La IA en pharma está sobrevalorada — excepto en market access. Por qué.
Autores
Diez años consultando proyectos de HEOR y acceso al mercado en América Latina nos han enseñado a distinguir el ruido de la señal. Este es nuestro diagnóstico sobre dónde la IA genera valor real en la industria farmacéutica — y dónde el escepticismo sigue siendo la postura correcta.
| Tres años de inversiones masivas en IA han producido, en su mayoría, decepciones. El 83% de los profesionales en ciencias de la vida considera que la IA está sobrevalorada.[1] Solo el 9% de los líderes biofarmacéuticos reporta haber visto retorno real sobre su inversión.[2] Pero hay una excepción clara — y es la que más nos importa a quienes trabajamos en market access. |
Desde NeuroEconomix llevamos más de diez años acompañando a compañías farmacéuticas en sus procesos de acceso al mercado en América Latina. En ese tiempo hemos visto llegar muchas tecnologías que prometían transformar el trabajo de los equipos de HEOR y market access. La IA generativa es la primera que, en un proceso específico y acotado, está cumpliendo esa promesa.
Este artículo es nuestro diagnóstico honesto: en qué contextos el escepticismo está justificado, qué hace diferente al market access, y qué implica esto para los equipos de farma que operan en LATAM.
Lo que los datos dicen
ISPOR posicionó la IA como la tendencia número uno en HEOR para 2026–2027.[4] Sin embargo, solo 7 de 5,000 submissions HTA a agencias como NICE, CADTH y TGA indicaron uso de IA en su preparación.[4] Hay una brecha enorme entre lo que los profesionales saben que es posible y lo que están haciendo en la práctica. Esa brecha es, precisamente, la oportunidad.
1. El diagnóstico del mercado: por qué la IA ha fallado en farma
El escepticismo generalizado hacia la IA en la industria farmacéutica no es una reacción emocional. Es la respuesta racional a un patrón de fracasos documentados en las tres áreas donde más se ha invertido:
| Área de inversión | Promesa original | Resultado real (2024–2025) |
| Descubrimiento de moléculas | Reducir de 10–15 años a 3–5 años el tiempo de desarrollo | Pocos candidatos generados por IA han llegado a fase clínica avanzada. Los horizontes siguen siendo de décadas. |
| Ensayos clínicos | Optimizar reclutamiento y reducir fracasos de fase III | Mejoras marginales en reclutamiento. El diseño de estudios sigue dependiendo de criterio humano experto. |
| Manufactura y supply chain | Optimización predictiva y reducción de desperdicios | Beneficios reales pero lentos. Requieren infraestructura de datos que la mayoría no tiene aún. |
McKinsey lo resume con precisión: simplemente añadir IA a procesos existentes no genera valor.[3] El problema no es la tecnología — es que se ha aplicado en procesos que no tienen el perfil adecuado para aprovecharla. Procesos abiertos, con múltiples variables no controlables y horizontes de décadas no son el terreno natural de los modelos de lenguaje.
La pregunta correcta
No es «¿funciona la IA en pharma?» La pregunta correcta es: «¿Para qué tipo de proceso fue diseñada la IA generativa — y cuál de nuestros procesos tiene ese perfil?» En market access, la respuesta es clara.
2. Por qué el market access es la excepción
Después de diez años trabajando en proyectos de HEOR, farmacoeconomía y acceso al mercado en América Latina, identificamos con claridad por qué el market access tiene un perfil radicalmente distinto al del resto de las funciones farmacéuticas:
- Es un proceso estructurado: sigue metodologías estandarizadas — ISPOR, CHEERS, GRADE — con pasos definidos, criterios explícitos y outputs verificables.
- Opera sobre evidencia verificable: literatura indexada, bases de datos epidemiológicas, fuentes regulatorias. No hay variables abiertas ni incertidumbre fundamental como en el diseño de moléculas.
- Es repetible por diseño: el mismo proceso se aplica para cada producto, indicación y mercado. Las variaciones son conocidas y acotadas — umbrales diferentes, epidemiología local, costos unitarios del sistema de salud.
- Tiene horizonte de evaluación definido: los resultados son medibles en meses, no en décadas. Cobertura, precio de referencia, resultado de negociación con el pagador.
Esa combinación — proceso estructurado, evidencia verificable, repetible, horizonte corto — es exactamente el perfil de tarea para el que los grandes modelos de lenguaje fueron diseñados. No es una coincidencia: es una alineación estructural entre las fortalezas de la tecnología y los requerimientos del proceso.
