制药竞争情报的五个阶段：从数据到战略决策的诊断框架

从数据洪流到决策困境

2026年第一季度，肥胖症和糖尿病领域的许可承诺金额已达到220亿美元，超过2025年全年总额。同一时期，辉瑞在竞标战后以100亿美元收购Metsera，罗氏则预付16.5亿美元与Zealand Pharma共同开发petrelintide。这些交易的背后，是超过100个活跃开发项目的竞争格局——在这样一个领域，提前识别一个资产与晚一步的差距，可能以十亿美元计。

支持这些决策的竞争情报（CI）团队，正在处理比以往更多的数据。但关键问题在于：这些数据是否以决策者可用的形式到达他们手中？许多制药公司的CI工作流在五个阶段中存在断裂，导致情报无法有效影响战略。

阶段一：发现——可追溯性成为新的覆盖问题

传统上，CI的主要搜索挑战是覆盖率：不能错过竞争对手的试验注册、专利申报或监管提交等关键信号。这个担忧并未消失，但主导的失败模式已经转变。AI辅助搜索工具现在能够快速、大量地呈现结果，但它们无法自动提供从每个结果到一手来源的可追溯路径——比如注册条目、专利文件、同行评审文章或监管提交——且需在投资组合审查中经得起检验。

以肥胖症资产的CI报告为例：需要整合ClinicalTrials.gov、多司法管辖区专利数据库、同行评审药理学文献、FDA/EMA/PMDA监管申报以及财报和会议数据。每种来源使用不同的数据结构和报告惯例。当CI团队使用通用AI摘要来简化整合时，他们可能产生看起来完整、但经不起业务发展总监追问具体来源的输出。

诊断问题： 你当前的竞争格局报告中的每一个论断，能否追溯到命名的一手来源？

高绩效团队的做法： 他们将来源可追溯性视为不可妥协的输出标准，而非事后文档工作。在交付格局报告之前，团队能够指出每个论断背后的具体注册、专利或期刊记录。这不是保守——而是在问题来临时保持可信度。

阶段二：分析——模式检测≠解读

自动化工具擅长模式检测：标记六家公司已提交目标适应症、识别作用机制聚类、跟踪竞争组中的试验状态。在超过10万个在研药物和690万项专利的规模下，识别这些模式确实是艰巨的工作，自动化提供了帮助。

但解读模式是另一回事。某一适应症中的聚类是代表真正的靶点验证，还是代表拥挤风险从而应改变特定资产的投资论点？这需要针对具体问题应用背景判断。

GLP-1领域直接说明了这一区别。在超过100个肥胖症化合物活跃开发的情况下，原始数字对CI经理几乎无意义。重要的是这些资产如何区别：哪些具有独特的机制，哪些针对与司美格鲁肽和替西帕肽相同的疗效终点，哪些旨在服务那些治疗不足的患者。

例如，罗氏的CT-388通过近乎等摩尔的GLP-1/GIP受体结合（约1:1，而替西帕肽为9:1）、独立的肽骨架专利，以及2期数据显示48周安慰剂调整后体重下降22.5%且未进入平台期，实现了差异化——这一概况同时塑造了罗氏的BD策略和辉瑞通过收购Metsera追求不同机制的决定。绘制这种差异化需要跨试验、专利和临床数据的深度覆盖，而非新闻头条的汇总。

诊断问题： 当发现竞争模式时，你的团队是否有定义好的流程来达成解读，还是这一步骤非正式地进行？

高绩效团队的做法： 他们在工作开始前为每个分析指定一个命名的决策问题。“GLP-1竞争对手有哪些？”产生的输出不同于“哪些GLP-1资产在2027年前对我们的2期项目构成现实的差异化威胁？”第二个问题限定了分析，迫使进行解读，而不仅仅是枚举。

阶段三：生成洞察——缺失的观点

分析与洞察之间的差距在于观点。分析描述竞争空间中正在发生的事情；洞察则说明它对特定决策意味着什么，并附带建议。

大多数CI交付物止步于描述。竞争对手被准确追踪，试验进展被记录，数据正确——但“所以呢”留给读者。

持续影响投资组合和BD决策的CI团队更进一步：他们解释含义。他们不说“这里有五个ALK+ NSCLC的晚期入局者”，而是说“其中两个的3期时间节点如何改变了我们X资产许可决策的风险概况，以及如果他们的数据先于我们读出，我们应采取什么行动。”

