Por qué la mayoría de los programas de IA empresarial nunca salen del laboratorio. Y los tres cambios que los liberan.

Entra hoy mismo en casi cualquier sistema de salud en los EE. UU. y encontrarás una estrategia de IA. Probablemente también encontrarás un comité directivo, una lista de proveedores finalistas y un puñado de proyectos piloto en diversos estados de estancamiento. Lo que rara vez encontrarás es IA ejecutándose en producción, integrada en los flujos de trabajo clínicos o de ingresos, generando retornos medibles a la escala que prometía el caso de negocio.

Las cifras cuentan la historia. El 70% de los proveedores de salud y el 80% de las aseguradoras médicas (payers) ya tienen una estrategia de IA implementada o en desarrollo (un aumento drástico frente al 60% del año anterior), según el estudio de gasto en TI para la salud de Bain y KLAS de 2025.

Sin embargo, un informe separado de KLAS que abarcó a 1,742 organizaciones sanitarias reveló que, si bien casi todas las organizaciones entrevistadas están realizando pilotos de IA, muy pocas la han escalado a través de departamentos o funciones. De más de 3,000 encuestados, solo 17 mencionaron la IA agéntica por su nombre, y exactamente una la tenía en producción.

Esta es la trampa de los pilotos, y tiene menos que ver con la tecnología y todo que ver con la base sobre la que se asienta.

Por qué las buenas estrategias se estancan en la ejecución

La explicación convencional para el estancamiento de la IA en el sector salud es que la tecnología es demasiado nueva, los reguladores demasiado cautelosos o los casos de uso demasiado arriesgados. Ninguna de esas razones es incorrecta. Simplemente no son la limitación principal.

La limitación principal es que las empresas de salud están intentando desplegar la IA sobre entornos operativos que nunca se construyeron para soportarla. KLAS describe el estado actual de la industria como una «fase temprana de escalamiento«. Es decir, activa pero aún no duradera.

Sin unos cimientos sólidos, las organizaciones se arriesgan a tener pilotos estancados, resultados subóptimos y un ROI que no se materializa. Deloitte señala lo mismo a nivel empresarial: las arquitecturas heredadas de datos e infraestructura no pueden potenciar una IA autónoma en tiempo real, y el 35% de los líderes de IA citan la integración de la infraestructura como su barrera número uno.

Traducido al sector salud, esto significa que cuatro problemas familiares están bloqueando ahora la creación de valor de la IA, no solo la eficiencia operativa:

• Trayectorias de pacientes fragmentadas La atención médica ocurre en la atención primaria, especialistas, hospitales, entornos post-agudos, farmacias y, cada vez más, en el hogar. Cada punto de contacto funciona en un sistema diferente, con un modelo de datos diferente y una definición diferente de un mismo paciente.
• Silos de datos y débil interoperabilidad: Aproximadamente el 70% de los proveedores de salud aún luchan con el intercambio fluido de datos entre plataformas, según datos de HIMSS. Los modelos de IA son útiles solo en la medida en que lo sean los datos sobre los que se asientan, y la mayoría de los datos empresariales están bloqueados en sistemas de registros clínicos electrónicos (EHR), sistemas de reclamaciones y herramientas departamentales que nunca se diseñaron para hablar entre sí.
• Carga regulatoria y de cumplimiento normativo: HIPAA, las leyes estatales de privacidad, la nueva norma de interoperabilidad y autorización previa de CMS (CMS-0057-F) y el emergente mosaico de requisitos de gobernanza específicos para la IA añaden un coste real a cada despliegue. KLAS informa que la conversación entre los líderes de la salud ha pasado de «¿qué podemos comprar?» a «¿cómo lo controlamos?«.
• Deuda tecnológica heredada (legacy): Sistemas centrales con décadas de antigüedad, integraciones personalizadas y un middleware frágil hacen que incluso los casos de uso de IA más valiosos se queden atascados en ciclos de integración de meses. El piloto funciona; el camino hacia la producción no.

Suma todo esto y obtendrás un estancamiento (plateau). Los pilotos son baratos porque esquivan los cimientos. La producción es cara porque no puede hacerlo.

Por qué el manual de estrategias estándar empeora la IA en el sector salud

La mayoría de las empresas responden a este estancamiento haciendo más de lo mismo que no funciona: más pilotos, más proveedores, más pruebas de concepto. La lógica es razonable: si un experimento no escaló, ejecuta cinco más y elige al ganador. El problema es que ninguno de esos experimentos iba a escalar jamás, porque ninguno abordaba el sistema subyacente.

También hay un error de categoría en la forma en que se estructuran muchos programas. Demasiado trabajo se trata como asesoría: presentaciones de estrategia, modelos operativos objetivo, marcos de gobernanza y selección de proveedores. Todo es útil, pero nada de eso introduce software real en los flujos de trabajo clínicos o de ingresos. La IA se queda en el entorno de prueba de concepto, las diapositivas se presentan y el ciclo presupuestario se reinicia.

La trampa de los pilotos no es un problema tecnológico. Es un problema de tratar la IA como un proyecto cuando necesita ser tratada como infraestructura.

Tres cambios para llevar la IA en el sector salud a producción

Entre las organizaciones sanitarias con las que Wizeline trabaja, aquellas que pasan del piloto a la producción realizan tres cambios de forma temprana. No son glamorosos, pero son los cambios que generan un impacto acumulativo.

