Tencent WorkBuddy в фарме: почему Dongyangguang и AstraZeneca начинают передавать регуляторные задачи, научно-медицинский контент и workflow медицинских представителей AI-агентам

Если воспринимать ценность WorkBuddy в фармацевтической отрасли как "помощь маркетингу с текстами" или "summary для команды регуляторики", значит вы все еще смотрите на него слишком поверхностно.

Для этого материала я специально просмотрел несколько открытых публикаций, напрямую связанных с регуляторными вопросами в фарме, структурированием клинических этапов, агентами для научно-медицинского контента, поиском документов для медицинских представителей, интеграцией с CRM и комплаенсом материалов. После этого мой вывод получился вполне однозначным:

В фарме WorkBuddy стоит смотреть не с точки зрения того, умеет ли он отвечать на вопросы, а с точки зрения того, что он уже начинает входить в реальные production-workflow фармкомпаний.

И самое тяжелое для фармацевтических команд обычно не в том, что они "не умеют писать", а в другом:

• документов слишком много
• версий одних и тех же материалов слишком много
• требования комплаенса слишком тяжелые
• систем слишком много и они разрознены
• у полевых команд слишком низкая скорость поиска и повторного использования материалов

Именно поэтому я считаю, что фармацевтика, наоборот, относится к тем отраслям, где enterprise AI agents вроде WorkBuddy могут одними из первых показать реальную ценность.

Сначала вывод

• По состоянию на 30 июня 2026 года наиболее убедительные публичные кейсы WorkBuddy в фарме концентрируются вокруг трех направлений:
  1. обработка регуляторных документов, структурированное извлечение данных из отчетов по экспертизе лекарств и сравнение регуляторных материалов конкурентов
  2. агенты для научно-медицинского контента, поиск клинической литературы и поддержка медицинских представителей
  3. сквозные workflow между CRM, научно-медицинским продвижением, комплаенсом материалов и KOL-визитами
• По тому, как описаны эти публичные кейсы, это уже не история "просто попробовать AI". Здесь уже видны вполне конкретные сигналы:
  • масштаб аккаунтов
  • охват подразделений
  • конкретные цепочки задач
  • задержка поиска и проверки
  • а также требования production-среды вроде intranet-развертывания, traceability и auditability
• Если вы занимаетесь регуляторными вопросами в фарме, медицинскими подразделениями, market access, научно-медицинским продвижением, поддержкой продаж или фармацевтическими данными, эти кейсы будут намного полезнее, чем обычная офисная AI-демонстрация.

Почему фармацевтика естественно подходит для workflow-ориентированного AI

Самое изматывающее в фармацевтике обычно не в том, что никто не знает ответ. Обычно проблема в другом:

• одни и те же материалы постоянно выходят в новых редакциях
• материалы конкурентов и регуляторные формулировки нужно отслеживать непрерывно
• полевые представители и медицинские команды снова и снова ищут одну и ту же литературу
• пригодность контента определяется не только точностью, но и комплаенсом
• многие внутренние материалы нельзя выводить за пределы intranet

Иными словами, самая сложная часть в фарме обычно не в написании как таковом, а вот в чем:

от входящего документа до структурирования, затем до сравнения и валидации, потом до распространения и повторного использования, а дальше до полной трассируемости путь слишком длинный.

И самая заметная особенность WorkBuddy в публичных кейсах как раз в том, что он работает не как изолированное окно чата, а начинает входить в такие звенья workflow, как:

• извлечение регуляторных материалов
• структурирование клинических этапов
• поиск литературы и материалов конкурентов
• проверка комплаенса материалов
• связка CRM и визитных workflow
• traceability и audit

Из-за этого он выглядит скорее как:

AI-рабочая платформа для знаний и исполнения процессов в фарме

а не как:

окно модели, которое просто умеет писать summary

Кейс 1: почему Dongyangguang сначала отдала WorkBuddy регуляторные документы и материалы по экспертизе

Один из публичных кейсов, который сегодня больше всего похож на реальную production-среду в фарме, пришел из отраслевой публикации, на которую ссылаются ByDrug и moomoo.

Самые важные факты в этой публикации очень конкретны:

• группа Dongyangguang закупила более ста корпоративных аккаунтов Tencent WorkBuddy
• охват включает несколько подразделений, в том числе информационные, регуляторные и маркетинговые
• в список задач входят:
  • структурированное извлечение данных из отчетов по экспертизе лекарств
  • автоматическое структурирование клинических этапов
  • сравнение регуляторных материалов конкурентов

Почему это важно? Потому что все это не легкие задачи вроде написания рекламной статьи. Это классическая высокочастотная и повторяющаяся работа в фарме:

• читать длинные документы
• раскладывать их по структуре
• сводить по времени и этапам
• сравнивать версии и материалы конкурентов
• превращать все это в результат, который команда сможет повторно использовать

Оценка эффективности, приведенная в публикации, тоже очень показательна:

• то, что раньше требовало 40 часов ручной работы
• было сжато до 2 часов

Почему это выглядит убедительно? Потому что в фарме главный пожиратель времени обычно не в финальном выводе как таковом, а вот в чем:

в том, чтобы взять регуляторную информацию, материалы по экспертизе и клинические этапы, разбросанные по длинным документам, и превратить их в структурированный результат, пригодный для действия.

