La Inteligencia Artificial: un nuevo modelo de prescripción de los productos farmacéuticos

🔍 Artificial Intelligence: A New Pharmaceutical Prescription Model - versión en inglés

La inteligencia artificial (IA), y más concretamente los Grandes Modelos de Lenguaje (LLM), se ha impuesto en pocos años como una de las tecnologías más estructurantes de nuestra época. Si bien su impacto en el conjunto de los sectores económicos ya está ampliamente documentado, su influencia en las prácticas médicas, y más específicamente en el modelo de prescripción farmacéutica, sigue estando insuficientemente analizada. Ese es precisamente el objeto de este artículo: examinar cómo la IA está haciendo emerger un nuevo modelo de prescripción, más potente que el tradicional, pero que plantea una cuestión fundamental de soberanía que los laboratorios farmacéuticos ya no pueden ignorar.

Para captar plenamente la magnitud de esta transformación, conviene examinar primero las fragilidades estructurales del modelo al que viene a sustituir.

Un modelo de prescripción física en pleno declive

Precisemos de entrada qué entendemos por modelo de prescripción física de los productos farmacéuticos: se trata del conjunto de acciones destinadas a informar a los médicos sobre las especialidades farmacéuticas mediante contactos y soportes físicos, con el fin de aumentar su frecuencia de prescripción. Este modelo se apoya en varias funciones clave dentro de los laboratorios farmacéuticos:

• Las fuerzas comerciales, que visitan directamente a los profesionales sanitarios, los hospitales y las farmacias

• Los asuntos médicos, que garantizan la difusión de la información científica y médica entre los profesionales sanitarios de manera individual o colectiva, en particular en los congresos, y promueven proyectos de finalidad clínica o terapéutica, especialmente de investigación

• El marketing, que produce contenidos y organiza campañas dirigidas al conjunto del ecosistema

El rendimiento de este modelo está cuestionado desde hace tiempo. A modo de ilustración, una revisión de la literatura científica publicada ya en 2010 pone de manifiesto la ausencia de una eficacia sistemáticamente demostrada.

Por otra parte, la restricción creciente y continua del acceso a los médicos ha degradado la eficacia de este modelo, encareciéndolo al mismo tiempo. El desarrollo acelerado de las herramientas digitales no ha invertido esta tendencia: aunque introdujo nuevos canales de interacción, no ha permitido restaurar la eficacia del modelo.

En este contexto, la llegada de la inteligencia artificial no solo fragiliza este modelo, sino que lo vuelve obsoleto, al crear un nuevo modelo radicalmente diferente.

La IA ya es la principal herramienta de referencia de médicos y pacientes

Desde el lanzamiento de ChatGPT 3.5 el 30 de noviembre de 2022, la adopción de estas herramientas ha experimentado una progresión sin precedentes, como ilustra la figura 1 a continuación:

*Figura 1: Evolución en el tiempo del número de usuarios de ChatGPT, fuente: *https://backlinko.com/chatgpt-stats

A diferencia de lo ocurrido con los motores de búsqueda, el ecosistema de la IA generativa no se reduce a un actor dominante: si bien ChatGPT es la herramienta más utilizada, coexisten multitud de otras soluciones, varias de ellas concebidas específicamente para el ámbito médico.

Los datos disponibles acreditan una penetración ya significativa de estas herramientas en la práctica médica:

• Un estudio francés del Healthcare Data Institute de 2023 muestra que el 41,47 % de los médicos en Francia utilizan la IA al menos una vez al mes

• Otro estudio estadounidense publicado por la AMA (American Medical Association) el 12 de marzo de 2026 muestra que más del 80 % de los médicos estadounidenses utilizan herramientas de inteligencia artificial en 2026, frente a la cifra del 38 % en 2023

• Y en lo que respecta a los pacientes, OpenAI declara que, de sus 800 millones de usuarios habituales, 1 de cada 4 (25 %) envía un prompt sobre salud cada semana

Y más allá del uso, los primeros estudios clínicos muestran que las recomendaciones de los LLM influyen realmente en las decisiones terapéuticas: un estudio publicado en Nature Medicine en 2025 sobre 50 médicos estadounidenses muestra que las recomendaciones de GPT-4 llevaron a los médicos a modificar sus decisiones clínicas iniciales, con una mejora medible de su precisión diagnóstica.

