一份SAE报告从发生到上报要几步?药监局新规下,AI该去哪个环节干活

8月26号，今早我把几个模型评测的数据摊在桌面上，心里突然有点说不上来的感觉。

数字拉出来，别聊虚的。可真把数据拉出来，挺多人第一反应是懵的——不是数字不行，是不知道该拿这些数字去对哪个环节。

这半年我见了太多团队，大模型用得很热闹，开会时slide做得一个比一个漂亮。真到了业务现场，问一句“这东西帮谁省了几分钟”，气氛就安静了。

所以今天这封信，我想跟你聊一个离AI圈稍远、但离“省人省分钟”特别近的事：临床试验里的一份文件，是怎么从一个人手上走到另一个人手上的。药监局新规下来了，AI到底该去哪个环节干活，才算数。

先别急着聊AI,把流程走一遍

我面前摆着的，是《药物临床试验质量管理规范》，2026年9月1日起施行。国家药监局会同卫健委、中医药局和疾控局一起发的。

这份文件我读第二遍才品出味来——通篇在强调一个词：“试验参与者”。你细看，这个词出现的频率，比旧版里“受试者”三个字给人的感觉更重。不是换个说法那么简单，管理重心真的变了。

一个在研究中心承接工作的研究护士，或者CRC，一天会被多少份文件推着走？

我上周跟一个做临床运营的朋友喝茶，她跟我说起一个细节。一份SAE报告，严重不良事件，从研究者发现到上报，规范上要求24小时内。可你猜真正卡时间的点在哪？不在医生判断，也不在签字——在于“到哪一步该谁接手了”这个信息，没有被任何人明确锁定。

报告模板在共享文件夹里，版本号是旧的。下午三点半发现的SAE，五点才有人发现表格里少了一栏。等回填完，已经晚上了。研究者人在门诊，CRC在机构，申办方的CRA在另一个城市。三个人都在干活，流程是断的。

她说了一句我印象深刻的话:

“AI不是没有，是我们试过。可它接进来之前，没人愿意先把流程画清楚。”

这话我信。我见过的翻车，十有八九是同一个根子——你以为AI能替代某个岗位，其实它最该做的，是先把流程里那个没人认领的环节捡起来。

医药行业这个月,发生了什么

最近几件事，我帮你串一下。都是公开材料里能查到的，不是我拍脑袋。

2026年7月3日，药监局药审中心发了《细胞治疗药品范围和归类技术指导原则（2026年版）》。7月21日，河北一家叫森朗生物的公司跟Tempest Therapeutics签了合作协议，推进一个体内CAR-T候选药物在中国的IIT。再往前，他们那款靶向CD7的CAR-T产品，靠一个“自然选择”技术平台，不用做CD7基因编辑，进了CDE突破性治疗品种。

还有一件更细的事，容易被忽略：2026年2月24日，药审中心发了一个专门文件，《嵌合抗原受体T细胞治疗药品说明书临床相关信息撰写指导原则》。注意这个词——“撰写”。

CAR-T产品说明书，不是一个格式问题。它涉及不良反应、长期随访、细胞因子释放综合征这些极其专业的内容。一份说明书从临床数据到最终呈现，中间要走多少道审核？

我见过一家创新药企的医学部，一份说明书草案改了14版。不是内容写得差，是每一版都需要不同的人确认：临床的、注册的、PV的、法务的。每一轮意见返回，快则一天，慢则三天。

现在再回头看那个指导原则，意思很明确：CAR-T说明书要写什么、怎么审查、临床相关信息怎么组织。方向定了，剩下的是执行效率问题。

执行效率的问题，恰恰是AI能插手的地方。

把AI放到一个具体的环节去

我不喜欢推荐“AI写作”。一提AI写作，很多人脑子里就是让模型写个初稿，然后还是不放心，自己重新改一遍。跟AI编程一个道理，98%的人在用，最后为它买单的没几个。因为没把账算清楚。

真正有价值的，是你让AI介入的那个环节，本身能被量化。

我拿个场景说。一份治疗T细胞淋巴瘤的CAR-T产品说明书，要更新安全性信息。医学部同事手里有三个数据源：最新的临床研究报告、研究者手册、还有PV数据库里汇集的个例报告。

