一、先分清企业AI的两类用法
医药企业谈 AI，容易把两件事混在一起。一类是问答型：问制度、查法规、起草文书、整理会议纪要；另一类是数据型：查经营数据、做指标诊断、生成报告、发预警。前者依赖文档和知识库，后者依赖业务系统和统一口径。两者都需要，但价值密度不一样。
类型 | 典型形态 | 依赖什么 | 适合的场景 |
问答型 | 制度问答、法规解读、文书起草、纪要整理 | 文档与知识库 | 制度、法规、培训、行政类事务 |
数据型 | 经营查数、指标诊断、报告生成、异常预警 | 业务系统与统一口径 | 经营分析、成本核算、合规审计 |
问答型见效快、风险低，适合作为切入点；数据型决定 AI 能不能真正进入经营决策。医药行业真正的难点在第二类，因为它的数据分散程度和合规要求，都高于多数行业。
二、医药行业的六个落点
2.1 批次与效期：把“批批对应”变成可查询的链路
GSP 要求药品从入库到出库批批可查、票账货相符。实际执行时，批号、效期、库位信息分散在 WMS、ERP 和门店系统里，近效期预警依赖人工筛表。把批号、效期、库位和出入库流水按批次串成一条链路之后，业务人员可以直接问“哪些批号临近效期、分布在哪些仓、对应哪些客户”，不必先导出三张表再做匹配。
2.2 采购与应付对账
医药企业的上游是原料、辅料、包材和成品供应商，采购频次高、账期与返利规则复杂，对账长期靠人工核单据。数据接起来以后，采购、入库、发票、付款可以在同一口径下比对，差异项自动列出并可追溯到具体单据。
2.3 销售流向与渠道分析
两票制之后，流向数据成为药企与流通企业共同的关注点：经销商库存、终端动销、区域覆盖、品种结构。这些信息原本分散在经销商的回执、业务员的记录和 ERP 的销售单据里，很难形成连续视图。归到同一口径后，压货和断货这类问题有机会在发生之前被发现。
2.4 应收账款与账期
医院回款周期长、经销商信用额度不一，应收账款是医药企业资金链上压力最大的一环。按客户维度自动计算账龄、识别超期、生成催收清单，是 AI 在这类企业里最容易见效的方向之一，因为它直接对着现金流。
2.5 合规与审计留痕
医药是监管和审计的重点行业。凭证的生成规则、科目映射关系、辅助核算项需要标准化，单据从产生到入账的路径要可以追溯。这也是数据型 AI 在医药行业不能只做“看板”的原因：它得落到凭证和单据上，才算真正进入核算体系。
2.6 业财一体
业务单据与财务系统之间的手工录入，是医药企业最普遍的负担。单据类型多（付款、应收确认、收款、借款、退款），科目映射和辅助核算复杂，报销类型到科目代码的对应关系往往依赖个人经验，人工处理既慢又容易出错。
场景 | 典型痛点 | AI 可以做什么 | 看得见的结果 |
批次与效期 | 批号、效期、库位分散在多个系统，近效期预警靠人工筛表 | 按批次串起批号、效期、库位与出入库流水，支持自然语言查询 | 批批可查，近效期清单直接推送 |
采购与应付对账 | 采购频次高、账期与返利规则复杂，对账依赖人工核对 | 采购、入库、发票、付款同口径比对，差异自动列出 | 对账周期缩短，差异可追到单据 |
销售流向与渠道 | 经销商库存、终端动销、区域覆盖分散，难成连续视图 | 整合销售单据与流向数据，按品种、区域、客户多维分析 | 渠道结构清晰，压货断货提前发现 |
应收账款与账期 | 医院回款周期长、信用额度不一，账龄靠人工统计 | 按客户维度自动算账龄，识别超期并生成催收清单 | 应收风险提前暴露 |
合规与审计留痕 | 凭证规则、科目映射靠个人经验，追溯困难 | 标准化规则引擎与科目对照表，全链路操作留痕 | 核算口径统一，满足审计要求 |
业财一体 | 单据类型多、映射复杂，手工录入慢且易出错 | 业务单据自动转财务凭证，辅助核算自动关联 | 财务人员从录入转向分析 |
三、三个实例
3.1 北京某医药科技有限公司：OA 与财务系统之间的凭证自动化
这家企业专注医药健康领域，业务涉及新药研发、药物再评价以及标准研究制定，承接的产品项目数量多，参与的课题也不少。它的信息化基础是致远 OA 加金蝶云星空：合同应付确认单、付款单、借款单、退款单、销账单、应收确认单、收款单等都在 OA 里走流程，财务核算在云星空里完成。