Figura 2. La Inteligencia Artificial, principal influenciador y prescriptor para médicos y pacientes

Hasta ahora se hablaba mucho de la influencia del Dr. Google, pero el Dr. IA se ha convertido en el influenciador más poderoso de todo el ecosistema sanitario. Este desplazamiento podría percibirse como una simple sustitución de interfaz; se trata en realidad de un cambio de naturaleza fundamentalmente distinto: mientras Google se limita a referenciar páginas web sin evaluar su fiabilidad, las herramientas de IA sintetizan y jerarquizan la información privilegiando la literatura científica validada; ante una pregunta médica, el Dr. IA responde como un médico, no como un motor de búsqueda.

El poder de prescripción del Dr. IA está directamente ligado a las publicaciones científicas médicas con datos longitudinales

Las herramientas de GEO (Generative Engine Optimization), que sirven para la optimización orientada a los motores generativos, permiten identificar las principales fuentes que contribuyen a crear las respuestas a las preguntas de los usuarios. Existen además herramientas específicas del mundo de la industria farmacéutica, como PharmaGEO, desarrollada por la empresa Aikka.

Este tipo de herramienta permite identificar, para cada motor de inteligencia artificial, las principales publicaciones científicas médicas que estudian todas las moléculas y todos los medicamentos.

Dicho de otro modo, la comunidad científica de médicos que publica en las revistas científicas alimenta directamente los motores de inteligencia artificial y, por tanto, a todos los médicos y pacientes.

Pero para producir un artículo científico médico de calidad hay que disponer de cohortes de datos en volumen, estructuradas, homogéneas, longitudinales y específicas de un área terapéutica. Y las mejores fuentes de estos datos son, sin ninguna duda, las aplicaciones de salud digital que acompañan al paciente a lo largo de todo su tratamiento médico.

Figura 3. Las startups de salud digital son las mejores fuentes de datos de vida real para los artículos científicos

En efecto, la literatura muestra que el valor de los datos digitales se reconoce principalmente cuando esos datos están vinculados a una patología o a una indicación claramente definida, a resultados clínicos y a decisiones terapéuticas, lo que ocurre típicamente en las soluciones dirigidas por área terapéutica más que en las aplicaciones generalistas de salud o bienestar.

Para acceder a los pacientes a la escala requerida, estas startups deben contar necesariamente con el apoyo de los principales actores del sistema sanitario: los médicos, en particular dentro de los centros hospitalarios, pero también las asociaciones de pacientes y las farmacias.

Mencionemos asimismo el papel nuevo y singular de los Tiers-Lieux d'Expérimentation (espacios de experimentación), una iniciativa reciente del gobierno francés destinada a permitir la creación de experimentaciones dentro del hospital con startups de salud digital. Hoy existen 37 en Francia y su futuro sigue siendo incierto, pese a que su utilidad es fundamental en esta nueva creación de valor.

El valor de estas startups, y de sus datos, es en efecto directamente proporcional a su capacidad de despliegue: cuanto mayor es el volumen de datos recogidos, mayor es su utilidad científica y estratégica.

Ahora bien, asistimos a veces a una proliferación de startups en una misma especialidad o área terapéutica, lo que suele generar confusión a la hora de elegir entre unas u otras soluciones. Veremos ahora que esta fase es transitoria: para cada área terapéutica tomada por separado —cardiología, diabetología, oncología, etc.— puede predecirse que solo se impondrá un pequeño número de actores. No obstante, esta concentración no se producirá con la misma rapidez ni la misma uniformidad que en otros mercados digitales: la regulación, muy variable según los países, la resistencia de las instituciones hospitalarias a depender de actores privados y la fragmentación natural por especialidad son frenos que ralentizarán el proceso. Precisamente por ello, los laboratorios farmacéuticos que deseen posicionarse no tienen interés en esperar, y por ello los modelos colaborativos abiertos, que examinaremos en la sección 6, serán la condición sine qua non del éxito de estas adquisiciones.

Se dibuja una situación paradójica: las startups de salud digital están en el corazón de la nueva cadena de valor de la prescripción y, sin embargo, siguen siendo económicamente frágiles. Para comprender cómo podría resolverse esta paradoja, la historia de los ERP ofrece una perspectiva reveladora.

