面向药企发现团队的审计就绪 copilot，把 Claude 模型会话变成可复现的实验包。

1. Claude 现在已经是定量科研模型的实际操作界面，而不只是文本助手，这会把可调用这些模型的科学家群体迅速放大。
2. 独立报道明确指出，采用瓶颈在界面而不在模型本身，因此围绕这个界面做工作流控制，自然就成了下一个可采购层。
3. 自然语言接入拿掉了编码门槛，也就把可复现性和评审需求一起抬高——模型输出一旦要影响 assay 决策，就不能再裸奔。
4. SandboxAQ 已经在把 AQPotency 和 AQCell 接到同一界面上，随着更多模型驱动决策进入同一发现流程，这个问题只会叠加。

催化因素。 SandboxAQ 接入 Claude 说明，定量模型正从专家专用工具走向主流 LLM 界面，市场会立刻需要一层控制机制，把这些输出真正变成可用于研发决策的东西。

产品通过一个面向科研工作流构建的 MCP 控制平面，把 Claude 接到获批的内外部定量模型上。科学家依然可以用自然语言提问，但每条工作流都会被 assay 模板、参数边界、必填控制项和底层证据引用收紧。软件会记录提示历史、数据集、模型版本和不确定性备注，再把结果整理成实验台团队或 CRO 真能执行的实验简报。它还会横向比较不同模型版本的输出，并在建议依赖越界假设或缺少验证时发出提示。第一版产品聚焦 hit-to-lead 项目的效价排序和下一步实验规划，因为这里每一次交接出错，都会白白损失几周 assay 时间。

差异化。 SandboxAQ 及类似厂商卖的是模型访问，现有实验室软件记录的是下游结果；这家公司卡住的正是中间缺掉的那一层：把自然语言模型会话受控地转成可执行实验包。因为它既不押注单一模型、又按具体工作流设计，所以能同时挂在内部模型、外部模型和未来更多 MCP 端点之上，而不是赌某一套科研模型栈。时间拉长后，它真正沉淀下来的私有资产会是获批 assay 模板库、评审策略，以及模型到结果的追踪数据——这些东西，才会让科学 AI 真正在企业级研发里跑起来。

待完成任务

flowchart LR
  Buyer[Discovery team] --> Pain[Model outputs are hard to trust and operationalize]
  Pain --> Product[Governed Claude to experiment packet layer]
  Product --> Outcome[Faster and reproducible assay decisions]

高管要点

• 大型药企科学家已经把 copilot 当成默认入口，但一到监管更重、数据更乱的工作流，采用就会掉下来，因为信任在这里最容易断裂 [5][24]。
• why-now 很具体：可由 Claude 调用的科研模型和 MCP 正在比信息学团队手工治理的速度更快地放大模型访问 [1][2][3][4]。
• 现有厂商动作很快，但它们大多只在工作已经待在自己栈里时占优；真正的空白，是把外部 Claude 会话中立地抓进来，再转成可执行的实验包 [6][7][13][14][15]。
• 产品不能被卖成一个通用 chatbot，而要被卖成受控工作流基础设施，因为真正的痛点是手工交接、可复现性流失，以及 CRO 或湿实验实验包准备太慢 [8][10][11]。

市场定义

相关赛道不是泛 AI 助手，而是受控的科研工作流软件：它负责捕捉由 LLM 和模型参与的发现推理，把它和源数据、审批动作连起来，再导出可执行的实验包，而不是只留下松散的聊天记录 [3][6][8][17]。

用户与买方

一线用户，是那些已经能通过自然语言界面调用高级模型、但仍需要发现信息学负责人把输出做成可审、可共享、可执行的转化药理和药物化学科学家。经济买方则是发现信息学负责人或计算化学副总裁，因为采购会碰到验证、安全、数据结构和跨团队工作流设计 [5][9][11]。

购买触发点

• 团队一旦打开 Claude 或 MCP 可访问的科研模型，很快就会出现一个失衡：能产出模型建议的人变多了，但能负责记录和评审的专家并没有同步增加。 [1][2][3][4]
• 项目负责人会发现，每周评审决策仍然要靠手工拼 PowerPoint、实验记录本和发给 CRO 的 PDF，才能真正批准一条 assay 请求。 [8][10][11]
• AI 试点一旦走到安全、IP 或合规评审环节，就可能因为溯源、验证和审计性还不够可靠而卡住，没法规模 rollout。 [5][6][9][21][22]

支付意愿

如果把产品定位成项目级基础设施，付费意愿应该不低：现有平台本来就在卖带验证支持的定制化企业套餐，而用户仍要把大量时间花在报告整理、CRO 数据处理和机构记忆回溯上。 [9][10][11]

