Guía ISPE GAMP®: Inteligencia Artificial — Lo que los líderes de Pharma y Biotech deben saber

La inteligencia artificial ya no es algo que las empresas farmacéuticas consideren para el futuro. Está aquí, se está desplegando y ya está impactando algunos de los entornos más regulados de la industria: las cadenas de descubrimiento de fármacos, los sistemas de calidad de fabricación, las operaciones de ensayos clínicos y las presentaciones regulatorias. Y, sin embargo, durante la mayor parte de ese tiempo, una pregunta crítica ha quedado en gran medida sin respuesta: ¿Cómo exactamente se supone que debemos hacer esto de forma conforme?*

Esa pregunta ahora tiene una respuesta seria y autorizada. En julio de 2025, la International Society for Pharmaceutical Engineering (ISPE) publicó la GAMP® Guide: Artificial Intelligence, un marco de 290 páginas diseñado específicamente para ayudar a las organizaciones de ciencias de la vida a implementar IA en entornos regulados por GxP sin comprometer la seguridad del paciente, la integridad de los datos ni la calidad del producto.

Si dirige una organización farmacéutica o biotecnológica, esta guía no es un documento para que su departamento de TI lo absorba y archive. Es una señal estratégica sobre hacia dónde se dirige la industria, qué esperarán los reguladores y qué necesita entender y abordar la dirección ahora mismo. Esta entrada explica qué es la GAMP AI Guide, por qué era necesaria y qué significa para el funcionamiento de su organización.

¿Por qué la industria farmacéutica necesitaba una guía de cumplimiento de IA dedicada?

Para entender por qué importa la GAMP AI Guide, ayuda comprender el vacío que está rellenando. Durante décadas, el marco GAMP ha dado a las empresas farmacéuticas un enfoque estructurado y basado en el riesgo para validar sistemas informatizados. 

GAMP 5, y su segunda edición de 2022, se convirtieron en el punto de referencia de la industria para la Computer Software Assurance (CSA). Funcionó bien para los tipos de sistemas que la industria farmacéutica había utilizado siempre.

La IA rompe el antiguo modelo de validación de maneras fundamentales. El software tradicional hace exactamente lo que está programado para hacer. Los sistemas de IA aprenden, se adaptan y, en algunos casos, producen resultados que son difíciles de explicar completamente —una característica que crea desafíos de cumplimiento que el marco GAMP existente nunca fue diseñado para abordar. 

Antes de la llegada de la AI Guide, las empresas que desplegaban IA en entornos GxP trabajaban esencialmente desde primeros principios, sin una referencia única y autorizada que guiara las decisiones.

Las consecuencias de ese vacío se manifestaban claramente en toda la industria:

1. Los pilotos de IA se estancaban en la etapa de prueba de concepto porque los equipos no podían ponerse de acuerdo sobre un camino validado y conforme para ponerlos en uso regulado
2. Terminología fragmentada entre los equipos de calidad, TI, ciencia de datos y asuntos regulatorios, lo que hacía casi imposible la alineación interfuncional sobre la gobernanza de la IA
3. Cualificación inconsistente de proveedores externos de IA, sin un estándar acordado sobre cómo debería ser la debida diligencia al adquirir herramientas de IA
4. Lagunas en la gobernanza de los datos de entrenamiento, ya que las organizaciones descubrieron que sus modelos de IA se estaban construyendo con datos que no se habían gestionado conforme a los estándares GxP
5. Incertidumbre regulatoria, a medida que la FDA, la EMA y otras agencias empezaron a desarrollar sus propios marcos de IA, dejando a las empresas sin saber cómo alinear sus prácticas internas

La GAMP AI Guide se desarrolló específicamente para resolver estos problemas, no a través de principios abstractos, sino mediante una orientación práctica basada en el ciclo de vida que conecta la implementación de IA con las obligaciones de cumplimiento GxP existentes.

¿Qué cubre la ISPE GAMP® AI Guide: una visión estructurada?

La GAMP AI Guide es un documento de 290 páginas desarrollado por más de 20 miembros de ISPE de la industria y la academia, con una extensa revisión por pares. Está diseñada para ser aplicable a toda la gama de casos de uso de IA en ciencias de la vida —desde sistemas de gestión de calidad mejorados con IA hasta modelos de aprendizaje automático que respaldan el control de procesos de fabricación y el análisis de datos clínicos.

En su núcleo, la guía aborda cinco áreas que la dirección de farmacéuticas y biotecnológicas debe comprender:

1. Extensión de los principios de GAMP 5 a los desafíos específicos de la IA. En lugar de reemplazar los marcos existentes, la guía se basa en la metodología basada en el riesgo de GAMP 5 y la aplica a características únicas de la IA, incluyendo el comportamiento adaptativo del modelo, la deriva de datos, las limitaciones de explicabilidad y los requisitos de gobernanza de los datos de entrenamiento.

