Блог
За пределами GEO: превращение диалогов с ИИ в стратегическую аналитику
Оливер Бейли (Oliver Bailey), директор направления глобальных консультационных услуг
Кейт Беннет (Kate Bennet), старший директор направления глобальных консультационных услуг
Д-р Штефан Луцмайер (Dr. Stefan Lutzmayer), старший консультант по идейному лидерству, IQVIA
Луис Родригес (Luis Rodriguez), директор направления глобальных консультационных услуг
16 октября 2026 г.
На протяжении десятилетий модель взаимодействия в фармацевтической отрасли преследовала знакомую цель: доставка нужной информации нужному заинтересованному лицу в нужное время. Генеративный ИИ теперь предлагает медицинским работникам (врачам) прямую реализацию этого обещания. Они могут задать вопрос своими словами и получить обобщенный ответ за считанные секунды.
В более ранних работах IQVIA мы описывали ИИ как «парадный вход» к медицинской информации, помогающий клиницистам сориентироваться, находить актуальные данные и сравнивать варианты, часто еще до того, как происходит традиционное взаимодействие. Этот парадный вход теперь стал реальностью. Согласно опросу IQVIA 2026 года, охватившему 23 769 врачей на 34 рынках, 80% респондентов сообщили об использовании по крайней мере одного инструмента ИИ, а почти половина пользовалась ИИ ежедневно или несколько раз в неделю.
Его роль также выходит за рамки поиска информации. Текущий анализ IQVIA более 2 000 реальных запросов от 107 медицинских работников из Франции, Германии и Великобритании показывает, что многие вопросы, задаваемые генеративному ИИ, уже связаны с принятием клинических решений. Клинические рекомендации остаются самой крупной отдельной темой, но за ними следуют выбор лечения и диагностика, а также ведение нежелательных явлений, общие вопросы, эффективность, дозирование и интерпретация анализов (Рисунок 1). Почти треть выявленных клинических тем касаются конкретных пациентов. Это говорит о том, что врачи не только спрашивают, что говорят данные. Они также интересуются тем, как применить их в конкретном пациенте или клинической ситуации. Вопросы все точнее отражают реальные точки принятия решений относительно выбора лечения, соответствия пациенту, рисков, сроков и силы подтверждающих доказательств. Клиническое суждение остается за врачом, но генеративный ИИ приближается к тому моменту, где данные интерпретируются и используются.
Рисунок 1: Анализ реальных запросов медицинских работников; Источник: Пилотный проект IQVIA по генеративному ИИ. Текущий анализ более 2 000 реальных запросов от 107 медицинских работников из Великобритании, Франции и Германии, соотнесенных с 971 клинической темой. Данные актуальны на 31 августа 2026 г.Примечания: Среда генеративного ИИ IQVIA, используемая для получения этих выводов, предназначена для образовательной поддержки и содержит средства защиты для обеспечения безопасности и комплаенса. Только для образовательных и исследовательских целей. Не предназначено для предоставления или замены клинических рекомендаций по конкретным пациентам.
Это меняет последовательность взаимодействия, а не заменяет устоявшиеся каналы. Фармацевтические компании по-прежнему играют центральную роль в генерации доказательной базы и распространении научных знаний, однако теперь врач может сначала задать вопрос языковой модели (LLM), прежде чем обращаться к публикации, медицинскому сайту или медицинскому советнику (MSL).
Для фармотрасли это создает как потенциальную «слепую зону», так и источник ценной аналитики. Первоначальная формулировка вопроса может происходить вне традиционных каналов, которые компании могут контролировать или измерять, в то время как заданные вопросы и полученные ответы могут выявлять возникающие потребности, неопределенность и пробелы в том, как представлены данные.
Понимание этого нового уровня требует двух взаимодополняющих перспектив: что спрашивают врачи и как на это отвечают системы ИИ.
Две взаимодополняющие перспективы: что спрашивают врачи и как отвечает ИИ
Врачи используют все более широкий спектр инструментов ИИ — от универсальных языковых моделей, таких как ChatGPT, Gemini и Copilot, до специализированных клинических платформ и ИИ, встроенного в рабочие процессы медицинских учреждений. Разница заключается не просто в том, что специализированные инструменты предоставляют более качественную клиническую информацию. Недавние оценки показывают, что ведущие универсальные модели могут справляться с некоторыми задачами по поиску клинической информации ничуть не хуже. Специализированные платформы могут больше отличаться тем, как они поддерживают клиническую практику, например, с помощью медицинского документирования с помощью ИИ, поддержки принятия решений и интеграции с электронными медицинскими картами. По мере того как эти платформы все глубже внедряются в клинические рабочие процессы, они также с большей вероятностью отражают потребности и системы конкретного учреждения или системы здравоохранения. Границы также начинают стираться по мере того, как эти платформы расширяются от документирования до поиска информации и поддержки принятия решений, потенциально переводя часть взаимодействия от явных запросов врачей к информации, извлекаемой из самого клинического контекста. Для фармацевтических компаний, стремящихся понять эту новую информационную среду, более полезным разграничением является разделение не по отдельным инструментам, а по двум взаимодополняющим источникам аналитики: что спрашивают заинтересованные лица и как отвечает ИИ. На рисунке 2 обобщены эти две перспективы.
