Med Comms-flaskehalsen: Hvorfor AI tar sikte på legemiddelindustriens kommunikasjonsproblem

Medisinsk kommunikasjon har alltid operert under press: bioteknologiske selskaper genererer enorme mengder kliniske data – forsøksresultater, virkelighetsbevis, sikkerhetsoppdateringer – som må nå flere målgrupper samtidig, inkludert spesialistleger, allmennleger, medisinske vitenskapslige kontakter, betalere, omsorgspersoner og pasienter.

Hver målgruppe krever forskjellig ramme, språk og teknisk dybde. I årevis har imidlertid de menneskene som er ansvarlige for å brygge gapet – dyktige vitenskapelige kommunikatorer i medisinske saker – brukt en overraskende stor del av sin arbeidstid på ikke å tenke, men å omformatering.

Flytting av innhold fra ett kongressmaleri til et annet, gjenoppbygging av presentasjoner for forskjellige målgrupper og gjøre det manuelt ofte mot stramme overnattingsfrister. “Vi ville gjøre alle disse leveransene for kunder, men ofte tilbrakte vi også mye av vår tid på å sette sammen presentasjonen og deretter overføre ting fra ett maleri til det neste”, sa Francine Carrick, en PhD-utdannet forsker som tilbrakte 22 år i med comms.

“Vi drømte om en løsning som ville oversette vitenskapen for oss”, la hun til.

Carrick sluttet nylig til AI-presentasjonsplattformen Prezent som president for Prezent Vivo, som kombinerer formål-bygget AI og domene-eksperter for å drive life sciences-kommunikasjonsøkosystemet – inkludert både bioteknologi og selskapets agentpartnere.

Problemet hun beskriver, er ikke nisje; det sitter i skjæringspunktet mellom to press som nå er godt dokumentert i industrien. På den ene siden, mottar nesten 8 av 10 helsepersoner en større mengde informasjon fra legemiddelselskaper enn før COVID-19, og 77% sier at mengden av digitale kommunikasjoner allerede er for stor.

På den andre siden, sliter legemiddelselskaper med å levere personlig, relevant innhold som HCP-er trenger, delvis fordi legacy-systemer mangler fleksibilitet til å støtte avansert personliggjøring i stor skala. Innholdspipeline er overveldet på begge ender: for mye blir produsert, og for lite av det lander effektivt.

Det modulære innholdproblemet

Industriens foreslåtte løsning på dette har lenge vært “modulært innhold” – ideen om å bryte vitenskapelig informasjon ned i gjenbrukbare komponenter som kan monteres forskjellig for forskjellige målgrupper.

I teorien er det elegant, men i praksis, brukes nå store språkmodeller til å forberede manuskripter, kondensere virkelighetsbevis-datasett til sammenfatninger og utvikle moduler for å utdanne helsepersoner – verktøy som frem til nylig bare eksisterte som bevis på konsept.

Carrick rammer den underliggende utfordringen på enkle termer: “Måten vi presenterer for en akademisk lege versus en allmennlege versus en omsorgsperson versus en pasient er veldig, veldig forskjellig”, understreket hun.

“I den tradisjonelle modellen, å ta den informasjonen og tilpasse den, var svært arbeidskrevende, og det tok tid.” Med andre ord, flaskenhalen var ikke ekspertisen til kommunikatorer; det var gjennomstrømming – mer data ankommer raskere enn team kan manuelt ompakke det.

Etter utstrakt AI-eksperimentering i 2024, er selskaper under press for å vise virkelige avkastninger på sine AI-investeringer, og driver adoptering av vertikale AI-løsninger som er spesifikt bygget for bestemte arbeidsflyter.

Dette er nettopp argumentet Prezent fremmer med sin Astrid AI-agent: at et system som er bygget spesifikt for life sciences, trent på kompatibilitetskrav, reguleringer og vitenskapelig vokabular for bioteknologi, vil overgå et generelt verktøy som er tilpasset for industrien.

Spørsmålet om spesialitet

Om life sciences-konteksten virkelig krever spesifikt bygget AI, eller om det er en markedsframstilling for en konkurrerende marked, er et legitimt spørsmål.

