Por qué el 83% de los líderes farmacéuticos dice que la IA está sobrevalorada — y por qué en market access se equivocan
La IA ha fallado en descubrimiento de moléculas y ensayos clínicos. Pero en market access ya entrega resultados medibles. Benchmarks reales, contexto HTA de LATAM y lo que necesitan saber los equipos de HEOR en 2026.
En los últimos tres años, la industria farmacéutica ha comprometido miles de millones de dólares en inteligencia artificial. Los resultados han sido, en su mayoría, decepcionantes. Una encuesta de ZoomRx encontró que el 83% de los profesionales en ciencias de la vida considera que la IA está sobrevalorada. Deloitte reporta que solo el 9% de los líderes biofarmacéuticos ha visto retorno real sobre su inversión en IA. Y aun así, McKinsey estima que la IA generativa podría liberar entre 60 y 110 mil millones de dólares anuales en valor para el sector.
La contradicción es real y merece una explicación específica: no es que la IA falle. Es que se ha aplicado en los lugares equivocados. Este artículo explica por qué el market access farmacéutico es la excepción — el proceso donde la IA generativa ya entrega resultados medibles, verificables y reproducibles, con implicaciones directas para los equipos de HEOR, acceso al mercado y medical affairs en América Latina.
Por qué importa esto ahora
ISPOR ubicó la IA como la tendencia número uno en HEOR para 2026–2027, subiendo del puesto 3. Pero solo 7 de 5,000 submissions HTA en agencias como NICE, CADTH y TGA indicaron uso de IA en su preparación. La brecha entre interés profesional y adopción práctica es la mayor oportunidad de diferenciación en market access hoy.
1. Por qué el escepticismo sobre la IA en pharma está justificado (en la mayoría de los casos)
El escepticismo de los líderes farmacéuticos no es irracional. Tiene base empírica. La IA ha fallado de manera sistemática en las áreas donde más se ha invertido:
- Descubrimiento de moléculas: los plazos son de décadas, las variables son casi infinitas y el éxito es binario. La IA puede acelerar partes del proceso, pero el horizonte de ROI es demasiado largo para justificar la inversión actual.
- Ensayos clínicos: el diseño de estudios depende de criterios regulatorios, poblaciones heterogéneas y endpoints que cambian con el contexto científico. La IA ayuda en reclutamiento y monitoreo, pero no transforma el proceso central.
- Manufactura: los beneficios son reales pero graduales. La optimización de cadenas de suministro requiere infraestructura de datos que la mayoría de las compañías aún no tiene.
En todos estos casos el patrón es el mismo: procesos abiertos, horizontes largos, variables no controlables. Ese es el contexto donde la IA generativa tiene más dificultades para generar valor verificable a corto plazo.
La raíz del problema
McKinsey describe el problema con precisión: simplemente agregar IA a los procesos existentes no genera valor. En una encuesta de ZS a ejecutivos tecnológicos de farma, el temor dominante es que la IA generativa siga el camino del omnichannel: "apareció en todos lados, excepto en nuestras utilidades." La pregunta es válida — pero asume que todas las funciones tienen el mismo perfil de proceso.
2. Qué hace diferente al market access: el perfil de proceso que la IA necesita
La pregunta relevante no es si la IA funciona en pharma. Es para qué tipo de proceso funciona. ISPOR, en su informe de tendencias HEOR 2026–2027, identifica la IA como la transformación más importante del campo precisamente porque el market access reúne las condiciones que hacen que la IA generativa sea efectiva:
| Función farmacéutica | Inversión en IA | Horizonte de ROI | ¿Apta para IA generativa? |
|---|---|---|---|
| Descubrimiento de moléculas | Alta | 10+ años | No — proceso abierto e impredecible |
| Ensayos clínicos | Alta | 5–10 años | No — múltiples variables no controlables |
| Manufactura / supply chain | Media | 2–5 años | Parcial — optimización de procesos |
| Market access / HEOR | Alta | 6–18 meses | SÍ — proceso estructurado y basado en evidencia |
El market access farmacéutico — construcción de dossiers de valor, modelos de costo-efectividad, revisiones sistemáticas de literatura, análisis de impacto presupuestal — cumple con exactitud los criterios de la última fila:
- Estructurado: sigue metodologías estandarizadas (ISPOR, CHEERS, GRADE) con pasos definidos y verificables.