Las startups de salud digital son los ERP del sistema sanitario

La salud digital lleva tiempo siendo reconocida por las grandes organizaciones internacionales como una palanca fundamental de transformación de nuestros sistemas sanitarios: la Asamblea Mundial de la Salud adoptó por unanimidad una resolución sobre salud digital, y la OMS ha definido una estrategia mundial destinada a convertir los sistemas sanitarios en sistemas centrados en las personas y activados por lo digital.

No por ello dejan estas mismas startups de tener dificultades para encontrar un modelo económico viable que les permita crecer y consolidar su valor en el mercado.

En efecto, hoy en día, en Francia, los principales modelos de negocio para las startups de salud digital son:

• la venta directa a médicos, hospitales y/o pacientes

• el reembolso de las soluciones de telemedicina por la seguridad social

• el reembolso de las terapias digitales por la seguridad social

El reembolso de las soluciones de telemedicina y de las terapias digitales en Francia, lanzado después que el de Alemania, parecía en un momento dado ofrecer un marco que permitiría la emergencia de la salud digital. Hoy se constata que no es así: obtener el reembolso es un proceso a la vez largo y complicado, y no es garantía de éxito comercial.

Esa es la razón por la que la aparición de este nuevo modelo de prescripción por la inteligencia artificial puede convertirse rápidamente en el verdadero catalizador para desarrollar la salud digital.

La analogía con los ERP (Enterprise Resource Planning) resulta esclarecedora. Estos programas, desplegados en todas las empresas a partir de finales de los años 90, permitieron definir para cada organización los datos importantes que había que recoger y crear después un cuadro de mando centralizado que ofrecía una visión global de su funcionamiento; así fue como las empresas pudieron pilotar su transformación.

Es posible utilizar esta analogía para comprender mejor cómo las soluciones de salud digital, al definir los datos para cada área terapéutica y recoger después esos datos en todos los componentes del itinerario asistencial, permitirán disponer de una visión global basada en datos pertinentes y homogéneos.

En definitiva, si el valor de estos datos es tan fundamental como el de los ERP para las empresas, entonces quien controle estas startups controlará mañana una parte del poder de prescripción. Es precisamente eso lo que va a desencadenar una carrera por la adquisición.

La escasez creciente de startups de salud digital: un efecto de oportunidad para los laboratorios farmacéuticos

La experiencia de los mercados digitales permite identificar una dinámica recurrente. Una primera fase de exploración ve emerger numerosas soluciones competidoras: los usuarios adoptan por lo general la primera solución disponible y muestran cierta reticencia a multiplicar su uso. Progresivamente se opera una selección: las soluciones menos eficaces desaparecen, mientras que las que se benefician de un mayor despliegue atraen nuevos usuarios, sensibles a los efectos de red. Este proceso acelera la concentración del mercado hacia una estructura oligopolística, en la que un pequeño número de actores se reparte lo esencial del mercado.

Esta situación oligopolística sitúa a las startups en una posición de fuerza: dueñas de una cuota de mercado significativa, están en condiciones de imponer condiciones contractuales favorables a los laboratorios farmacéuticos que desean acceder a ellas, lo que contribuye a aumentar su valoración. Ante esta relación de fuerzas, los laboratorios pueden elegir entre dos estrategias para asegurar sus alianzas: la adquisición directa o la toma de participación en el capital.

Varias operaciones ilustran ya esta tendencia:

• Compra de Flatiron Health en 2018 por los laboratorios Roche por un importe de 1.900 millones de dólares

• Alianza e inversión en Aetion por parte de Sanofi en 2019

Por otra parte, todo laboratorio que adquiera una de estas startups se aseguraría el control exclusivo de un recurso escaso y estratégico. A medida que el número de actores se reduzca, la adquisición de estas plataformas creará un verdadero efecto de oportunidad: los laboratorios en posición de controlar el acceso a estos datos podrían privar de ellos a sus competidores, constituyendo así una ventaja competitiva duradera en detrimento de quienes hayan aplazado su decisión.

Figura 4. La adquisición de startups de salud digital crea un efecto de oportunidad para los laboratorios farmacéuticos

Sin embargo, esta estrategia de adquisición no está exenta de riesgos: el control de una startup por un laboratorio farmacéutico genera tensiones potenciales con el ecosistema del que depende precisamente el valor de esa startup.