Lo que hemos observado en proyectos reales
En nuestros proyectos en la región, el cuello de botella más frecuente en market access no es la capacidad analítica del equipo — es el volumen. Sintetizar evidencia de cientos de estudios, adaptar modelos a siete países con economías y sistemas de salud distintos, construir narrativas diferenciadas para cada perfil de pagador. La IA no reemplaza el criterio — libera el tiempo que el criterio necesita para funcionar bien.
3. Los números que ya no son proyecciones
La evidencia de impacto en market access ya está disponible. Estos no son casos de uso hipotéticos — son resultados documentados en literatura científica y reportes de implementación de 2024 y 2025:
| Proceso | Tiempo sin IA | Con IA | Reducción | Fuente |
| Revisión sistemática de literatura | 3–6 semanas | 2–4 días | ~80% menos tiempo de screening | [7,8] |
| Modelo ICER (adaptación local) | 4–6 semanas | 3–5 días | Error < 1% vs. modelo original | [9] |
| Global Value Dossier (GVD) | 4–8 meses | 6–8 semanas | 60% reducción documentada | [10,11] |
| Adaptación a mercado local LATAM | 2–4 sem./país | 2–5 días/país | Escalable a múltiples países simultáneamente | [8,12] |
El ISPOR Working Group presentó en Montreal 2025 una herramienta de co-autoría asistida por IA para la sección Disease Overview de los Global Value Dossiers: el 80% de las interpretaciones generadas no requirieron edición.[8] idalab documentó una reducción del 60% en tiempo de redacción de dossiers HTA con su herramienta EPRI.[10] Estos no son benchmarks de laboratorio — son implementaciones en contextos reales de market access.
4. El contexto específico de América Latina amplifica la oportunidad
Para los equipos de farma que operan en la región, hay tres dinámicas que hacen que la ventana sea especialmente urgente ahora:
Las agencias HTA de LATAM están evolucionando sus metodologías en tiempo real
CONITEC en Brasil, IETS en Colombia, CENETEC en México — articuladas en la red RedETSA de la OPS[14] — están aumentando sus exigencias metodológicas. El hito más reciente: CONITEC firmó en marzo de 2025 el primer acuerdo de acceso por resultados (MEA) para terapia génica en la región.[16] Eso no es un evento aislado — es una señal de dirección. Mayor sofisticación metodológica, mayor exigencia de evidencia local, menor tolerancia para dossiers genéricos.
El vacío regulatorio es una ventana que se cerrará
Ninguna agencia HTA de la región ha publicado lineamientos específicos para evidencia generada con IA. Eso no significa que la rechacen — significa que aplican sus criterios metodológicos existentes. Las compañías que hoy construyan prácticas de IA alineadas con frameworks internacionales como ELEVATE-GenAI[6] van a tener una ventaja de credibilidad que será muy difícil de replicar una vez que los requisitos formales existan.
La nueva infraestructura de datos de Brasil abre posibilidades inéditas
El lanzamiento de la Red Nacional de Datos en Salud (RNDS) de Brasil en julio de 2025[19] crea una fuente de datos de vida real sin precedente en la región. Las compañías que desarrollen capacidades de IA para market access ahora estarán en posición de usar esos datos de formas que sus competidores no podrán replicar retroactivamente.
5. Lo que la IA no hace — y por qué eso importa
Después de años acompañando a compañías en sus procesos de market access, nuestra posición sobre los límites de la IA es clara:
- La IA no reemplaza el criterio metodológico del experto en HEOR. Un modelo de IA no sabe si los supuestos del modelo de costo-efectividad son los correctos para ese mercado. Eso requiere conocimiento contextual que no está en ningún dataset de entrenamiento.
- La IA no conoce las dinámicas locales del pagador. La diferencia entre un pagador público de CONITEC y un director médico de una aseguradora privada en México no está en un paper de ISPOR — está en años de interacción directa con esas instituciones.
- La IA no construye la relación con el tomador de decisiones. El acceso al mercado sigue siendo, en última instancia, un proceso de confianza entre personas. La IA acelera la preparación — la relación la construye el equipo.
Lo que la IA sí hace — y esto tiene un impacto enorme en la práctica — es eliminar el cuello de botella de volumen que impide a equipos pequeños competir con los recursos de organizaciones mucho más grandes.[11] Un equipo de tres personas con las herramientas adecuadas puede producir el output que antes requería diez. Eso cambia la ecuación competitiva del market access en LATAM.
Preguntas frecuentes
¿Por qué el market access tiene un perfil diferente al del resto de funciones pharma para la IA?
