La revolución de la IA en el sector sanitario plantea un problema matemático: la industria invierte miles de millones en inteligencia artificial, pero muy pocas iniciativas llegan a un uso clínico real. En las empresas de investigación, el patrón se repite: la gran mayoría de los proyectos de IA en salud no genera un valor medible.
Aunque los titulares suelen mencionar una tasa de fracaso del 95 %, la realidad resulta todavía más elocuente: apenas alrededor del 4 % de las organizaciones afirma haber alcanzado un impacto significativo a gran escala con la IA.
Estos números no funcionan como simples datos accesorios. El 95% alude a fracasos a nivel de proyecto, mientras que el 4% identifica a las organizaciones que logran implementar la IA en múltiples flujos de trabajo. Ese dato surge de investigaciones más amplias sobre la madurez de la IA en las empresas. En conjunto, ambos porcentajes dejan en evidencia la distancia cada vez mayor entre los experimentos y los resultados concretos.
Tras años de asesoramiento a sistemas sanitarios y a líderes tecnológicos, la autora sostiene que el problema no radica en la falta de algoritmos ni de talento. El verdadero obstáculo es lo que ella define como la brecha de los registros médicos electrónicos (EMR), una falla estructural de fondo que debilita a la IA de manera silenciosa mucho antes de que los líderes puedan medir el retorno de la inversión (ROI).
Una crisis oculta detrás del gasto
Las investigaciones muestran que, pese a las decenas de miles de millones invertidos en distintos sectores, apenas una pequeña fracción de las iniciativas aporta valor. Muchos líderes del sector sanitario suponen que sus proyectos piloto se estancaron porque "la IA no está lista". Sin embargo, análisis previos demostraron que el problema suele estar en otro lado: la ausencia de marcos de evaluación sólidos que conecten el rendimiento de la IA con los resultados empresariales y clínicos.
Un estudio reveló que 33 pilotos derivaron en apenas 4 implementaciones en producción. Otras investigaciones indican que los tropiezos se explican por la fricción en los flujos de trabajo, métricas deficientes, acceso irregular a los datos y una propiedad poco clara. No se trata de fallas algorítmicas. Cada intento que queda a mitad de camino erosiona la confianza y vuelve más difícil justificar nuevas propuestas de IA.
La brecha de los EMR: la barrera que nadie quiere enfrentar
La IA no puede funcionar sin datos longitudinales, interoperables y confiables. Sin embargo, el sistema de salud ofrece exactamente lo contrario: registros médicos electrónicos desconectados, estructuras de datos inconsistentes, formatos incompatibles y antecedentes clínicos incompletos, repartidos entre múltiples sistemas.
La llamada brecha de los EMR sintetiza ese nivel de fragmentación y se manifiesta de forma concreta en la práctica cotidiana.
Uno de sus rasgos más visibles es la desalineación multisistémica.
Un modelo validado en Epic se comporta de otra manera cuando se implementa en Cerner, porque las estructuras de datos subyacentes no están estandarizadas.
La imagen parcial del paciente
Muchas veces, la IA accede apenas a una porción del historial completo de una persona. Esa visión incompleta debilita la precisión de las predicciones y afecta la confianza del médico en las recomendaciones del sistema.
Colisión de formatos de datos
Los valores de laboratorio, las notas narrativas, los estudios por imágenes y los datos que provienen de dispositivos responden a convenciones distintas. Sin un proceso de normalización, la IA no logra vincular esas señales ni interpretarlas de forma coherente.
Desajuste ambiental
Las clínicas rurales y los hospitales académicos urbanos funcionan con capacidades digitales muy dispares, lo que vuelve inviable una implementación uniforme de soluciones de IA.
No se trata de inconvenientes técnicos menores. Son desajustes estructurales que afectan el rendimiento de la IA incluso antes de evaluar si puede escalar dentro del sistema de salud.
Cómo la brecha de los registros médicos electrónicos amplifica el fracaso de la IA
Una red troncal digital fragmentada no solo dificulta la implementación, sino que además genera fallas previsibles que se repiten en distintos sistemas de salud.
Desalineación del flujo de trabajo
Cuando la IA no accede a datos consistentes, rara vez se integra de manera natural a los flujos de trabajo clínicos. Como resultado, la adopción por parte de los equipos médicos suele ser baja.