品类动态

增长信号 9.9% CAGR

验证信号

• 89% 的受访生物科技科学家已经把 copilot 或推理工具当作数据询问的第一入口。
• Benchling 报告称，只要工作流被结构化并链接回源数据，科研 AI 的报告准备时间就能大幅下降。
• SandboxAQ 明确表示，先进定量模型现在已经可以在 Claude 里通过自然语言提示调用。
• Benchling 与 Anthropic 的集成已经在主打“一键可追踪”和自动继承审计日志，这说明买方确实在意这层能力。

监管与技术约束

• 在受监管环境里，电子记录系统必须经过验证，记录可调取，并带有安全、带时间戳的审计轨迹。
• 如果审批工作流要替代人工评审记录，就必须明确签名含义、时间戳和不可抵赖能力。
• AI 治理越来越强调风险管理、人工监督和可追踪性，而不是接受黑箱模型输出。
• 模型建议的可靠性，最终取决于喂给它的结构化数据和上下文元数据。

竞争真实存在，但很分散。Benchling 和 Dotmatics 占着结构化系统记录层，Schrödinger 占着 DMTA 协作，BenchSci 占着以证据为底的疾病生物学 copilot，SandboxAQ 则占着模型接入切口。到目前为止，还没有谁明确吃下“跨模型、跨外部 Claude 会话捕捉，再加实验包治理”这一层 [6][7][12][13][14][15]。

为什么现有厂商不会默认胜出

• 云平台. Claude 和 MCP 让访问门槛下降了，但平台本身不会自动变成科研系统记录层或审批工作流。
• ELN 与信息学套件. 像 Benchling 这样的平台，在工作本来就发生在它的数据模型里时最强；但对于发生在系统边界之外的外部会话和模型决策，它们不会自动抓到。
• 模型厂商. SandboxAQ 这一类厂商的优势在预测模型和授权模式，不在中立溯源、跨模型比对或更大工作流里的评审签字。
• 计算设计套件. Schrödinger 这一类工具在站内 DMTA 协作上很强，但它们的协作模型仍然绑在自家设计环境里，不像可跨混合系统流转的实验包层。

这家公司应该被搭成一层受控实验包：服务那些刚开始在每周化合物优先级评审里使用可由 Claude 调用的定量模型的头部药企 hit-to-lead 团队。第一位用户，是想拿到模型支持的下一步建议、又不想排队等计算专家的转化药理或药物化学负责人。真正拍板的人，则是发现信息学负责人或计算化学副总裁，因为采购会碰到验证、模型访问策略和 CRO 交接。MVP 不该去替 Benchling、Dotmatics、LIMS 或上游模型厂商；它该做的是抓取外部 Claude 会话、强制执行获批 assay 模板，再导出带评审签字、可由实验台团队或 CRO 直接执行的实验包。最好的切口，是美国头部药企里做小分子效价排序和下一步实验规划的团队：这条流程周周重复，交接痛点肉眼可见，验证面也比更泛的科研 AI 治理窄。研究证明市场确实需要可追踪性和工作流控制，但还没证明买方会不会在等 Benchling、Dotmatics 或 SandboxAQ 自己补功能之前，先为一层中立层掏钱。只要公司能成为“从开放式模型查询到审计就绪实验包”的最快路径，并持续沉淀模板、评审策略和实验包到结果的追踪数据，它就有机会赢。董事会层面真正要问的是：在现有厂商补齐之前，早期试点能不能把周期缩短和专家时间节省做得足够明显，从而把预算拉出来。

问题

• 随着 Claude 和 MCP 把定量模型开放给更多科学家，每周的 hit-to-lead 决策都会冒出不可复现的提示、隐含假设和手工整理实验包的问题，导致 assay 请求迟迟批不下来。
• 发现信息学团队必须横跨外部会话、多家模型厂商和 CRO 交接，去治理模型驱动建议；但 ELN 和模型厂商大多只会在自家栈里做事后记录。
• 每次交接失真都可能白白耗掉几周 assay 时间，也会迅速消耗团队对科学 AI 的信任；所以买方要的先是可审阅性，而不是更大范围的自动化。

解决方案

• 把 Claude 会话上下文、获批数据集、模型版本、关键假设和评审签字收进按 assay 定制的实验包模板，先服务效价排序和下一步实验规划。
• 面向内部实验室或 CRO 伙伴导出可执行的实验简报；只要数据、参数边界或溯源不完整，就直接阻断实验包生成。
• 横向比较不同模型版本的输出，并把越界警告显式抬出来，让信息学负责人在不丢控制权的前提下扩大模型使用。

