王艳丨从AI辅助到AI-Native：如何重新设计医药FTO工作体系

大模型确实能显著提高阅读和整理的效率。但FTO需要的三样东西，模型并不天然具备：

• 稳定性：同一个问题换个时间问，答案可能不同；

• 可审计性：它给出一个「不落入」，你很难知道它把权利要求读成了什么；

• 法律判断的可靠性：它会自信地出错，会编造看似合理的依据，也可能把「信息不足」悄悄处理成「不满足」。

而FTO最不能承受的，恰恰是漏报：一条被误判为「不落入」的权利要求，可能在产品上市后才变成诉讼。所以问题不在于「用哪个模型」，而在于设计一套让模型的错误暴露出来的体系。

整个体系分两层：第一层机器宽召回，第二层人按风险分工判定。设计时只守一条原则：宁可多标「待定」，也不能把风险判没了。

两层架构：机器宽召回、人按风险分工

体系由六个机制组成：

1. 任务分解

把权利要求翻译成判定程序。不让模型直接回答「落不落入」，而是让它把一条权利要求拆成要件，再把每个要件写成一个可以执行的检查。模型的工作由此变成可以审查的中间产物：人可以逐要件看它把权利要求读成了什么。

2. 规则引擎

能精确计算的，不交给模型。位置、计数、修饰模式这类要件，由确定性的程序在本机执行。要件结果是三值的：满足、不满足、待定；只有某个要件被确定地否定，才给出「不落入」。产品序列只在本机读取，不发给模型。

3. 证据底座

多年积累的专利库。专利库被整理成可以直接比对的权利要求数据层；引擎、专利库和历史结论全部锁定版本，任何改动都会被系统发现并拒绝运行。底座决定了结论的上限。

4. Agent协作

给AI助手立规矩。同事使用的AI助手来自不同厂商，也没有项目记忆。我只给它们一页规则和一个「查看状态」命令：系统只给出唯一的下一步，遇到需要IP负责人签字的节点必须停下。我让两个来自不同厂商、从未接触过这个项目的AI助手用虚构分子做冷启动测试，它们都停在了签字节点，拒绝代为批准。

测试也暴露了问题：第一轮中，一个助手为了「确认格式」直接打开了产品信息表——数据是虚构的，但如果是真实产品，就等于把序列发给了模型。我把「不打开产品信息表」写进红线，第二轮两个助手都没有再读。还有一个状态字段因为名字起得不好，被两个助手同时误解，我改了字段名。给AI用的接口，命名和规则本身就是控制手段。

5. 独立复核

一致才采纳。一个模型构造判定程序，另一个模型在看不到前者结论的情况下独立构造并复核。两边一致才验收；不一致就「挂起」，不采纳任何一方，转给人重读原文。

6. Human-in-the-loop

按风险分工。第一层留下的待定和挂起生成一份工作清单：依据确定的「不落入」由部门同事按SOP确认；缺产品事实的，由最懂产品的项目人员逐题回答，答复人留痕；「落入」、推翻机器结论和低置信度的决定，只能由IP负责人签署，系统会检查。事实由答复人负责，结论由IP负责人负责。

产品事实也要有人负责。很多关键事实不在序列表里：两条链是否全长配对、手性磷是否受控、合成路线用到了哪些中间体。这些事实不该由IP部门猜，更不该由AI推。系统在开工前逐题询问项目人员，每题都要选证据类型——有原始记录、本人确认或不知道。「不知道」是合法答案，依赖它的要件会如实标为待定。让人在不确定时硬填一个答案，是产品事实出错的最大来源。

运行效果：不漏风险，还发现了新风险

在已经完成验证的在研产品上，我把这套体系的结论与人工结论逐条对照：人工已经发现的风险，它一条都没有漏掉；同时，它还新发现了人工没有发现的风险点。这些新风险点同样是机器先召回为「待定」，再由人逐要素核对后确认的——机器负责把它们找出来，人负责确认。

需要人工复核的「待定」，规模是可控的。宽召回最常被质疑的一点是：机器把拿不准的都标成待定，人工会不会被淹没？从实际运行看，不会：

• 第一层：机器输出中，约 15% 的比对行被标为待定或挂起；

• 第二层收口：通过补答产品事实、补做确定性计算和人工逐要素核对，其中约一半被收口——既有确定的不落入，也有落入，上面说的新风险点正是在这一步被确认的；

• 最终保留：仍为待定的只占全部比对行的约 7.5%，集中在不到一成的权利要求上；其中真正需要外部律师意见的，只占全部权利要求的约 2%。

更重要的是，这些待定不是一堆杂乱的问题。每一条都写明了「卡在哪里、补什么能定案、由谁来补」；而且卡点高度集中——同一条权利要求往往在所有产品上卡在同一个事实上。一次补答，就能同时关闭多个产品上的同一类待定。人工复核的单位是「卡点」，不是「行」。

一个教训：一致不等于判对。在支持「只有修饰、尚无序列」的分子时，我们发现一个缺陷：碱基未知时，序列类检查返回的是「不满足」而不是「待定」，也就是一个假的「不落入」。用「与以前的结论一致」去检查是查不出来的，最后靠一条独立规则抓出：碱基未知时，所有序列类要件一律待定。从此我的原则是：任何验证都要包含至少一个不依赖既有结论的检验点。

最大的变化不是「工作变快了」，而是专业人员的角色变了：

• 从重复执行者，到方法设计者：把自己的判断方法拆成机器可执行、人可审查的步骤；

• 从逐条阅读，到风险判断：时间花在真正有争议、高风险的那几行上；

• 从事后检查，到质量控制：设计让错误暴露出来的机制，而不是靠最后再读一遍。

对团队而言，变化同样明显。经验不再留在某个人的脑子里，而是沉淀在判定程序和制度里；这套工作流已向部门同事和研发人员开通，他们用浏览器就能发起比对，判断标准不随操作人而变。当一个团队的专利库、判例和审查史都变成机器可以调用的数据，当门禁写进系统而不是说明书，IP团队就能用同样的人力覆盖更多产品，并在更早的研发阶段介入。这就是我理解的AI-Native IP团队。

需要强调的是，这套体系不能、也不应该脱离专业人员。它是技术筛查，不是法律意见；每一条风险由人确认，有争议的读法交律师判断，对外结论只由IP负责人给出。

回头看，这套体系里真正由模型完成的工作只占一小部分；其余的——分层、三值逻辑、独立复核、事实责任、签署权限——都是方法和制度。模型会不断换代，这些制度不需要跟着重写。

FTO只是一个起点。同样的方法——把专业判断拆成可执行、可审查、有人负责的步骤——也适用于专利组合质量评估、竞争情报，以及BD交易中对创新药资产的判断。这是我接下来想继续探索、也想和同行交流的方向。

AI-Native不是让AI替代专利律师，而是把专家的专业方法，转化为能够持续运行、接受验证的系统。这件事没有现成的产品可以买，只能由懂专业的IP人自己去定义问题、设计规则、识别模型的错误。希望有更多同行一起投入。

「IP 工作的 AI-Native」专题后续篇目（暂定）：

· 之二：从专利布局到资产竞争力：创新药 IP 价值如何评价？

· 之三：AI-Native 竞争情报：如何持续识别创新药领域的机会？

· 之四：从 IP 负责人到资产战略决策者：AI 时代专业人才的能力转型