Если WorkBuddy действительно может сначала забрать на себя именно этот кусок работы, его ценность уже не просто в том, что "все стало быстрее", а в другом:

он начинает заходить в одну из самых тяжелых документных цепочек внутри фармкомпании.

Кейс 2: линия AstraZeneca еще больше похожа на настоящую масштабную среду фронтового использования

В той же самой публичной публикации еще один кейс, который особенно стоит вынести в SEO-материал, связан с AstraZeneca.

Открытые материалы здесь тоже очень конкретны:

• AstraZeneca построила специализированного агента для научно-медицинского контента на базе WorkBuddy Enterprise
• охват составляет более 12 000 полевых медицинских представителей
• система связана с:
  • CRM
  • научно-медицинским продвижением
  • комплаенсом материалов
  • KOL-визитами
  • и другими end-to-end бизнес-workflow

Еще важнее то, что в публикации приведено несколько сигналов, больше похожих на production-реальность, чем на demo-сценарий:

• 3-секундный интеллектуальный поиск клинической литературы и материалов конкурентов
• поддержка контента через автоматическую проверку комплаенса
• полная traceability и auditability процесса
• все бизнес-данные остаются внутри corporate intranet

Если сложить эти четыре пункта вместе, это уже очень близко к реальным требованиям фармацевтического внедрения.

Потому что больше всего в фарме обычно боятся не того, что AI "не умеет говорить", а вот чего:

• поиск документов слишком медленный
• формулировки несогласованы
• комплаенс не проходит проверку
• действия невозможно отследить
• риск вывода данных за пределы сети слишком высок

И в кейсе AstraZeneca WorkBuddy явно решает уже не одну Q&A-сессию, а целый workflow:

• представители ищут материалы
• научно-медицинские команды накапливают контент
• команды комплаенса проводят валидацию
• CRM и визитные workflow продолжаются дальше по цепочке

Иными словами, это больше похоже на:

слой исполнения Agent для координации между полевыми и центральными командами фармы

а не на точечный инструмент.

Почему эти два кейса похожи на настоящую production-среду в фарме

Если посмотреть на кейсы Dongyangguang и AstraZeneca вместе, сразу выделяется несколько общих черт:

1. Это не сценарии чистого Q&A

Они работают не с простым FAQ, а с таким набором задач, как:

• длинные документы
• материалы по экспертизе
• структурирование этапов
• научно-медицинские материалы
• материалы конкурентов
• связанные бизнес-workflow

Такие задачи по сути требуют от системы следующего:

• понимать исходный материал
• раскладывать его по структуре
• сверять его с правилами
• подключать его к операционным системам

2. В обоих случаях есть четкие организационные границы

Из публичной информации хорошо видно организационный контекст:

• в Dongyangguang это межфункциональная координация нескольких подразделений
• в AstraZeneca это масштабное покрытие полевых медицинских представителей

Это означает, что WorkBuddy используют не как личную игрушку, а как:

рабочую платформу уровня команды и организации.

3. В обоих случаях смотрят не только на результат, но и на процесс

Особенно в кейсе AstraZeneca решающее значение имеет не только скорость поиска, но и следующее:

• проверка комплаенса
• traceability
• audit
• сохранение данных внутри intranet

Как только эти слова появляются вместе, почти всегда становится понятно, что речь уже не о легком пилоте, а вот о чем:

о production-ограничениях, которые компания действительно готова принять.

Если смотреть изнутри фармы, какие задачи лучше всего отдавать WorkBuddy в первую очередь

Если абстрагировать публичные кейсы до более универсальных PoC-направлений, мне кажется, фармкомпаниям лучше всего начинать со следующих трех категорий:

1. Структурирование регуляторных документов и материалов по экспертизе

В первую очередь WorkBuddy хорошо подходит не для финального регуляторного решения как такового, а для таких задач, как:

• декомпозиция документа
• извлечение полей
• структурирование клинических этапов
• сравнение материалов конкурентов

Потому что такая работа очень повторяемая и очень затратная по времени.

2. Поиск научно-медицинского контента и поддержка представителей

Если полевые медицинские представители, медицинские команды и training-команды каждый день занимаются следующим:

• ищут литературу
• ищут исторические материалы
• ищут информацию о конкурентах
• ищут согласованные стандартные формулировки

то этот сценарий WorkBuddy точно стоит протестировать.

Особенно если у вас уже накоплена заметная база знаний, но поиск слишком медленный, а использование слишком несогласованное.