问题出在两个系统之间。大量单据需要手工录入财务系统，凭证生成涉及复杂的科目映射和辅助核算（客户、项目），业务类型又多样，借款、退款、报销各有各的处理方式，报销类型到科目代码的对应关系需要人工判断。效率低，而且一旦判断出错，影响的是财务数据的准确性和后续的审计。
安捷AI提供的方案是用智能规则引擎把这段打通：按单据类型匹配预设规则，自动生成复合分录或简单分录，借贷方科目自动映射；客户、供应商、项目等辅助核算项自动关联；报销类型与科目代码的对照关系配置成表，不再依赖个人经验。落地之后，凭证生成速度提升八成以上，人工干预明显减少，核算口径也做到了标准化。对医药企业来说，后面这一点直接关系到能否满足审计要求。
3.2 杭州某医药公司：业务系统与 ERP 的单据协同
这是一家专注肿瘤和自身免疫性疾病领域的生物技术公司，业务覆盖创新药的发现、开发和商业化。它的问题不在财务，在库存：销售出库、退换、采购入库、生产出入库、调拨、盘盈盘亏等单据在旺店通里流转，财务会计和供应链管理在用友 T+ 里，两个系统之间没有实时同步机制。
结果是三件事同时发生：财务、库存、订单数据分散且口径不一致，管理层拿不到统一的经营视图；从订单处理到财务对账要反复跨系统切换、手工导出再录入；系统之间的协同障碍拖慢了业务响应速度。
方案的核心是单据协同，采购、销售、库存等关键数据在两个系统之间自动流转，从订单生成到财务结算的环节连成一条链。落地后两端库存不再对不上，业务响应速度明显改善，同时也满足了内外部审计对数据一致性的要求。
安捷AI的客户名单中还包含京丰制药、春风药业等医药企业，以及天一大药房等健康类品牌。这些客户的共同点是业务系统数量多、组织层级复杂、数据安全要求高。
四、能落地的前提：平台要具备什么
医药行业的特殊性决定了平台选型不能只看模型能力。下面四点，是实操中最容易踩空的地方。
4.1 连接：直连主流系统，而不是让员工导数据
如果 AI 需要业务人员先把数据从 ERP 导出、整理成表格再“喂”给它，那它只解决了分析环节，前端的手工成本一点没减少。有价值的方式是平台直连金蝶、用友、聚水潭、旺店通等主流系统，以自然语言转查询语句的方式取数。这也是数据型 AI 与聊天工具的分界线。
4.2 口径：指标定义要统一
同一个“销售毛利”，销售部门、财务部门和业务系统算出来的数可能都不一样。AI 如果建立在多套口径上，给出的答案越快越危险。平台需要具备语义层能力，把指标定义、取数逻辑、维度归属统一管理，让每个指标只有一个权威算法。
4.3 权限与安全：分级、脱敏、可审计
医药企业对数据出域高度敏感。平台需要支持三级权限体系（菜单、数据表、字段级），对敏感字段做分级脱敏，并保留全链路操作审计日志。部署方式上，本地私有化部署往往是硬性要求，而不是加分项。
4.4 交付形态：让答案出现在员工日常用的入口里
AI 的输出如果只能在一个独立页面里看到，使用率通常撑不过三个月。把报告、提醒、预警推送到钉钉、企微、飞书或邮件，让结果出现在业务人员已经在用的入口里，是决定长期使用率的关键。
业务场景 | 平台动作 | 交付形态 |
业财单据自动入账 | 直连 OA 与主流财务系统，按单据类型匹配规则生成凭证 | 凭证在财务系统内生成，同步日志可在平台查看 |
经营数据即时查询 | AI 语义层统一指标口径，自然语言转查询语句 | 在钉钉、企微、飞书内直接提问，或走统一 AI 入口 |
多层级经营报告 | 按角色生成经营摘要与分析报告，含交互图表 | 报告按周或按月推送至群组与邮件 |
异常与风险预警 | 对账差异、超期应收、近效期批次自动监控 | 预警消息定向推送至责任人 |
五、落地建议
第一，从一个具体问题切入，不要从“建平台”开始。选一个业务部门反复在问、每次都要人工取数的问题作为第一个场景，验证周期短，结果也可衡量。
第二，先统一口径，再谈模型。指标定义不统一的场景里，AI 上线后引发的争议会比手工时代更多。
第三，把合规要求写进方案，而不是事后补。凭证生成规则、辅助核算映射、操作留痕，都应在设计阶段就明确下来。
第四，优先选择能直连存量系统的方案，尽量不要给业务人员增加新的操作动作。
第五，控制第一期范围。标准场景的落地周期通常在几周量级，把第一期做扎实，比铺开十个半成品更有说服力。
结语
医药行业的 AI 落地，本质上是把已经存在于系统里的数据，变成业务人员能直接问、财务能直接核、审计能直接查的东西。批号、效期、账期、凭证这些词并不新鲜，难的是让它们在同一条链路上对得上。