Syneos把AI搬进临床决策,CRO要变天

一款新药走到今天,平均开发成本已经堆到约 22 亿美元,后期临床试验的失败率还是压不下来。CRO 这行做了几十年的活,本质是把药企不想自己养的人力和流程外包出去,靠人审文档、靠经验挑中心、靠一堆分散的系统攒数据。效率天花板早就摸到了。

2026 年 8 月 18 日,Syneos Health 宣布全面推进自己的企业级 AI 生态系统(Syneos 公告)。这件事值得单独拎出来讲,不是因为又一家公司喊了 AI,而是它动的地方变了。

过去 AI 在 CRO 里是工具,这次 Syneos 想让智能体直接进到决策环节。

从外包人力,到外包决策

Syneos 这套东西的骨架,是四层叠起来的。最顶上是科学推理层,交给智能体 AI 平台 Causaly,负责整合生物医学证据、做深度检索和假设验证。往下是数据层,靠 Databricks 把临床运营的源头数据变成准实时的分析。再往下是流程协同层,接了 Microsoft 365 Copilot,搭了 280 多个协同智能体跑日常工作流(Syneos 公告)。

最底下是商业化执行层,把 causaLens 的因果 AI、Kinetic 商业引擎、虚拟医学科学联络官这些串起来,一路通到市场推广。

说白了,它不是买了个工具装上,而是想在方案设计、可行性评估、中心筛选、入组、商业化测算这一整条线上,让智能体各管一段、又互相锚定。这是 CRO 从”帮你干活”往”帮你判断”挪。

双图谱撑起的推理底座

通用大模型做生命科学的活,老毛病是会幻觉、溯源难、行业动态跟不上。Syneos 挑中 Causaly 当科学推理引擎,关键在它底下那两张图谱。

一张叫 Bio Graph,装了超过 5 亿条生物医学事实、7000 万条有方向的因果关系,每月还在新增约 400 万个数据点(Causaly 与 Syneos 联合公告)。另一张叫 Pipeline Graph,覆盖全球超过 1.5 万家机构、6 万个研究项目、10 万余种在研药物的竞争情报。

两张图互相咬合,智能体做判断时,一头能扣住生物学机制的合理性,一头能看到市场上竞品在做什么。研究人员点一下,就能从”竞争格局”穿到”靶点通路证据”。

更要紧的是可解释这件事。Causaly 的 Deep Research 智能体,会把复杂指令拆成一堆子任务并行去查,输出的每句结论都直链到底层文献的具体段落和表格,不给凭空推测留口子。它还会主动标出样本量太小、统计效力不足或者结论互相打架的文献。这种基于图谱的检索生成,比传统向量检索更经得起严监管环境的审查。

效率数字背后,中心端接不接得住

Syneos 和合作方公布的几个数字,确实好看。方案设计和策略洞察的生成周期缩短了约 50%;商业化端,基于因果 AI 的智能体帮医药代表把拜访前的资料调取和准备时间压掉了 27%(Syneos 公告)。在某项呼吸领域临床试验的试点里,结合实时数据和 AI 筛选工具的中心,筛查速度提升了 33%,参与试点的中心做到了百分之百的筛查与入组完成率。

要注意这些提升讲的都是流程和效率,不是哪个药更有效，AI 动的是启动速度、入组节奏、资料准备这些运营环节。

但这里有个绕不开的现实。CRO 侧智能化冲得越快,和终端临床试验中心的数字化承接能力之间的落差就越明显。

老模式下方案是静态 PDF,得靠人手工把数据抽出来录进采集系统,一改就是大成本。而在 ICH M11 的数字方案范式下,方案从源头就是结构化、机器可读的,智能体能直接读、自动配置数据采集和知情同意这些系统,把试验启动时间砍掉几十天。

问题是,CRO 不能反过来要求每个中心为了配合某个试验,单独去学一套复杂 AI 工具。智能体得无缝嵌进中心原本的工作流里。中心端那 33% 的加速,只有把落地摩擦磨平,才可能在全球多中心试验里真正铺开。

智能体越自主,合规这关越硬

智能体能自己做决策,监管这边的眼睛就盯得越紧。针对 AI 在药物开发里的用法,美国 FDA、英国 MHRA 和加拿大卫生部联合给了一套良好机器学习规范,一共十条原则(FDA 等三方指导原则)。

Syneos 这套生态在设计上是往这个框里靠的。第一条是人在回路:智能体负责多步骤的证据搜集、归纳、出方案草案,但最终的科学判断、假设验证和方案签署,必须由有资质的医学专家来做。

第二条是可解释和可溯源。针对大模型不确定性的疑虑,Causaly 智能体的每一步推理都带着清晰的因果链和原始文献引用。第三条是变更控制。Databricks 的准实时数据流和模型一直在演进,企业得建一套质量管理体系,防着训练数据漂移把模型性能拖垮,还要能在不违规的前提下,对那 280 多个智能体做可控迭代。

合规不是这套系统的附加项,它本身就是架构的一部分。对 CRO 来说,能不能把”自主”和”可审计”这两件看着矛盾的事捏到一起,基本决定了这套东西能不能真进到受监管的临床流程里。

头部玩家都在同一条赛道上

Syneos 不是孤例,几家头部 CRO 和生命科学 IT 巨头都在往智能体生态上压注,只是切入点各不一样。

机构	智能体切入点	底层依托
Syneos Health	科学推理加商业化因果闭环	Causaly / causaLens / Databricks
IQVIA	临床研究全流程智能体	自有 Agentic AI 加算力合作
Medidata	临床数据平台原生 AI	Medidata AI / Plus
ICON	研发运营智能体	Orbis 平台

(以上格局据各公司公开信息整理)

同样是上智能体,Syneos 的落点在”科学推理往前推、商业化因果往前置”。它把商业化的因果推理提到了临床方案设计阶段，过去临床团队和商业化团队隔着部门墙,常常要到三期甚至上市前才碰头。现在设计早期方案时,一边扫竞品试验的机制缺陷,一边用因果模型预演不同入组标准会怎么影响后期的市场接受度。一次复杂的三期方案变更,可能就是几个月延误加数百万的额外支出;在前面多跑几千次模拟,就是想把这种返工提前挡掉。

这几家谁的路子最后跑通,现在下判断都太早。但有一点已经清楚:CRO 的竞争门槛,正在从”我有多少人、多少中心”往”我有多少数据、多强的推理和多硬的合规”这边移。人力密集型的老护城河,水位在降。真正难复制的,是那种把高精度知识图谱、因果推理和监管可解释性焊在一起的底层能力，它买不来,也急不出来,得一层一层长。接下来值得盯的,不是谁又签了哪家 AI,而是谁能先让中心端心甘情愿地用起来。