实现这一点需要在开始时设定决策问题。“肿瘤学竞争格局”是一个主题；“我们是否应该在竞争对手A数据读出前加速2期入组？”是一个决策问题。这两个起点会产生在投资组合委员会中以截然不同方式被使用的交付物。

诊断问题： 你的CI交付物是否始终包含明确的建议，还是呈现数据后将解读留给读者？

高绩效团队的做法： 他们在构建交付物之前——而不是之后——与利益相关者就决策问题达成一致。实际上，这意味着CI经理在开始编写格局报告之前，与BD或投资组合负责人进行20分钟的对话，询问：“这个分析支持什么具体决策？何时需要做出？”这个对话塑造了后续的一切，从哪些数据被优先处理到输出如何构建。

阶段四：沟通——形式决定CI是否被使用

即使CI团队在前三个阶段表现出色，他们的输出仍可能不影响决策。最常见的原因是形式：一份全面但按主题组织、而非围绕具体问题构建的简报文件。

BD和投资组合负责人阅读的是按决策问题组织、附带明确行动建议的报告，而非按数据类别组织的数据手册。这并不是说格式比内容更重要；而是说，如果决策者不能快速找到与决策相关的部分，内容就永远没有机会被应用。

最佳实践是：每份CI报告的开篇都包含一个“决策摘要”——不是执行摘要，而是明确说明“根据以下原因，我们推荐行动方案A而非B，而这一建议基于这四个关键数据点。”然后，详细分析按决策问题分组，而不是按数据来源分组。

阶段五：情景建模——从报告到战略咨询

最高成熟度的CI团队不仅回答“现在是什么情况？”还回答“在不同条件下，竞争态势将如何变化？”情景建模将CI从描述性功能转变为战略咨询功能。

在肥胖症领域，一个CI团队可能需要构建多个情景：如果诺和诺德的口服amycretin出现安全性信号会发生什么？如果罗氏的CT-388在3期证明优于替西帕肽但耐受性较差，又会怎样？这些不是假设性问题——它们是BD团队用来评估交易、设定里程碑和决定内部投资优先级的情景。

情景建模需要三个输入：对当前竞争格局的深刻理解、对可能改变格局的科学和监管动态的分析，以及框架——一种将动态转化为具体情景的方法。大多数CI团队缺乏第三个输入，因此他们的报告描述现在，但无法支持关于“如果……会怎样”的决策。

诊断问题： 你的CI功能在多大程度上提供“what-if”分析，还是仅止于“as-is”报告？

高绩效团队的做法： 他们为每个关键决策构建少数情景（通常3-4个），明确标注每个情景的概率和触发因素。然后他们提供针对每个情景的建议，使决策者能够提前应对。

AI改变的是什么，不能改变的又是什么

关于CI中的AI，有一个常见的误解：认为AI将自动化从发现到建议的整个工作流。实际上，AI在阶段一（通过加速查找和整合）和阶段二（通过增强模式识别）中非常有效。但在阶段三和阶段五，AI作为支持工具——提供数据驱动的事件和关联——但最终的观点和情景构建需要人类判断和战略背景。

阶段四（沟通）中，AI可以帮助生成初始草稿和可视化，但决策者需要的结构——按决策问题组织——仍需要人类理解受众的优先级。

临床决策中，人类输入对系统性能的积极影响已得到充分记录；在竞争情报中，类似的逻辑成立：AI增强人类分析师，而不是取代他们。

诊断性自问

对于制药CI团队来说，问题不是“我们有没有足够的数据？”而是“数据是否以正确形式、在正确时间到达正确的人？”大多数CI团队在五阶段工作流的一个或多个阶段存在瓶颈。识别这些瓶颈并应用目标改进——无论是可追溯性标准、决策问题前置、还是场景建模能力——可以显著提升CI对战略决策的实际影响。

每个CI团队今天就可以问自己一系列的诊断问题。答案将揭示下一个改进点应该在哪里：

• 每个论断是否有可追溯的一手来源？
• 我们的分析是始于枚举还是始于决策问题？
• 我们的交付物是否附带明确建议？
• 形式和结构是否帮助决策者快速找到相关部分？
• 我们是否提供“what-if”情景来支持前瞻性决策？

在制药行业竞争以十亿美元规模升级的时代，竞争情报的最终度量不是报告的数量，而是它对每一笔交易、每一个投资组合决策所产生的可衡量影响。

---

*本文基于Clarivate发布的《制药竞争情报工作流问题：诊断框架》一文创作，数据和分析均源自该原始资料。*