Рисунок 2: Две взаимодополняющие аналитические перспективы от моделей генеративного ИИ; Источник: IQVIA Thought Leadership
Как отвечает ИИ? Командировщики фармкомпаний могут использовать структурированные промпты на основе персон для тестирования вопросов, которые врачи, пациенты и плательщики могут задать в диалоге с ИИ. Затем они могут оценить ответы на предмет цитирования источников, трактовки методов лечения, доли ответов и пробелов в видимости по сравнению с конкурентами, выявляя то, как заболевания, бренды и данные представлены в разных моделях, на разных рынках и языках.
Что спрашивают врачи? Там, где участвующие медицинские платформы предоставляют данные запросов на основе согласия и регулирования, IQVIA может анализировать, какие вопросы задают врачи, как развиваются темы, какие специальности или рынки стимулируют активность и какая информация выводится в ответ. Это обеспечивает более прямой взгляд на реальные информационные потребности по мере их возникновения, дополняя опросы и ретроспективные исследования.
В совокупности эти две перспективы позволяют фармацевтическим компаниям выйти за рамки узкого вопроса «присутствуем ли мы в отчете?» и задать более полезный вопрос: «О чем говорит этот ответ с точки зрения потребностей заинтересованных сторон, доступных данных и необходимых действий?»
От GEO к принятию решений на протяжении жизненного цикла бренда
Значительная часть первоначальной работы отрасли была сосредоточена на оптимизации генеративных поисковых систем (GEO): помощи в обнаружении, интерпретации и цитировании заслуживающих доверия данных в ответах, сгенерированных ИИ. Это важная отправная точка. Языковые модели не просто ранжируют источники; они объединяют их в единый ответ. Авторитетность источников, клиническая значимость и структура контента поэтому влияют как на появление доказательств, так и на то, как они представлены. В более ранних работах IQVIA это описывалось как завоевание «алгоритмического доверия».
Более масштабная возможность заключается в связывании вопроса с ответом. Рассматриваемые вместе, они показывают, видимы ли соответствующие данные и отвечают ли они потребностям, стоящим за вопросом. Отслеживание этих тенденций во времени может показать, где растет неопределенность, где новые данные меняют дискуссию и где старые нарративы продолжают формировать ответ.
Это дополняет первичные маркетинговые исследования, а не заменяет их. Первичные исследования обеспечивают структуру и глубину для проверки гипотез, изучения мотивации и понимания того, насколько широко разделяется та или иная потребность. Аналитика на основе LLM добавляет более непрерывный поток сигналов между исследовательскими волнами, основанный на вопросах, которые специалисты здравоохранения задают естественным образом, а не только на тех, которые предусмотрены в исследовательском задании. Это может помочь командам раньше выявлять возникающие проблемы, а затем исследовать их с помощью первичных рыночных исследований, полевых данных и других проверенных источников.
Ценность распространяется на весь жизненный цикл бренда (Рисунок 2). На этапе разработки повторяющиеся вопросы могут помочь четче понять нерешенные клинические потребности и протестировать приоритеты доказательной базы. В период запуска различия по рынкам или специализациям могут учитываться при планировании публикаций, медицинском образовании и подготовке полевых сил. Для продуктов, уже представленных на рынке, команды могут оценить, меняют ли новые данные, обновления руководств или инициированные компанией коммуникации и кампании как вопросы, задаваемые специалистами здравоохранения, так и ответы, предоставляемые ИИ.
Рисунок 3: От видимости ИИ к принятию решений на протяжении жизненного цикла; Источник: IQVIA Strategy Consulting
Создание этого потенциала требует большего, чем просто единовременная оценка видимости. Оно требует повторяемого анализа, непрерывного отслеживания и способа соединения возникающих сигналов с командами, способными на них реагировать. IQVIA может объединить регулируемые данные с специализированных медицинских платформ, контролируемый анализ универсальных LLM и экспертизу в области исследований, доказательств и взаимодействия.
Отсюда следует, что фармкомпаниям не следует относиться к ИИ просто как к еще одному каналу для оптимизации. Им следует непрерывно учиться на основе информационного обмена, посредником в котором теперь выступает ИИ, связывая вопросы заинтересованных сторон и ответы, сгенерированные ИИ, со стратегией доказательств и решениями по взаимодействию.