1. Pasar de pilotos a plataformas

Deja de tratar la IA como una serie de experimentos aislados. Empieza a tratarla como una plataforma de producción compartida en la que se conectan múltiples casos de uso. Es decir, una capa de datos común, una capa común para servir y monitorear modelos, y un registro común de cumplimiento y auditoría. Así, cada nuevo caso de uso se convierte en una configuración sobre la plataforma, no en algo que se construye desde cero.

Así es como las organizaciones pasan de tener un piloto atascado a diez despliegues en producción sin multiplicar los costes por diez. También es la forma de hacer que el cumplimiento normativo sea escalable. Los registros de auditoría, las versiones de los modelos y el linaje de los datos viven en la plataforma, no en cada proyecto.

2. Pasar de la asesoría a la responsabilidad de ingeniería

La IA en el sector salud no fracasa en la etapa de estrategia. Fracasa en la brecha entre la estrategia y el sistema en funcionamiento. Esa brecha la cierran ingenieros que se responsabilizan del resultado, no consultores que entregan una presentación y se marchan.

En la práctica, esto significa integrar equipos con mentalidad de producto que puedan llevar un caso de uso de IA desde la definición del problema hasta un sistema desplegado, monitoreado e integrado dentro del EHR o del flujo de trabajo del ciclo de ingresos. Significa evaluar al socio tecnológico por lo que está en producción, en lugar de por lo que está en la hoja de ruta.

3. Pasar de una IA aislada (greenfield) a una IA embebida en el flujo de trabajo

Los casos de uso de IA que escalan en el sector salud son aquellos que desaparecen dentro del flujo de trabajo. La documentación ambiental funciona porque los médicos no tienen que cambiar lo que hacen. La automatización de la codificación médica funciona porque vive dentro del proceso actual de gestión del ciclo de ingresos (RCM). El patrón es constante: la IA entrega un ROI cuando, en lugar de pedirle a la organización que adopte un proceso nuevo, transforma un flujo de trabajo que ya existe.

La implicación para los líderes tecnológicos es comenzar con el flujo de trabajo, mapear dónde la IA elimina una limitación y diseñar la integración de extremo a extremo. Los productos de IA aislados son más fáciles de mostrar en una demostración. La IA embebida en el flujo de trabajo es lo que realmente mueve el margen operativo.

Cómo se ve en la práctica la intersección entre Salud e IA (Healthcare ^ AI)

Tres patrones de proyectos recientes ilustran este modelo:

Medecision: Rediseño de la arquitectura de una plataforma de salud poblacional para que la gestión de la atención médica impulsada por IA pudiera integrarse directamente en los flujos de trabajo de los gestores de atención, en lugar de ejecutarse como una capa analítica paralela. El cambio de plataforma desbloqueó casos de uso que habían estado bloqueados por limitaciones de datos e integración durante años.

Waystar: Ingeniería de IA diseñada para producción dentro de los flujos de trabajo del ciclo de ingresos, donde cada reclamación, código y denegación tiene consecuencias financieras reales en dólares. El RCM es exactamente el flujo de trabajo que KLAS identifica como el área de inversión en IA de mayor prioridad para los proveedores en 2025. Y exactamente el flujo de trabajo donde la IA de nivel de piloto no puede sobrevivir al contacto con el volumen real.

Azenta: Construcción de infraestructura de datos e IA para la gestión de muestras en ciencias de la vida, donde el cumplimiento, la trazabilidad y la integración con los sistemas de laboratorio no son funciones añadidas al final, sino el problema central de ingeniería desde el primer día.

Ninguno de estos son pilotos. Son sistemas ejecutándose en producción, embebidos en flujos de trabajo de los que el negocio ya depende. Ese es el cambio.

El balance final

La IA en el sector salud no está fallando porque los modelos no sean lo suficientemente buenos. Lo son. Está fallando porque la mayoría de las empresas intentan desplegar una IA diseñada para producción sobre cimientos que solo se construyeron para pilotos, con consultores liderando la entrega en lugar de ingenieros, y en flujos de trabajo que nunca fueron rediseñados para absorberla.

En la práctica, un sistema de salud despliega una herramienta de autorización previa impulsada por IA. El modelo es preciso. Pero se encuentra fuera del EHR, requiere que los gestores de casos vuelvan a introducir los datos a mano y fue implementado por un equipo de consultoría que entregó una presentación y se desvinculó. Seis meses después, la adopción es baja y el caso de negocio se ha evaporado. No porque el modelo haya fallado, sino porque nadie se hizo responsable del flujo de trabajo dentro del cual debía vivir.

Las organizaciones que escapen de la trampa en los próximos 12 a 24 meses serán aquellas que dejen de ejecutar más pilotos y comiencen a construir la infraestructura, la capacidad de ingeniería y la integración de flujos de trabajo que conviertan a la IA en una parte permanente de la operación del negocio.

La tecnología está lista. La pregunta es si el modelo operativo lo está.

Si tu hoja de ruta de IA parece ambiciosa en el papel pero tus despliegues en producción son escasos, vale la pena tener una conversación.

Wizeline se asocia con empresas de la salud y ciencias de la vida para llevar la IA a producción, desde la plataforma fundacional hasta sistemas embebidos en los flujos de trabajo existentes. Ponte en contacto con nosotros para analizar dónde estás atascado y qué se necesita para desatascarte.