投入到新的业务拓展中，让销售团队更多地专注于深化客户关系而非行政事务。

最成功的AI辅助工具是针对具体角色及其工作流程定制的。例如，销售经理获得团队辅导工具；关键账户经理接收有关其账户执行重点的洞见，基于公开数据和账户团队交互数据的结合；销售人员收到账户购买模式变化的警报和相关营销材料的建议。这使用户能够更快作出决策，在路上获取关键资源，并提供更优质的客户体验。

#### 精简运营

医疗器械机构正在运营的三个领域优先考虑AI解决方案：库存管理、合同管理和采购谈判。在库存管理方面，约30%的受访者表示其正在使用AI工具进行需求预测、中断监控和现场库存支持。鉴于寄售、主仓库库存和借用单位等库存管理模式在医疗器械中的普遍存在，导致库存系统日益复杂，因此AI的更大采用和价值创造潜力很高。

采购和合同正在被AI重塑，它能够大规模分析合同条款，识别不一致并标记风险点，在与供应商谈判期间实时处理数据并监测实际支出模式。在接受调查的组织中，20%的组织正在或计划使用AI审查合同条款和条件以寻找成本节约机会。合同中的采购用例也是最快产生损益影响的用例之一：AI驱动的发票匹配和合同核销已使成本降低1%至4%，而AI驱动的谈判助手工具额外节省了1%至4%的成本。

### 生成式AI实施的挑战

在医疗器械领域广泛但分散的生成式AI推广限制了一些组织实现规模化发展和盈利影响的能力。尽管我们调查中有65%的受访者表示其公司已在实施生成式AI，但许多公司采取了分散式或职能特定的方法，超过三分之二的公司报告称其在至少三个功能上实施。此外，59%的公司采取了分散式或职能特定的方法。这种广泛但分散的部署策略带来了三大类挑战：

– **战略**：大多数组织缺乏连贯的AI战略。31%表示其组织“不确定如何优先考虑应用场景”，这一挑战也出现在尚未实施生成式AI的50%受访者中。值得注意的是，医疗器械领导者比其制药业同行更有可能指出无效（或缺失的）生成式AI实施路线图。
– **数据集成**：超过50%的受访者将系统集成和数据隐私视为主要顾虑。在采用分散式方法实施AI的公司中，IT团队往往在早期没有作为战略合作伙伴参与进来。这限制了超越试点规模并交付价值的能力。此外，数据不足或业务部门参与不足可能导致试点未能启动，这可能导致多个单元重复努力并加剧集成难题。
– **培训和变革管理**：超过70%的受访者将技能差距和对变革的抵触情绪列为在组织中实施生成式AI的三大主要顾虑。即便获得所需人才后，若组织未实施有意义的变革管理，包括帮助终端用户改变行为习惯或调整工作流程的努力，也可能无法从生成式AI工具中捕获额外价值。

### 有效实施生成式AI的关键

领先的生成式AI采用者展示了我们在AI转型框架中阐述的成功因素。医疗器械组织可以应用以下因素来加速影响并创造成功的生成式AI部署条件。

#### 有效实施生成式AI的关键

##### 战略性路线图

制定一个战略性路线图，聚焦于一两个领域开展转型。在特定领域（无论是特定功能，如监管或营销，还是产品套件）内构建解决方案的组织更有可能实现规模化价值。采用这种方法，单一责任的业务负责人将与首席信息官和首席技术官合作交付价值并清除障碍，允许业务实施相互关联的应用场景并在共同团队中管理变革。

例如，采购团队可能从发票对账开始，然后推进到类别管理工具，或者研发团队可以先自动化几个提交，然后扩展到自动化大多数其他文档任务。业务负责人还应关注能快速见效的用例，尤其是在采购、营销、客户合同或监管合规等领域。随后可以按顺序进行领域转型，以创建转型路线图。