Когда ИИ отвечает первым
Когда ИИ отвечает первым, роль фармкомпаний не исчезает. Она становится более сложной. Компании по-прежнему должны генерировать надежные доказательства и ответственно доносить их через устоявшиеся медицинские и коммерческие каналы. Теперь они также должны понимать, как эти доказательства выбираются, объединяются и преподносятся системами, которые они не контролируют.
Знакомая цель донесения нужной информации до нужного заинтересованного лица в нужное время остается актуальной. Меняется лишь путь. В среде, опосредованной ИИ, успех зависит от того, насколько легко найти и точно представить надежные доказательства, одновременно извлекая уроки из вопросов, задаваемых специалистами здравоохранения, и получаемых ими ответов.
Успех придет не от того, чтобы присутствовать в каждом ответе. Он придет от более раннего распознавания того, где вопросы заинтересованных сторон, имеющиеся доказательства и текущее понимание больше не совпадают, и соответствующей адаптации доказательств и взаимодействия.
ИИ все чаще может давать первый ответ. Преимущество фармкомпаний будет заключаться в знании того, когда этот ответ недостаточно хорош, почему он не дотягивает до нормы и что нужно изменить.
Навигация по поиску ИИ и видимости в фармацевтике
Ключевые вопросы об оптимизации под генеративные движки (GEO), ответах, сгенерированных ИИ, и меняющемся ландшафте медицинской информации
Оптимизация под генеративные движки (GEO) направлена на то, чтобы помочь найти, интерпретировать и процитировать надежные доказательства в ответах, сгенерированных ИИ. В отличие от традиционных поисковых систем, большие языковые модели объединяют информацию из нескольких источников в один ответ. Для фармкомпаний это означает, что авторитетность источника, клиническая значимость и структура контента могут влиять как на появление доказательств, так и на то, как они представлены. GEO является важной отправной точкой, но это лишь одна из составляющих понимания того, как ИИ меняет среду медицинской информации.
Фармкомпании могут использовать структурированные подсказки (промпты) для проверки того, как универсальные инструменты ИИ реагируют на вопросы о заболевании, лечении или массиве данных. Полученные ответы можно оценить на предмет цитирования источников, подачи информации о методах лечения, доли в ответах и пробелов в видимости по сравнению с конкурентами, включая различия между моделями, рынками и языками. Эти данные затем могут помочь определить, где надежные доказательства должны быть более доступными, релевантными или четко структурированными для систем ИИ, чтобы они могли находить их и точно представлять.
Измерение эффективности GEO должно выходить за рамки простого появления бренда или массива доказательств в ответе, сгенерированном ИИ. Фармкомпании могут оценивать, какие источники цитируются, как подаются методы лечения и доказательства, долю в ответах и пробелы в видимости по сравнению с конкурентами. Повторение этого анализа с течением времени может показать, меняют ли новые данные, обновления руководств или коммуникации то, как представлена та или иная тема. Это делает постоянное отслеживание более полезным, чем единовременная оценка видимости.
Там, где участвующие медицинские платформы предоставляют данные с согласия пользователей и под регуляторным контролем, фармкомпании могут анализировать, какие вопросы задают специалисты здравоохранения, как развиваются темы и где активность отличается в зависимости от специальности или рынка. Эти закономерности могут обеспечить более прямой взгляд на информационные потребности по мере их возникновения и дополнить устоявшиеся источники, такие как первичные рыночные исследования и полевые данные. Они также могут помочь раньше выявить растущую неопределенность или возникающие проблемы.
Инсайты на основе LLM могут лечь в основу принятия решений, выходящих далеко за рамки вопроса о том, появляется ли контент в ответах, сгенерированных ИИ. Соединение вопросов, задаваемых заинтересованными сторонами, с ответами, предоставляемыми ИИ, может выявить информационные потребности, пробелы в доказательной базе и меняющиеся научные нарративы. На этапе разработки эти инсайты могут помочь уточнить приоритеты доказательств; в период запуска они могут учитываться при планировании публикаций, медицинском образовании и подготовке полевых сил; а для продуктов на рынке они могут помочь отслеживать, как новые данные, руководства и коммуникации меняют как вопросы специалистов здравоохранения, так и ответы ИИ.
Ссылки
Scott K, Alzaga-Chaudhry C. The evolution of pharma engagement as AI becomes a front door to medical information. IQVIA, March 2026.
IQVIA Use of AI Tools Channel Dynamics Survey, May to July 2026. Survey base: 23,769 physicians across 34 markets.
IQVIA analysis of 2000+ HCP prompts across France, Germany and the UK. Data collected to 31 August 2026.
Beaulieu-Jones, B., Nemati, S. Limited benchmarks constrain the conclusions of a general-purpose versus clinical AI comparison. Nat Med (2026). https://doi.org/10.1038/s41591-026-04638-6
Stay ahead with the EMEA Thought Leadership insights: your source for industry-leading expertise and analysis
IQVIA AI
Learn how unparalleled data, domain expertise, and technologies enable AI-powered solutions that are purpose-built for healthcare.