ROI imposible de medir
La fragmentación de los datos impide que los líderes demuestren valor con claridad o comparen resultados entre distintas instituciones y sedes.
Personalización insostenible
Una solución pensada para un sistema de registros médicos electrónicos termina convertida en una reconstrucción casi a medida cuando se traslada a otro entorno. Eso eleva los costos y extiende los plazos de implementación.
Ambigüedad en la gobernanza
Cuando intervienen múltiples proveedores y sistemas, la responsabilidad queda diluida. No está claro quién debe garantizar la seguridad, la precisión de los modelos ni su mantenimiento a lo largo del tiempo.
Parálisis del piloto
Como la IA responde de forma distinta según el sitio donde se implemente, los proyectos piloto se prolongan más de lo previsto. Frente a esa incertidumbre, el liderazgo duda y el impulso inicial se frena.
De este modo, la industria termina con miles de millones de dólares gastados y un impacto operativo mínimo
Cómo avanza el 4 %
Las pocas organizaciones de atención médica que logran un valor real con la inteligencia artificial siguen un patrón claro de disciplina estratégica, no una cuestión de azar tecnológico.
Construí infraestructura antes de implementar IA
Los sistemas con mejor desempeño invirtieron desde el inicio en canales de datos estandarizados que unificaron las entradas en capas de integración de los EMR, pensadas para garantizar la interoperabilidad. A eso sumaron Centros de Excelencia en IA con autoridad de gobernanza y marcos de monitoreo y control de calidad de datos que se extendieron más allá de los proyectos piloto.
Ese trabajo de base define si la IA puede escalar o no. Estudios previos demostraron que las organizaciones que trataron la infraestructura como un activo estratégico, y no como una tarea exclusiva del área de TI, quedaron mejor posicionadas para sostener resultados en el largo plazo.
Asociarse de manera estratégica y escalar de forma metódica
Las organizaciones que tienen éxito no intentan desarrollar todo puertas adentro. En cambio, arrancan con casos de uso de bajo riesgo y alto retorno de la inversión (ROI). Eligen socios con experiencia en la integración de múltiples EMR, prueban el valor en un entorno concreto y recién después avanzan en la expansión y en el desarrollo gradual e intencional de capacidades internas.
Esa lógica evita la multiplicación de pilotos sin destino claro y acorta los tiempos para generar valor.
Tratar la IA como una transformación de liderazgo y cultura
La diferencia entre el 4% y el resto muchas veces se explica por la mentalidad del liderazgo. Las organizaciones que avanzan con éxito promueven un patrocinio ejecutivo que empuja a la IA más allá de la etapa piloto. Lo hacen con KPI vinculados a resultados clínicos, operativos y financieros, con una toma de decisiones interdisciplinaria que integra a médicos, ingenieros y responsables operativos, y con la determinación necesaria para dar de baja los proyectos que no escalan.
Análisis previos señalaron que el éxito de la IA también depende de un cambio en la manera en que los líderes piensan, razonan y toman decisiones con criterios potenciados por la IA. Las herramientas técnicas solo alcanzan el nivel que habilita la madurez del liderazgo.
El camino a seguir
La tasa de fracaso de la IA en el sector sanitario no resulta inevitable. Es la consecuencia previsible de aplicar tecnología avanzada sobre una infraestructura fragmentada. La brecha de los registros médicos electrónicos (HCE) sigue como el principal obstáculo para liberar el potencial de la IA, aunque también tiene solución.
Las organizaciones que liderarán la próxima década de la IA en el cuidado de la salud no serán las que cuenten con los modelos más grandes. Serán aquellas dispuestas a modernizar su infraestructura de datos, reforzar la gobernanza, desarrollar fluidez en IA y escalar con una estrategia clara.
La IA transformará la atención médica. La verdadera pregunta es si las organizaciones integrarán el grupo reducido que logra capturar ese valor o si continuarán financiando proyectos piloto que nunca llegan a los pacientes.
La brecha de los registros médicos electrónicos definirá ese futuro. La decisión de superarla, o de seguir condicionados por ella, queda en manos de los líderes actuales.
Nota publicada por Forbes US