##### 集中式人才管理

医疗器械业务和职能部门通常是高度自治的，这为碎片化努力设置了舞台，这些努力未能建立可扩展平台。启动生成式AI计划的医疗器械领导者应平衡为个别业务创建解决方案与发展可以在多个业务和用例之间利用的技术基础。领导者可以建立一个生成式AI卓越中心，配备集中式的AI工程人才，使用共享数据产品和服务在共同数据基础上构建解决方案。

该团队可以支持业务部门，确保一致性并减少孤岛，同时保留必要的功能性专业知识。中央数字或IT团队也可以管理技术合作伙伴关系并开发企业级AI能力。例如，一个组织将产品导向的用例分配给研发领导层，而将企业级能力（如企业级工具选择和内容生成或分析模型创建）放在卓越中心内。

##### IT和业务参与的敏捷运营模式

构建时采用敏捷运营模式，从第一天起就包括IT和业务合作伙伴关系。太常见的情况是，组织要么在没有IT输入的情况下开发AI解决方案，要么在业务参与不足的情况下让IT驱动部署。这些职能在整个旅程中的早期合作可以改善可行性评估，加速试点之外的扩展，并解决关键的集成和数据隐私挑战。

这种协作还有助于识别可以在后续转型中迅速部署的相邻领域。IT和业务参与的敏捷运营模式对于大多数医疗器械组织而言，成功的IT和业务合作伙伴关系将取决于加强某些人才池，包括数据工程和数据科学、机器学习和提示工程等技术技能。成功还需要每个领域有一个强大的产品负责人来推动整合。

产品负责人可以跨职能协调以确保适当的风险管理（如确保医疗和商业之间的适当分离）、安全性和不良事件报告。

##### 扩展的IT-业务合作伙伴关系

将IT和业务合作伙伴关系扩展到技术和数据需求。医疗器械中的数据来源通常存在于本地维护的电子表格或其他一次性或手动文档中。在各领域推进生成式AI用例将需要更多的可重用数据产品。然而，领导者不应让完美阻碍早期进展；相反，他们可以在第一个数据域进行初步清理或映射工作，同时制定更广泛的数据战略和运营模式以供未来使用。

同样，首批部署可能会做出一些更务实的架构选择，同时为长期决定技术栈、基于云的平台和软件交付自动化奠定基础，最终降低总拥有成本。

##### 优先采用

优先采用与技术实施一样重要。生成式AI部署的成功与否取决于员工如何将其融入日常工作中。将AI嵌入现有流程而非将其视为附加组件可以提高生产力并最大化投资回报。

为了实现这些结果，生成式AI工具可以在最终用户的协作下构建，并以对相关工作流有清晰理解和支持需求的知识为基础。在可能的情况下，工具应定制以适应小组的现有流程。我们观察到，通常使用不适合用途的通用副驾驶工具的组织往往面临低采用率的问题。

领先的组织还在推出前通过投资结构化变革管理、将培训纳入实地活动、提供激励措施以及确保透明度来跟踪业务影响的使用情况。

### 医疗器械公司采取生成式AI行动的时机已经到来

早期采用者已经看到了可衡量的结果，因为这项技术显示出明确的潜力来解决长期以来阻碍创新和运营效率的行业挑战。果断但战略性行动的公司将最好抓住这项技术的全部潜力。那些推迟或不加规划就行动的公司可能会在生成式AI成为行业竞争关键驱动力时落后。

超过70%的受访者表示，技能差距和对变革的抗拒是他们在组织中实施生成式AI时面临的三大主要问题之一。技术部署常常由于缺乏合适的人才而受到阻碍。即便获得了所需的人才，若组织不实施有效的变革管理，包括帮助终端用户改变行为习惯或调整工作流程的努力，他们可能仍无法从生成式AI工具中获取额外的价值。

**优先采用与技术实施一样重要。生成式AI部署的成功与否取决于员工如何将其融入日常工作中。将AI嵌入现有流程而非将其视为附加组件可以提高生产力并最大化投资回报。**

生成式AI有效实施的关键因素

**战略性、专注的路线图**

制定一个战略性的路线图，将转型重点聚焦在一个或两个领域。在特定领域（无论是特定职能，如监管或营销，还是产品套件）内构建解决方案的组织更有可能实现规模化价值。通过这种方法，单一负责的业务负责人将与首席信息官和首席技术官合作，交付价值并消除障碍，使企业能够实施相互关联的用例并在共同团队中管理变革。