- Basado en evidencia: opera sobre datos verificables extraídos de literatura indexada, bases epidemiológicas y fuentes regulatorias.
- Repetible: el mismo proceso se replica para cada producto, indicación y mercado, con variaciones conocidas y acotadas.
- Con horizonte definido: los resultados (cobertura, precio, negociación) son medibles en meses, no en años.
3. Benchmarks reales: qué está logrando la IA en market access hoy
No se trata de proyecciones. Los resultados ya son medibles y están documentados en literatura científica y reportes de implementación:
| Proceso de market access | Tiempo tradicional | Con IA | Benchmark documentado |
|---|---|---|---|
| Revisión sistemática de literatura | 3–6 semanas | 2–4 días | ~80% reducción en tiempo de screening |
| Modelo de costo-efectividad (ICER) | 4–6 semanas | 3–5 días (adaptación local) | Margen de error inferior al 1% vs. modelos publicados |
| Value dossier completo (GVD) | 4–8 meses | 6–8 semanas | 60% reducción de tiempo documentada |
| Adaptación local LATAM | 2–4 sem./país | 2–5 días/país | Escalable a múltiples mercados simultáneamente |
80%
Reducción en tiempo de screening
Una revisión sistemática que antes tardaba 4 semanas puede estar lista en 3 días. Eso no es eficiencia marginal: es la diferencia entre llegar al pagador en la ventana de decisión o llegar después de que el competidor ya cerró el acuerdo.
4. El contexto específico de América Latina: por qué la ventana está abierta ahora
El argumento sobre IA en market access aplica globalmente. Pero en América Latina tiene una dimensión adicional que hace que la ventana de oportunidad sea especialmente urgente.
4.1 Las agencias HTA de la región están madurando sus metodologías ahora
Las agencias de evaluación de tecnologías sanitarias de América Latina, articuladas en la red RedETSA de la OPS — que en su 16ª reunión en Buenos Aires (junio 2025) convocó a 37 instituciones de 19 países — están evolucionando sus metodologías a una velocidad sin precedentes:
| Agencia HTA | Umbral costo-efect. | Criterios clave | MEAs / evidencia |
|---|---|---|---|
| Brasil — CONITEC | 3× PIB per cápita (ref.) | Evidencia local, datos de vida real | Sí — MEA Zolgensma (mar. 2025) |
| Colombia — IETS | Hasta 3× PIB (debate) | Análisis impacto presupuestal + evidencia nacional | Parcial — criterios en evolución |
| México — CENETEC/IMSS | No formalizado | Eficiencia presupuestal + precio comparativo | No — compras centralizadas priorizan costo |
| Argentina — IECS | No formalizado | Criterio multiprofesional, calidad metodológica | Emergente — sin marco formal aún |
CONITEC firmó en marzo de 2025 el primer acuerdo de acceso por resultados (MEA) para terapia génica en la región (Novartis/Zolgensma). Eso señala una dirección clara: más sofisticación metodológica, más exigencia de evidencia local, más ventaja para quienes lleguen preparados.
4.2 La nueva infraestructura de datos de Brasil crea oportunidades sin precedente
En julio de 2025, Brasil lanzó la Red Nacional de Datos en Salud (RNDS), una infraestructura de datos de vida real que abre posibilidades inéditas para generación de evidencia local. Al mismo tiempo, la Ley de IA de Brasil (PL 2338/2023) avanza en el Congreso y el Plan Nacional de IA destina aproximadamente un tercio de R$23 mil millones al sector salud. Las compañías que inviertan en capacidades de IA para market access en Brasil ahora tendrán acceso a datos que sus competidores no podrán usar retroactivamente.
