Novo Nordisk 找 OpenAI 做藥研

Novo Nordisk 跟 OpenAI 合作了。這家公司 2024 年營收是 DKK 2904 億，約 420 億美元。講白了，這不是小公司試水溫，而是手上有現金、也有壓力的藥廠，在找更快的做法。

它的主力產品 Wegovy 和 GLP-1 產品線，讓 Novo Nordisk 一直站在聚光燈下。肥胖和糖尿病市場都很大，但競爭也很兇。每拖慢一點，對手就多一點空間。

這次合作的重點很直接。它要把生成式 AI 放進藥物研發、全球營運，還有病患服務。公司也強調資料保護和治理規則。說真的，這句才是重點。藥廠最怕的不是模型不會講話，而是資料亂掉、權限失控、合規踩雷。

這筆合作到底在忙什麼

Novo Nordisk 說得很白。它想加快科學發現，也想把全球營運弄順一點。這兩件事聽起來很大，但拆開來看，其實都很務實。藥廠每天都在處理大量實驗紀錄、文獻、試驗文件、品質報告，人工整理真的很花時間。

你可能會想問，AI 能幫到哪裡。答案不是取代實驗，而是先處理那些又多又碎的工作。像是摘要內部報告、比對試驗版本、整理研究筆記、找出不同資料夾裡的相似結果。這些事交給 LLM，通常比讓人一頁一頁翻快很多。

OpenAI 這幾年一直往企業市場走，OpenAI API 和各種工作流程工具，就是它想切進去的地方。藥廠很適合，因為文件多、流程多、語言多，而且每一步都要留紀錄。這種環境很適合測試 AI 到底能不能幫忙，而不是只會聊天。

• Novo Nordisk 2024 年營收約 DKK 2904 億。
• Wegovy 是它最受市場關注的產品之一。
• 合作內容包含資料保護與治理控管。
• AI 先用在文件、摘要、搜尋與流程整理。

藥廠為什麼現在才更認真

藥物研發本來就慢。不是因為大家不努力，而是因為流程太碎。資料分散在不同系統，研究團隊在不同國家，法規文件又要一版一版改。這種環境下，AI 的價值不是炫技，而是省時間。

我覺得這次合作的訊號很清楚。Novo Nordisk 不是只想買一個聊天機器人，而是想把大型語言模型塞進企業內部流程。這代表它看中的不是 Demo，而是整體效率。對藥廠來說，少掉幾個人工步驟，可能就少掉幾天等待。

更現實一點說，藥廠現在都在拼速度。肥胖藥市場成長快，競爭也快。誰能更快整理資料、更快看完文獻、更快處理文件，誰就更有機會把研發和商業化接起來。AI 不會幫你做臨床試驗，但它可以讓團隊把時間花在更值錢的地方。

"This collaboration with Novo Nordisk will help them accelerate scientific discovery, run smarter global operations, and redefine the future of patient care."

這句話很直白，出自 Novo Nordisk 對合作的描述。它把重點排得很清楚。先是科學發現，再來是營運，最後才是病患服務。這順序很像企業內部真實需求，不像公關稿常見的空話。

它可能先從哪些地方下手

官方沒有把技術藍圖全公開，但從合作說法看，幾個方向很明顯。第一是研究資料整理。第二是文獻摘要。第三是試驗文件與法規文件草擬。這些都是高頻、重複、又很吃人力的工作。

第二個方向是全球營運。跨國藥廠有供應鏈、品質控管、法規、醫學資訊，文件量大到很誇張。只要資料散在不同系統，搜尋成本就會很高。AI 如果能把內部知識庫串起來，至少能少掉很多翻資料夾的時間。

第三個方向是病患支援與內部訓練。像是常見問題回覆、教育內容初稿、在地化翻譯、內部 SOP 說明，都很適合先用 AI 做第一版。人再來審，效率通常會好很多。這種做法很務實，也比較符合醫療產業的風險控管。

• 研究端：整理實驗筆記與文獻。
• 法規端：草擬摘要與文件版本。
• 營運端：搜尋供應鏈與品質資料。
• 支援端：回覆常見問題與內部訓練。

跟其他藥廠比，差在哪

藥廠找 AI 公司合作，這件事不是新鮮事。Bristol Myers Squibb、Roche、GSK 都早就碰過 AI。差別在於，Novo Nordisk 的商業壓力更直接，因為它現在正站在高成長產品線上。

這種情況很有意思。當產品賣得好，管理層通常會更敢投資流程工具。因為每省一點時間，可能就變成更快的研發節奏，或更順的內部協作。換句話說，AI 在這裡不是研究部門的小玩具，而是整家公司都可能用到的工具。

如果看競品，重點可以拆成幾個面向來比。

• Novo Nordisk：肥胖與糖尿病產品線很強，最在乎執行速度。
• GSK：長期把 AI 放進研發合作。
• Roche：資料驅動研發和診斷做很久。
• Bristol Myers Squibb：偏向研發流程與文件自動化。

說白了，大家都在試 AI。差別不是有沒有用，而是能不能接進既有系統。只買一個 chatbot 沒什麼用。能接資料庫、權限、稽核、工作流，才真的有感。

這種合作的產業背景

藥廠導入 AI，最難的從來不是模型。最難的是資料。資料格式不一樣，系統又分散，還有地區法規差異。台灣開發者應該很有感，很多企業專案最後卡住的，不是模型不夠強，而是資料根本不能直接用。

另一個背景是法規。醫療和藥品產業對稽核很敏感。每個查詢、每次修改、每個存取權限，都可能要留痕跡。這也是為什麼 Novo Nordisk 一直強調治理。沒有治理，AI 進企業只會變成新風險。

我覺得這也反映了一個很現實的趨勢。現在企業買 AI，不再只看模型分數。它們會看資料隔離、權限管理、日誌、部署方式、以及能不能接內部流程。這些東西很無聊，但很重要。真正能落地的案子，通常都長得很像這樣。

接下來要看什麼

接下來最值得看的是成效指標。Novo Nordisk 會不會公開研究週期縮短多少？文件處理快多少？內部知識搜尋省下多少人力？如果它願意講數字，這案子就會更有參考價值。

我自己的判斷是，這類合作最先見效的地方，會是摘要、搜尋、文件草擬和內部支援。不是最炫的地方，但最容易出成果。你如果在企業端做 AI 專案，大概也會發現同一件事：先解決文件地獄，再談更大的想像。

最後留個問題。你覺得下一波真的會先改變藥研的，是模型能力，還是企業願不願意把資料整理好？我猜答案是後者。因為再強的 LLM，碰到亂七八糟的資料，也只能先幫你把混亂整理得比較像樣。