3. Проверка комплаенса и orchestration внутренних workflow

То, что действительно отличает фарму от обычных отраслей, состоит не просто в большом количестве документов, а в следующем:

• высокие требования комплаенса
• высокие требования traceability
• строгие границы данных

Поэтому если ваши приоритеты связаны со следующим:

• предварительная проверка комплаенса перед распространением контента
• проверка материалов
• поиск знаний во внутренней сети
• трассируемая история операций

то WorkBuddy в практическом смысле выглядит полезнее, чем универсальная чат-модель.

Если вы готовите PoC сейчас, я бы делил его так

1. Не начинайте с вопроса "насколько умная эта модель". Начните с вопроса "где у нас самая тяжелая и самая затратная по времени документная работа".
2. Если ваша цель:
   • структурированное извлечение данных из отчетов по экспертизе
   • структурирование этапов
   • сравнение регуляторных материалов конкурентов тогда сначала тестируйте workflow регуляторных задач
3. Если ваша цель:
   • поиск клинической литературы
   • поддержка Q&A для представителей
   • повторное использование научно-медицинских материалов тогда сначала тестируйте агента для научно-медицинского контента
4. Если ваша цель:
   • предварительная проверка комплаенса материалов
   • связка с CRM
   • поиск во внутренней сети и audit trail тогда сначала тестируйте внутренний workflow и цепочку комплаенса

Если вы не хотите сразу идти в тяжелую закупку, а хотите сначала недорого сравнить WorkBuddy, универсальные LLM API и другие agent-подходы, можно начать с этих материалов:

• Тарифы на модели
• Купить API Key
• Руководства по интеграции

Если вы хотите дальше сравнить, как подключать разные модели и agent-подходы и как контролировать расходы, можно также начать с материалов llm-agent.

Мой итоговый вывод

Если сводить мое мнение о кейсе WorkBuddy в фарме к одной фразе, то она будет такой:

Главное здесь не то, умеет ли AI писать, а то, что он уже начинает входить в настоящие фармацевтические workflow с высокой повторяемостью, тяжелым комплаенсом и плотной документной нагрузкой.

По крайней мере по публичным кейсам ценность WorkBuddy в фарме уже не сводится только к следующему:

• писать summary
• отвечать на вопросы

Он начинает заходить в более тяжелые задачи вроде:

• структурирования регуляторных материалов
• структурирования клинических этапов
• агентов для научно-медицинского контента
• поддержки материалов для медицинских представителей
• проверки комплаенса материалов
• связки между знаниями во внутренней сети и CRM-workflow

Если вы занимаетесь цифровизацией фармы, регуляторными вопросами, medical affairs, научно-медицинским продвижением или поддержкой продаж, это направление точно стоит поставить в серьезную очередь на тестирование.

FAQ

Какие задачи WorkBuddy лучше всего внедрять в фарме в первую очередь?

По публичным кейсам наиболее подходящими начальными задачами выглядят:

• структурированное извлечение данных из отчетов по экспертизе лекарств
• автоматическое структурирование клинических этапов
• сравнение регуляторных материалов конкурентов
• поиск клинической литературы и научно-медицинских материалов
• предварительная проверка комплаенса материалов

Почему фарма лучше многих отраслей подходит для такой Agent-платформы, как WorkBuddy?

Потому что ключевая боль в фарме редко состоит в том, что "никто не умеет писать". Чаще проблема вот в чем:

• слишком много материалов
• слишком тяжелый комплаенс
• слишком много версий
• слишком много разрозненных систем
• полевым командам нужно быстро повторно использовать то, что уже подготовила центральная команда

Проблемы такого типа естественно лучше ложатся на workflow-ориентированный AI.

Какой сигнал в кейсе AstraZeneca самый важный?

Для меня самые важные четыре сигнала такие:

• охват более 12 000 полевых медицинских представителей
• интеграция между CRM / научно-медицинским продвижением / комплаенсом материалов / KOL-визитами
• 3-секундный поиск документов
• traceability, auditability и отсутствие вывода бизнес-данных за пределы intranet

Когда такие пункты появляются вместе, это обычно означает, что речь идет о production-среде, а не просто о demo-сценарии.

Почему кейс Dongyangguang стоит использовать как ориентир?

Потому что он не говорит об AI расплывчато, а дает прямые детали:

• более 100 корпоративных аккаунтов
• охват информационных / регуляторных / маркетинговых подразделений
• задачи включают структурирование отчетов по экспертизе, структурирование клинических этапов и сравнение регуляторных материалов конкурентов
• рост эффективности с 40 часов до 2 часов

Это уже очень близко к реальной цепочке обработки документов внутри фармкомпании.

Справочные материалы

• Официальный материал Tencent: Tencent Cloud впервые представила набор инструментов AI-агентов для повышения эффективности и создания AI-входа в продуктивность для разных групп пользователей
• ByDrug: все больше фармкомпаний ускоряют внедрение Tencent WorkBuddy
• Материал на moomoo: ставший вирусным WorkBuddy от Tencent поднял применение искусственного интеллекта на новый рубеж