4.3 El vacío regulatorio es una ventana, no un obstáculo
Ninguna agencia HTA de América Latina ha publicado metodologías específicas para evaluar evidencia generada con IA. CONITEC no tiene lineamientos. IETS no tiene lineamientos. Eso no es una señal roja: es la oportunidad de establecer el estándar antes de que se formalice.
Capital de credibilidad
Las compañías que adopten prácticas transparentes de IA alineadas con frameworks internacionales como ELEVATE-GenAI e ISPOR CHEERS-AI van a construir confianza con las agencias antes de que existan requisitos formales. Ese capital de credibilidad no tiene precio una vez que los reguladores empiecen a preguntar.
5. Qué funciones de market access se benefician más de la IA generativa
Síntesis de evidencia (revisiones sistemáticas y meta-análisis)
Es el caso de uso con evidencia más sólida. Los LLMs pueden cribar miles de referencias, extraer datos de eficacia y seguridad, y generar resumen estructurado en una fracción del tiempo tradicional. La precisión es comparable a revisores humanos expertos cuando se usa con protocolos de validación adecuados.
Modelamiento económico (ICER, BIM, análisis de umbral)
GPT-4 ha demostrado capacidad de replicar modelos de costo-efectividad publicados con margen de error inferior al 1% en menos de 15 minutos. La aplicación práctica más valiosa no es crear modelos desde cero, sino adaptar modelos existentes a parámetros locales: epidemiología, costos unitarios y umbrales de disposición a pagar de cada mercado de LATAM.
Construcción de dossiers de valor (GVD y dossiers locales)
El ISPOR Working Group presentó en Montreal 2025 una herramienta de co-autoría asistida por IA para la sección Disease Overview de Global Value Dossiers. El resultado: 80% de las interpretaciones generadas por IA no requirieron edición. La herramienta EPRI de idalab documentó una reducción del 60% en tiempo de redacción de dossiers HTA.
Comunicación de valor diferenciada por perfil de pagador
Uno de los errores más comunes en market access es usar el mismo mensaje de valor ante distintos decisores. Un payer público de CONITEC y un director médico de una aseguradora privada en México tienen criterios de decisión completamente distintos. La IA puede generar versiones calibradas del mismo argumento de valor para cada perfil.
Lo que la IA no reemplaza
La IA en market access no reemplaza el criterio metodológico del experto en HEOR, el conocimiento contextual del mercado local ni la relación con el pagador. Lo que hace es eliminar el cuello de botella de volumen que impide a equipos pequeños competir con recursos de grandes organizaciones. Un equipo de 3 personas con IA puede producir el output que antes requería 10.
6. Rigor metodológico: cómo asegurarse de que la evidencia generada con IA sea aceptada
La pregunta que más preocupa a los equipos de market access no es si la IA funciona. Es si la evidencia que produce va a pasar el escrutinio de las agencias HTA. Los estándares relevantes en 2026:
- ELEVATE-GenAI: primer framework de reporte estandarizado para el uso de LLMs en investigación HEOR, publicado por el ISPOR Working Group. Establece criterios de transparencia, trazabilidad y validación.
- CHEERS-AI: extensión del checklist CHEERS para evaluaciones económicas que incorporan métodos de IA y machine learning.
- PALISADE: checklist específico para métodos de machine learning en investigación HEOR y RWE.
La posición de NICE es la más explícita de cualquier agencia HTA global: el uso de IA debe ser declarado, transparente y reproducible, y los resultados deben cumplir los mismos estándares de calidad que los métodos tradicionales. En América Latina, donde ninguna agencia ha publicado lineamientos específicos, alinearse con estos frameworks internacionales es la mejor práctica disponible.