La arquitectura colaborativa abierta: condición de perdurabilidad de las adquisiciones

En efecto, el interés de los laboratorios farmacéuticos puede no estar totalmente alineado con todos los componentes del ecosistema que alimentan el valor de la startup y que permiten la producción de esos datos de calidad.

Pueden aparecer verdaderas tensiones entre quienes controlan la startup y el ecosistema que la rodea, lo que puede desembocar en un conflicto y en el rechazo de la startup.

Figura 5. Ilustración de las tensiones potenciales entre laboratorios farmacéuticos y ecosistema sanitario

Para que una adquisición así sea perdurable, el laboratorio farmacéutico que controla la startup no puede comportarse como un depredador frente al ecosistema que constituye su valor. Tres condiciones son indispensables: en primer lugar, una gobernanza multiactor que alinee los intereses de cada uno en torno a objetivos compartidos; en segundo lugar, un modelo de reparto del valor que beneficie al conjunto de los contribuyentes —médicos, hospitales, asociaciones de pacientes, farmacias— sin los cuales los datos no pueden producirse; en tercer lugar, una capacidad de experimentación concreta sobre el terreno, que valide la utilidad de las soluciones y genere pruebas de valor reales. Estas tres condiciones definen lo que puede llamarse una arquitectura colaborativa abierta.

Figura 6. Hay que crear coaliciones que alineen los intereses de los actores del ecosistema sanitario

NextGen Coalition, cofundada y operada por Digital Pharma Lab desde 2020, constituye hoy el modelo de referencia de este tipo de arquitectura en Francia. En cinco años ha reunido a más de 40 centros asociados —hospitales, laboratorios farmacéuticos, startups e instituciones— en torno a una gobernanza colectiva, con 3,5 millones de euros movilizados y más de 35 proyectos innovadores apoyados, que abarcan itinerarios asistenciales digitales, telemonitorización y herramientas de IA para los clínicos, y 100.000 pacientes usuarios que ya se benefician de las soluciones experimentadas en este marco.

En el ámbito de la farmacia, la Coalition IDEO, también impulsada por Digital Pharma Lab, aplica el mismo principio a un ecosistema distinto. Reúne a industriales de la salud, agrupaciones de farmacias, distribuidores y expertos digitales en torno a un objetivo común: acompañar a las farmacias en la integración de lo digital, en un momento en que la profesión de farmacéutico se diversifica rápidamente: vacunación, cribado, acompañamiento terapéutico. Cada año, una convocatoria de proyectos co-construida con el conjunto de los miembros a lo largo de seis meses de trabajo colectivo selecciona las soluciones más prometedoras, garantizando que las necesidades reales de las farmacias y de los pacientes estén en el centro del planteamiento. La primera convocatoria permitió recibir 42 candidaturas, de las cuales 11 se presentaron ante la Coalición y 4 proyectos fueron seleccionados y se encuentran actualmente en fase de finalización y despliegue.

Estos dos ejemplos ilustran una lección esencial: el valor de una coalición no se decreta, se construye pacientemente, mediante la prueba. Lo que hace robustos a estos modelos es precisamente que no están controlados por un solo actor: funcionan porque cada parte interesada encuentra en ellos un interés real y medible. Ese es el modelo que los laboratorios farmacéuticos que adquieran startups de salud digital deberán reproducir e institucionalizar, so pena de destruir el valor mismo que buscan capturar.

Conclusión: la IA va a crear un círculo virtuoso que valorizará las startups de salud digital y verdaderos sistemas colaborativos en beneficio de todos

La inteligencia artificial está recomponiendo en profundidad el modelo de prescripción farmacéutica al ofrecer, tanto a los médicos como a los pacientes, respuestas fundamentadas en la literatura científica validada. En esta nueva configuración, las startups de salud digital que producen cohortes de datos en volumen, estructuradas, homogéneas, en tiempo real, longitudinales y específicas de un área terapéutica permitirán la producción de publicaciones científicas basadas en una visión global, cuantitativa y representativa del itinerario terapéutico.

Para asegurar su soberanía y consolidar su ventaja competitiva, los laboratorios farmacéuticos tendrán todo el interés en adquirir o controlar estas startups. Pero, para ello, deberán construir verdaderas arquitecturas colaborativas abiertas, capaces de alinear los intereses del conjunto de los actores del ecosistema en torno a esta nueva cadena de valor, condición sine qua non de un cambio sistémico duradero, en beneficio de todo el sector.

