两种起点，两种焦虑
聊到药企的 AI 转型，常能听到两种担心。
已经投入多年的企业，有 CRM、有 BI，也积累了客户、流向和互动数据，但系统之间仍需要人来回搬运信息。一线做准备要翻几个入口，管理者追问一个原因还要等人拼表。继续建设，担心系统更重；推倒重来，又舍不得已有投入。
尚未起步的企业则担心另一件事：没有数仓，数据还散在 Excel 里，是否必须先走完一轮传统信息化建设，才有资格谈 AI？
这两种起点都可以找到自己的路径。已有积累可以成为智能体工作的依据，尚未定型的流程也有机会从一开始就围绕任务设计。关键在于，如何让 AI 接上企业真正要完成的工作。
已有系统：让积累成为当下工作的依据
对早有布局的药企，AI 可以成为“唤醒引擎”。客户身份、历史互动、审核资料和指标口径，是多年建设留下的资产。下一步应评估如何让这些资产进入一线准备、经营判断和跨部门协同。
以访前准备为例，CRM 中有客户记录，医学资料库中有已审核证据，协同系统中有尚未关闭的问题。通过必要的接口与权限配置，智能体可以围绕一次拜访组织这些信息，形成带有来源的准备材料，并标出仍需确认的事项。
代表确认访后记录后，新的反馈再进入后续待办和下一次准备。已有系统继续承担记录与管理职责，智能体帮助减少人在多个系统之间的重复查找和整理。
经营分析也有类似路径。先沿用企业已经确认的指标定义与数据权限，再围绕一个差异核查原因、列出依据和缺口，交给对应负责人处理。积累的价值，由“系统里存了多少”进一步体现在“今天的工作能用上多少”。
这不意味着任何系统都能直接接通。接口是否可用、客户身份能否对齐、数据是否及时、结果能否回写，都需要按具体场景评估。值得保留的基础继续复用，需要打通的环节逐项处理，不必预设全面替换。
尚未起步：从任务出发，建立轻量工作流程
对尚未起步的中坚药企，较少的历史系统约束可以带来敏捷性。团队可以先选择一项具体工作，明确输入、输出和确认责任，再围绕这项工作整理必要的数据。
这里的 AI 原生工作流，是把资料获取、草稿生成、人工确认和后续处理放在同一段工作中设计。例如，拜访后的语音复盘先成为可核对的记录草稿，经代表确认后形成待办，再成为下一次准备的输入。
起步不一定要等待一套完整数仓，也不必把过去所有表单逐一重建。可以从以下任一场景验证：
- 流向核对：明确周期、产品与终端范围，整理名称映射和差异清单，由数据维护人员确认处理
- 拜访接续：结合已有客户资料整理记录和未解决问题，让一线下一次能直接拿到背景与待办
- 经营追问：围绕一个具体差异核对指标、查找依据，把已确认事实、待核实解释和数据缺口分开
三个场景不要求同时启动。先选择数据范围清楚、责任人明确、结果容易核验的一项，再根据实际反馈扩展。
轻装起步仍然要做好必要治理：资料是否有权使用，客户记录是否准确，哪些内容已经审核，谁能确认结果。可以围绕场景逐步建设，但这些条件不能省略。
前者发挥沉淀优势，后者发挥敏捷优势
已有系统的团队，可以先选一段跨系统重复劳动最多的工作，验证历史数据能否被复用。尚未起步的团队，可以先选一项边界明确的任务，验证最小范围的数据与流程能否跑通。
两条路径最终都要让一次工作的结果影响下一次安排：客户提出的问题得到处理，处理依据留下记录，新的反馈改变后续准备。这样的循环持续发生，数据才会成为可以复用的业务能力。
“前者赢在沉淀，后者赢在敏捷”描述的是各自可发挥的优势。沉淀需要被组织和使用，敏捷也需要明确的责任与规则，两者都不会因为接入模型就自动成立。
用工作变化判断 AI 是否带来价值
无论从哪条路径开始，都可以用同一组问题验收：
- 员工是否减少了重复查找、搬运信息和补充背景
- 管理者是否更快拿到可追溯的依据，而不只是结论
- 未解决事项是否交给明确的责任人，并能跟踪处理
- 已完成的工作是否帮助下一次准备、判断或行动
实际节省多少时间、能够覆盖多少业务，应在相同工作范围内比较，不能直接套用其他项目的成效。
Pharmbrain 医药大脑提供医药业务的数据与知识基础，AgentBox 数字员工在授权范围内组织资料、任务与后续协同。已有系统的企业可以评估如何复用现有积累，尚未起步的企业可以围绕具体场景逐步建设，实施范围由数据条件与业务流程决定。
门槛从来不是你昨天投了多少，而是今天以什么方式去重新理解 AI 带来的生产力。