Nota sobre aceptación regulatoria
El hecho de que CONITEC e IETS no tengan lineamientos específicos sobre IA no significa que acepten cualquier cosa: significa que aplican sus criterios metodológicos existentes. Un dossier con evidencia generada con IA que cumpla los estándares ISPOR será evaluado con los mismos criterios que un dossier convencional. El riesgo no es el uso de IA: es el uso de IA sin rigor metodológico documentado.
Preguntas frecuentes
¿Por qué el market access es diferente de otras funciones farmacéuticas para la aplicación de IA?
Porque cumple las condiciones que la IA generativa necesita para generar valor real: proceso estructurado, basado en evidencia verificable, repetible y con horizonte de evaluación definido. El descubrimiento de moléculas y los ensayos clínicos son procesos abiertos con horizontes de décadas. El market access produce resultados medibles — cobertura, precio, negociación — en meses.
¿Qué tipo de evidencia puede generar la IA para una submission HTA?
La IA es especialmente útil para: (1) síntesis de evidencia clínica vía revisión sistemática asistida, (2) adaptación de modelos de costo-efectividad a contextos locales, (3) construcción de la narrativa del dossier de valor y (4) análisis de sensibilidad en modelos económicos. En todos los casos, el output de IA debe ser validado por un experto metodológico antes de la submission.
¿Cómo se diferencia el contexto HTA de América Latina del de Europa o Canadá?
Las agencias europeas (NICE, G-BA, HAS) tienen metodologías formalizadas y umbrales explícitos. En América Latina el grado de formalización varía: CONITEC en Brasil es el más avanzado metodológicamente; IETS en Colombia opera con criterios en evolución; México no tiene umbral formalizado. Eso significa que en LATAM la calidad de la narrativa de valor y la adaptación local tienen más peso relativo que en sistemas con umbrales rígidos.
¿Cuáles son los frameworks metodológicos relevantes para evidencia generada con IA en market access?
Los más relevantes en 2026 son ELEVATE-GenAI (ISPOR), CHEERS-AI para evaluaciones económicas, y PALISADE para métodos de machine learning. NICE ha publicado posición oficial exigiendo que el uso de IA sea declarado, transparente y reproducible. Para LATAM, donde no existen lineamientos locales, alinearse con estos estándares internacionales es la práctica recomendada.
¿Existe evidencia de que las agencias HTA de LATAM estén aceptando evidencia generada con IA?
Todavía no hay precedente formal documentado en la región. Lo que sí existe es el precedente de NICE (UK), que lanzó en agosto de 2025 dos proyectos del HTA Innovation Laboratory explorando IA en modelamiento económico y automatización de procesos HTA. La trayectoria es clara: las agencias están evaluando activamente cómo incorporar IA, no si incorporarla.
Conclusión: la ventana es estrecha y está abierta ahora
El 83% de los directivos farmacéuticos que desconfía de la IA tiene razón sobre los contextos equivocados. La IA ha fallado en R&D de largo plazo, en manufactura sin infraestructura de datos y en iniciativas de transformación digital sin ancla en procesos reales.
Pero el market access es diferente. Es el proceso farmacéutico que mejor se alinea con las fortalezas de la IA generativa: estructurado, basado en evidencia, repetible y con resultados medibles a corto plazo. Los benchmarks ya existen: 50% menos tiempo en revisiones sistemáticas, modelos de costo-efectividad adaptados en días con menos del 1% de error, dossiers de valor en semanas en lugar de meses.
6–18 meses
Horizonte de ROI en market access
En América Latina, las agencias HTA están madurando sus metodologías ahora. Los próximos 24 meses van a definir las reglas del acceso en la región.
En América Latina, el argumento tiene una urgencia adicional. Las agencias HTA están madurando sus metodologías ahora. La nueva infraestructura de datos de Brasil y la evolución de CONITEC, IETS y RedETSA señalan que los próximos 24 meses van a definir las reglas del acceso en la región. Las compañías que lleguen con evidencia sólida, narrativas calibradas y equipos entrenados hoy tendrán ventaja competitiva por años.