例如，采购团队可以从发票核对开始，然后推进到类别管理工具；研发团队可以从自动化几个提交开始，然后扩展到自动化大多数其他文档任务。业务所有者还应专注于能带来快速胜利的用例，特别是在采购、营销、客户合同或监管合规等领域。随后可以根据领域转型的顺序创建一个转型路线图。

**集中式人才管理**

医疗器械企业和职能通常高度自治，这为碎片化的努力创造了条件，这些努力未能建立可扩展的平台。启动生成式AI计划的医疗器械领导者应平衡为个别业务创建解决方案与发展可以在多个业务和用例中利用的技术基础。

领导者可以建立一个生成式AI卓越中心，配备集中式的AI工程人才，使用共享的数据产品和服务在通用数据基础上构建解决方案。该团队可以支持业务部门，确保一致性并减少信息孤岛，同时保留必要的功能专业知识。中央数字或IT团队还可以管理技术合作伙伴关系并开发企业级AI能力。

例如，一个组织将产品导向的用例分配给研发领导，同时将企业级能力——如企业级工具选择和内容生成或分析模型创建——置于卓越中心内。

**IT和业务参与的敏捷运营模式**

建立一个从第一天起就包含IT和业务合作的敏捷运营模式。太常见的是，组织要么在没有IT输入的情况下开发AI解决方案，要么让IT推动部署而缺乏足够的业务参与。在整个过程中早期的合作可以提高可行性评估，加速试点之外的扩展，并解决关键的集成和数据隐私挑战。

这种协作还有助于识别在后续转型中可以轻松部署的相邻领域。对于大多数医疗技术组织来说，成功的IT和业务合作伙伴关系将取决于加强某些人才池，包括数据工程和数据科学、机器学习以及提示工程等技术技能。成功还需要每个领域的强大产品负责人来推动整合。

产品负责人可以通过跨职能协调确保适当的风险管理（例如确保医疗与商业之间的适当隔离）、安全性和不良事件报告。

**扩展的IT-业务合作**

将IT-业务合作扩展到技术和数据需求。在医疗技术中，数据源常常存在于本地维护的电子表格或其他一次性或手动文档中。在不同领域推进生成式AI用例将需要更多可重用的数据产品。然而，领导者不应让完美阻碍早期进展；相反，他们可以在第一个数据领域进行初步清理或映射工作，同时为未来建立更广泛的数据战略和运营模式。

同样，初次部署可能会做出一些更加实际的架构决策，为长期决定技术堆栈、基于云的平台和软件交付自动化奠定基础，从而最终降低总拥有成本。

**优先采用**

优先考虑采用，就像优先考虑技术实施一样。生成式AI部署的成功取决于员工如何将其融入日常流程。将AI嵌入现有流程，而不是将其视为附加组件，可以提高生产力并最大化投资回报。

为了实现这些结果，生成式AI工具可以在最终用户的协作下构建，并以对相关流程的清晰理解和支持需求的知识为指导。在可能的情况下，工具应定制以适应小组现有的流程。我们观察到，使用不适合用途的通用副驾驶工具的组织通常会遇到低采用率的问题。

领先组织还会通过投资结构化变革管理、将培训纳入实地活动、提供激励措施以及确保透明度来准备发布，以便追踪业务影响的使用情况及目标。

**医疗技术公司采取生成式AI行动的时机已经到来。**

早期采用者已经看到了可衡量的结果，因为这项技术显示出明确的潜力来解决长期以来阻碍创新和运营效率的行业挑战。果断但战略性地行动的公司将处于最佳位置，以充分利用这项技术的全部潜力。那些拖延或无计划行事的公司可能会落后，因为生成式AI正逐渐成为行业内日益重要的竞争优势驱动力。

(以上内容均由Ai生成)