原来的流程是：人工从三个地方把关键点摘出来，整理成表格，再和旧版说明书逐条对照，标出哪些地方要改、哪些地方保留。熟手一天半，生手三天。最消耗人的不是写，是反复核对。

现在把它拆开。萃取、比对、版本差异标记，这三件事可以交给AI。我实测过几款模型，不是每一家都适合干这个。PDF里带复杂表格的，有些模型光解析就出错，抽取出来的不良反应发生率跟原文对不上。这种错，在医药行业绝对不能发生——错一个百分号，就不是效率问题，是合规问题。

所以我在给客户做这类流程设计时，第一步永远不是选模型，是先把那个环节的确定性边界画出来。哪一部分AI可以做初筛，哪一部分必须人确认，哪个数字必须双人复核。这才叫落地。

具体到时间账：三个数据源的关键信息萃取加版本比对，熟手一天半，AI加一个人审核，能把时间压到两三个小时。省出来的是八到十个小时。

这笔账，你算一下。一个医学部一年有20份这样的说明书或研究总结要更新，省下来的是将近一个人月。不是“效率提升”这四个字，是实实在在的人月。

最容易踩的坑,我直说

想在自己公司里试，先直说三个坑。

第一个坑，把AI直接接到原始医疗数据上去跑。听着诱人，觉得一步到位。但临床试验数据有极强的上下文依赖，同一份病历里“缓解”和“部分缓解”不是一回事。模型不做标注、不做结构化，直接读原文，能给你编出一套看起来特别合理但根本不存在的数据。我在评测里见过不止一次。

第二个坑，让AI生成结论性的医学判断。模型可以帮你归纳、比对、提醒，但不能替研究者做判断。哪怕它给的建议看起来再专业，最后签字的那个人，永远得是人。这不是技术行不行，是合规底线。

第三个坑最容易犯：流程没固定就开始上AI。前面我提到那个研究护士朋友，她们最头疼的不是AI不好用，是流程自己都说不清。谁的环节、什么时间点、产出什么、交给谁。这些没理清，AI接进来只会乱上加乱。AI是最忠实的执行者，但前提是，你得先有一份能被执行的流程。

医药这个赛道,机会真不在模型这头

摩根大通那份报告里，阿里巴巴说得很清楚：AI投资告别试验阶段，转向执行驱动。以token为基础的商业化框架，云业务增长回来了。

翻译过来就是，大家不再讨论“AI能不能用”，而是在讨论“AI在哪一个动作上开始收费”。

医药行业同样。CAR-T进突破性治疗品种的消息，前阵子已经有人聊过一轮，说什么“细胞治疗到拐点”。我还是那句话：拐点不拐点，跟你一个做具体业务的人关系不大。跟你有关系的，是你手里那个每天反复做的动作，有没有被AI接过去。

中国这边的OPC创业者，也就是那些做“一人公司”或者小团队的同行，我倒觉得有一个特别实在的切入点：别去碰大模型的底层训练，那个已经不是你的战场了。去接那些细分到不能再细的环节——临床试验文档的版本比对、SAE报告的时限提醒、说明书的变更追踪、研究者文件夹的自动纠错。

这些事，大厂看不上，传统软件没跟上，恰恰是小团队能用AI啃下来的地方。一个环节，哪怕只省一个人一天，把这个价值算清楚、做稳定，就有人愿意付钱。

拉回来,这笔账你自己算

我不喜欢“拥抱AI”这种说法，听着像一句正确的废话。

我更喜欢问你：你手上有没有一个每天都要重复的动作，它具体花掉你多少分钟？这个动作的每一步，是什么时候、由谁、交给谁？

如果你连这个都说不清，先别着急买什么AI产品，先去把流程画出来。AI能帮你省的不是“时间”这个形容词，是某个具体动作上的、可以用数字标出来的分钟数。

就像你看到一份SAE报告，24小时上报倒计时在走，三个人干着急。这时候你要的不是一个更聪明的模型，是一个能帮你把“下一步该谁处理、还剩几小时”摆上桌面的流程机器人。

说回我今早摊开的那些评测数据，最后我只干了一件事：把每个模型的错误类型重新归了一次类。凡是那些一遇到复杂医学表格就出幻觉的，直接划掉，不调参、不抱幻想。

不是我不给模型机会，是在这条赛道上，错一次，就不是钱的事，是一条命的事。

这句话我同样送给你：AI不是不能用，是得用