Porque tiene el perfil de proceso que la IA generativa necesita para crear valor: estructurado, basado en evidencia verificable, repetible con variaciones conocidas, y con resultados medibles a corto plazo. Esas cuatro características no están presentes en el descubrimiento de moléculas ni en los ensayos clínicos, que son procesos abiertos con horizontes de décadas.
¿En qué pasos concretos del proceso de market access aporta más la IA?
Los cuatro casos de uso con mayor impacto documentado son: (1) revisiones sistemáticas de literatura, donde la IA reduce el tiempo de screening hasta un 80%; (2) adaptación de modelos de costo-efectividad a contextos locales, con márgenes de error por debajo del 1%; (3) construcción de la narrativa del value dossier; y (4) generación de versiones calibradas del argumento de valor para distintos perfiles de pagador.
¿Cómo saber si la evidencia generada con IA va a pasar el escrutinio de una agencia HTA en LATAM?
La clave es alinearse con los frameworks metodológicos internacionales: ELEVATE-GenAI[6] para reporte de uso de LLMs en HEOR, y CHEERS-AI[13] para evaluaciones económicas. CONITEC e IETS no tienen lineamientos propios sobre IA todavía, por lo que aplican sus criterios metodológicos existentes. Un dossier con evidencia IA que cumpla estándares ISPOR será evaluado igual que uno convencional.
¿Qué está pasando en las agencias HTA de LATAM en relación a la IA?
Ninguna agencia de la región ha publicado lineamientos específicos. Lo que sí existe es el precedente de NICE (UK), que lanzó en agosto de 2025 proyectos del HTA Innovation Laboratory para explorar IA en modelamiento económico y automatización HTA.[21] CONITEC, IETS y RedETSA están observando esa trayectoria. La pregunta no es si van a incorporar lineamientos sobre IA — es cuándo.
Conclusión: el diagnóstico es claro, la decisión es estratégica
Después de diez años en proyectos de HEOR y market access en la región, nuestra lectura es esta: el escepticismo generalizado sobre la IA en pharma está bien fundado en las áreas donde se ha aplicado más — descubrimiento, ensayos clínicos, manufactura. Procesos abiertos, horizontes largos, variables incontrolables.
Pero el market access es estructuralmente diferente. Los benchmarks ya existen[7][9][10] y apuntan en una sola dirección: los equipos que adopten IA en sus procesos de market access ahora van a producir más evidencia, más rápido, con mayor calidad metodológica — y a un costo que cambia la ecuación competitiva de la región. En América Latina, la urgencia es doble. Las agencias HTA están madurando[14] y la nueva infraestructura de datos[19] señala que los próximos 24 meses van a definir quién llega preparado y quién llega tarde. En nuestra experiencia, en market access siempre gana quien llega con la evidencia correcta en el momento correcto.
Herramientas y recursos
¿Quieres implementar IA en el proceso de market access de tu equipo?
Quantus es la plataforma de IA diseñada específicamente para equipos de market access y medical affairs en América Latina. Construida sobre más de diez años de experiencia en proyectos de HEOR, HTA y acceso al mercado en la región.
Lee el análisis completo: Por qué el 83% de los líderes pharma se equivoca en market access → Ver Blog AQUI
Habla con el equipo de Quantus → Clic Aquí
Referencias
[1] ZoomRx. AI in Life Sciences: Perceptions vs. Reality Survey. 2024.
[2] Deloitte. Life Sciences & Health Care Outlook 2025. Deloitte Insights, 2025.
[4] ISPOR. Top 10 HEOR Trends 2026–2027. Value & Outcomes Spotlight, 2025.
[8] ISPOR Annual Meeting 2025, Montreal. GenAI-driven GVD Coauthoring Accelerator — Poster Presentation.
[9] Axtria / idalab. GPT-4 replication of published cost-effectiveness models: accuracy benchmarking. White paper citado en ISPOR 2025.
[10] idalab. EPRI Tool: AI-assisted HTA dossier writing — implementation results. 2024.
[11] Agilisium / Inizio. AI in Market Access: From Pilot to Production. Industry Report, 2025.
[12] Value in Health. Special Section: AI and HEOR. Vol. 28, Issue 11. Noviembre 2025.
[13] ISPOR. CHEERS-AI and PALISADE checklists for machine learning in HEOR. 2025.
[14] PAHO/WHO. RedETSA — 16ª Reunión, Buenos Aires, junio 2025. Informe de reunión.
[19] Ministério da Saúde Brasil. Rede Nacional de Dados em Saúde (RNDS) — Lançamento oficial. Julio 2025.[21] NICE. HTA Innovation Laboratory — AI in economic modelling and HTA processes. Agosto 2025.
EN 
ES