Hva som er klart, er at FDA har vært nøye med å følge med. Etter sine publikasjoner av retningslinjer i 2025 om bruk av AI til å støtte reguleringer for legemiddel- og biologiske produkter, hadde de mottatt over 500 innlegg som inneholdt AI-komponenter. Slike reguleringer skaper et reelt argument for compliance-native AI-verktøy i stedet for tilpassede: risikoen for å gjøre feil i en regulert miljø er kvalitativt forskjellig fra å gjøre feil i, for eksempel, en markedsføringspresentasjon.

Den bredere helse-AI-markedet reflekterer økende tillit: det globale helse-AI-markedet forventes å vokse fra 26,6 milliarder USD i 2024 til 187,7 milliarder i 2030, med industrien allerede som deployer AI i mer enn dobbelt så raskt som den bredere økonomien.

Innenfor dette, er legemiddel- og bioteknologiselskaper fortsatt de mest fokuserte på FoU, med 54% som prioriterer innovasjon og legemiddelutvikling, selv om kommersielle operasjoner – inkludert kommunikasjon – stadig mer er på agendaen.

Spørsmålet om menneskelig ekspertise

Ankomsten av AI-verktøy i profesjonelle tjenester genererer alltid den samme samtalen: hva skjer med menneskene som gjør dette arbeidet? I med comms, hvor arbeidet krever ekte vitenskapelig flytighet, er svaret mer nyansert enn det som forskyvingen antyder.

Carricks syn er at den bindende begrensningen for menneskelig ekspertise i med comms ikke er kunnskap, men heller bandbredde. “Det muliggjør, det akselerer, den menneskelige ekspertisen i mange grader”, sa hun om AI i hennes felt. “Det muliggjør den ekspertisen, de innsiktene, den menneskelige kunnskapen å bli delt med flere målgrupper på en mer tidlig fashion.”

Dette synspunktet stemmer overens med hva som nå fremtrer som en mer teksturert bilde av AI-effekter på kvalifisert kunnskapsarbeid. Undersøkelser blant leger antyder motstand i stedet for forskyving, da mange mener AI vil endre deres arbeid, men ikke eliminere deres rolle.

Analogen til medisinsk kommunikasjon er ikke perfekt, men den strukturelle likheten holder: hva AI kan gjøre er å akselerere det rutinemessige; hva det ikke kan gjøre, er å erstatte den vitenskapelige dømmekraften, målgruppe-intuisjonen eller den strategiske tenkningen som definerer det høyverdige arbeidet.

En EPG Health-studie fant at nesten 60% av legemiddelspondenter identifiserte HCP-innsikt som den øverste prioritet for strategisk engasjement, og at medisinske vitenskapslige kontakter har overtatt salgsstyrken som den viktigste kanalen for å sende informasjon til HCP-er.

Dette er et signal om at legemiddelindustrien beveger seg mot mer relasjonsintensive, mindre kringkastings-stil kommunikasjon, som krever mer menneskelig dømmekraft, ikke mindre – selv om AI håndterer produksjonslaget.

Hva skiftet faktisk krever

Det vanskeligere spørsmålet er ikke om AI vil spille en rolle i medisinsk kommunikasjon – det er allerede avgjort. Det er om verktøyene som bygges, er virkelig tilpasset kompleksiteten i domenet.

Carrick noterte hva Prezent kaller “fingeravtrykk” – målgruppe-spesifikke kommunikasjonspreferanser som kan kodes og brukes når innhold tilpasses. Konseptet reflekterer en mer grunnleggende utfordring: at målet om “riktig innhold, på riktig tid, gjennom riktig kanal, til riktig målgruppe” – lenge en mantra i med comms – alltid har vært mer aspirerende enn operativt.

Å levere på det, krever ikke bare god vitenskapelig skriving, men systematisk kunnskap om hvordan forskjellige målgrupper prosesserer forskjellige typer informasjon.

Om AI kan pålitelig koding denne kunnskapen, og om det kan gjøres samtidig som det opprettholder den vitenskapelige nøyaktigheten og reguleringen som skiller medisinsk kommunikasjon fra andre innholdindustrier, er det åpne spørsmålet.

Uansett, hva som ikke lenger er i tvil, er at den gamle modellen, med sine overnattings-formateringsmaratoner og manuelle mal-migrasjoner, var aldri bærekraftig i den hastigheten moderne bioteknologi krever.

Problemet var synlig for praktikere i årevis, men verktøyene for å løse det, er først nå blitt viable – takket være AI.