Bibliografía

Gagnon, M. A., & Lexchin, J. (2010). Information from pharmaceutical companies and the quality, quantity, and cost of physicians' prescribing: A systematic review. PLOS Medicine, 7(10), e1000352. https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1000352

Romanow, K. (2015, August 18). Crossing the threshold: More than half of physicians restrict access to sales reps. PR Newswire. https://www.prnewswire.com/news-releases/crossing-the-threshold-more-than-half-of-physicians-restrict-access-to-sales-reps-300136525.html

PR Newswire. (2016, July 14). As doctors keep closing doors on pharma reps, do digital communications provide a better solution? PR Newswire. https://www.prnewswire.com/news-releases/as-doctors-keep-closing-doors-on-pharma-reps-do-digital-communications-provide-a-better-solution-300317132.html

Healthcare Data Institute. (2023). Les Français, les professionnels de santé et l'intelligence artificielle. https://healthcaredatainstitute.com/wp-content/uploads/2024/01/etudes-hdi-day-2023_compressed_compressed-1.pdf

American Medical Association. (2026, March 12). More than 80% of physicians use AI professionally: AMA survey. https://www.ama-assn.org/practice-management/digital-health/more-80-physicians-use-ai-professionally-ama-survey

Fierce Healthcare. (2024). 40M people use ChatGPT to answer healthcare questions, OpenAI says. https://www.fiercehealthcare.com/ai-and-machine-learning/40m-people-use-chatgpt-answer-healthcare-questions-openai-says

Semigran, H. L., Linder, J. A., Gidengil, C., & Mehrotra, A. (2017). The effect of Dr Google on doctor–patient encounters in primary care: A quantitative, observational, cross-sectional study. BMC Family Practice. https://pmc.ncbi.nlm.nih.gov/articles/PMC6169945

Staudenmayer, K. L., et al. (2025). Physician clinical decision modification and bias assessment in a randomized controlled trial of AI assistance. Communications Medicine (Nature). https://www.nature.com/articles/s43856-025-00781-2

Wikimedia Foundation. (2024). Optimisation pour les moteurs génératifs. Wikipédia. https://fr.wikipedia.org/wiki/Optimisation_pour_les_moteurs_g%C3%A9n%C3%A9ratifs

Aikka. (s.f.). PharmaGEO. https://www.aikka.ai/

Neves, A. L., et al. (2023). Digital health technology for real-world clinical outcome measurement using patient-generated data: Systematic scoping review. Journal of Medical Internet Research, 25, e46992. https://www.jmir.org/2023/1/e46992/

GNIUS - Espace Numérique de Santé. (2023). Les Tiers-Lieux d'Expérimentation en santé (TLE) - fiche acteur. https://gnius.esante.gouv.fr/fr/acteurs/fiches-acteur/tiers-lieux-dexperimentation-en-sante-tle

GNIUS - Espace Numérique de Santé. (2023). Les Tiers-Lieux d'Expérimentation en santé (TLE) - programmes nationaux. https://gnius.esante.gouv.fr/fr/programmes-nationaux/tiers-lieux-dexperimentation

Sinsky, C., et al. (2018). Digital health and health systems of the future. National Library of Medicine. https://pmc.ncbi.nlm.nih.gov/articles/PMC6203414/

Wikimedia Foundation. (2024). Thérapie numérique ou digitale. Wikipédia. https://fr.wikipedia.org/wiki/Th%C3%A9rapie_num%C3%A9rique

Wikimedia Foundation. (2024). Progiciel de gestion intégré. Wikipédia. https://fr.wikipedia.org/wiki/Progiciel_de_gestion_int%C3%A9gr%C3%A9

Digital Pharma Lab. (s.f.). NextGen Coalition. digitalpharmalab.com/ecosysteme/nextgen-coalition

Digital Pharma Lab. (s.f.). Coalition IDEO - Innovation Officine. digitalpharmalab.com/ecosysteme/coalition-ideo

Wikimedia Foundation. (2024). Grand modèle de langage. Wikipédia. https://fr.wikipedia.org/wiki/Grand_mod%C3%A8le_de_langage