为什么我们会赢

• 切口不是再做一个模型厂商，也不是替掉 ELN，而是在 Claude 会话和实验记录之间补上一层中立治理。
• 购买触发点非常具体：一旦团队把可由 Claude 调用的科研模型放进流程，评审会上产生的模型建议就会超过专家能手工整理的上限。
• 湿实验和 CRO 交接能带来可量化 ROI——更快的实验包准备、更少的专家居中协调，以及更少的评审往返。
• 如果创业公司尽早拿下标杆项目，可复用的实验包模板、评审策略和实验包到结果追踪数据，会逐步沉淀成切换成本。

里程碑

flowchart LR
  Wedge[Hit-to-lead packet wedge] --> MVP[Governed Claude session to packet MVP]
  MVP --> Proof[Faster approvals and cleaner CRO handoffs]
  Proof --> Expansion[Multi-workflow scientific AI control layer]

创始团队

实验路线图

风险评估

必须成立的条件

• 前 10 个目标药企账户里，至少有 3 家把外部 Claude 实验包治理视为今年可预算的问题。
• 前 3 个试点能在不增加科研返工的前提下，把实验包准备时间至少砍掉 50%。
• 超过 80% 的实验包字段可以直接从会话和模型上下文自动生成，且评审人编辑时间少于 15 分钟。
• 至少 2 个早期试点在结束后 6 个月内转成每年 $250k 以上的生产合同。
• 至少 1 个生产客户能在 12 个月内扩到第二个项目或相邻工作流。

待尽调问题

• 发现信息学负责人现在就会买一层中立实验包层，还是会等 Benchling、Dotmatics 或 SandboxAQ 自己扩栈？
• 效价排序和下一步实验规划是不是最佳首个工作流，还是别的实验包类型更容易转化买方？
• 最先能打开预算的 KPI 到底是什么：省专家时间、缩周期、补完整度，还是增强合规姿态？
• 在 assay 规划决策里，买方需要保留多少人工评审，才会真的信任系统？
• 公司能否拿到足够权利去构建实验包到结果的基准数据，而不引发 IP 或数据共享阻力？

模型合理性

• 收入引擎. 基准情景收入，来自把 2 个早期试点转成生产，再在 Y2 新增 3 个项目，并以约 $300K ACV 在 Y3 末做到 9 个在运行的受控项目。
• 必须成立的前提. 试点转生产必须接近 business-plan 设定的 50%，而且至少有 1 个账户要在 12 个月内扩到第二个项目。
• 模型会在哪种情况下失效. 如果买方选择等待现有厂商，导致周期拖向 9 个月，下行情景的现金最低点会逼近 $0.1M，公司需要在 Y3 结束前桥接融资。
• 下一轮融资证明点. 只要公司以 5 个生产项目、1 套可复制扩张动作，以及“部署稳定低于 10 周”的证明结束 seed 阶段，下一轮融资就更站得住。

情景

敏感性

flowchart LR
  Targets[Target pharma programs] --> Pilots[Paid pilots]
  Pilots --> Production[Production governed programs]
  Production --> Expansion[Second-program expansion]
  Expansion --> Revenue[Subscription and usage revenue]
  Revenue --> GrossProfit[72% gross profit]
  GrossProfit --> Opex[Hiring plus compliance and delivery spend]
  Opex --> Cash[Ending cash]

警示项: 模型默认药企买方现在就会为一层中立实验包治理掏钱，而不是等 Benchling、Dotmatics 或 SandboxAQ 自己延长栈能力。 · 到 Y3，人均收入只刚刚越过软件基准下沿，因此任何额外服务工作或过早招聘，都会明显拉差 burn 效率。 · 基准情景下，公司在 Y3 末仍有 2 个在运行试点处于转化中，因此下一轮融资质量取决于试点到生产节奏是否真能按模型跑出。 · 如果验证包、CRO 导出或数据映射继续一户一户定制，毛利率会很快下滑。

• 平台下场侵蚀. 科研模型厂商或 Claude 平台方，自己就可能补上基础溯源和工作流打包能力。 缓解措施: 先把中立审批、跨厂商比较和 CRO 交接工作流做深——这些都不是单一模型厂商天然拥有的地盘。
• 验证周期过长. 药企团队可能需要几个月的影子模式证据，才肯让新层进入 assay 规划。 缓解措施: 先在一条效价排序工作流上落地，用历史项目做基准比对，先证明周期缩短，再谈更大范围 rollout。
• 科研责任风险. 在高风险研发环境里，只要一次建议失误或模型输出边界没卡住，信任就会很快崩。 缓解措施: 保留人工审批闸门，显式暴露不确定性和来源溯源；一旦输入超出验证范围，就直接拦截实验包导出。