2. Alineación con el panorama regulatorio actual. La guía incorpora el EU AI Act (adoptado formalmente en mayo de 2024), las directrices provisionales de la FDA sobre IA para aplicaciones de fármacos y dispositivos, el documento de reflexión de la EMA sobre la IA en el ciclo de vida del producto medicinal y la norma ISO/IEC 42001 sobre sistemas de gestión de IA. Esta alineación significa que la guía no es solo una mejor práctica de la industria, sino un mapa prospectivo de hacia dónde se dirigen las expectativas regulatorias formales.

3. Cobertura completa del ciclo de vida del sistema de IA. La orientación abarca cada etapa de la vida de un sistema de IA, desde el caso de negocio inicial y el diseño del sistema, pasando por la preparación de datos, el entrenamiento del modelo, las pruebas de validación y el despliegue, hasta el monitoreo operativo continuo y el control de cambios cuando los modelos se actualizan o se reentrenan.

4. Roles y responsabilidades definidos entre las partes interesadas. La guía proporciona un marco claro de responsabilidad que cubre a las empresas reguladas, los proveedores de plataformas de IA, los proveedores de servicios externos y las funciones internas, incluida aseguramiento de la calidad, TI y ciencia de datos.

5. Un enfoque de validación escalonado por riesgo. No todas las aplicaciones de IA conllevan la misma carga de cumplimiento. La guía permite a las organizaciones calibrar la profundidad de sus actividades de validación según el uso previsto y el nivel de riesgo para el paciente de cada sistema de IA específico, posibilitando una respuesta ajustada en lugar de un modelo único para todos.

¿Por qué la gobernanza de la IA en la industria farmacéutica es una responsabilidad de la dirección, no una función de TI?

Existe la tendencia común a tratar la GAMP AI Guide como un documento técnico, algo que manejan los departamentos de calidad y TI mientras la dirección se centra en los resultados comerciales que se espera que la IA entregue. Ese enfoque creará problemas.

La guía deja claro que la gobernanza de la IA en un entorno regulado de ciencias de la vida no es una función de calidad ni una función de TI. Es una capacidad organizacional que requiere la participación activa e informada del liderazgo para construirla, dotarla de recursos y mantenerla. Tres razones por las que esto importa a nivel ejecutivo:

El riesgo regulatorio por IA no gobernada es real y está aumentando. La FDA, la EMA y otras agencias importantes están desarrollando y formalizando activamente sus marcos de supervisión de la IA. Las organizaciones que implementen ahora una gobernanza de IA alineada con GAMP estarán en una posición defendible cuando esas expectativas regulatorias se vuelvan vinculantes. Aquellas que no lo hagan afrontarán una transición de cumplimiento más disruptiva y costosa mientras ya están bajo escrutinio.

Las fallas de la IA en entornos GxP son incidentes a nivel empresarial, no fallos técnicos. Si un sistema de IA desplegado en fabricación genera una salida errónea que afecta la calidad del producto, o un modelo usado en flujos de trabajo de presentación regulatoria produce datos poco fiables, las consecuencias se extienden mucho más allá del equipo de TI.

Afectan la integridad del producto, la seguridad del paciente, la posición regulatoria y la continuidad comercial. Esta es la misma categoría de riesgo que una falla en la cadena de suministro o un colapso del sistema de calidad y pertenece a las mismas conversaciones en la sala de juntas.

La inversión farmacéutica en IA está creciendo rápidamente, y gran parte de ella actualmente carece de gobernanza para uso GxP. Los analistas del sector prevén que la inversión farmacéutica en IA crecerá desde aproximadamente $2 billion en 2025 hasta más de $16 billion en 2034, con una tasa de crecimiento anual compuesta de casi el 27%.

Una encuesta de 2024 encontró que aproximadamente el 60% de los ejecutivos farmacéuticos ya habían lanzado pilotos de IA generativa, con un 32% expandiéndose más allá de la fase piloto. La pregunta estratégica que el liderazgo debería plantearse no es si invertir en IA, sino si esa inversión se está gobernando de forma que permita que las herramientas de IA operen dentro de entornos GxP o si la organización está acumulando una cartera de pilotos que nunca podrán implementarse de forma conforme donde generarían el mayor valor.

Principales desafíos de cumplimiento que hacen que la validación de la IA sea más compleja que la CSV tradicional

Para los líderes que han supervisado programas de Validación de Sistemas Informáticos (CSV) o sistemas de gestión de la calidad, vale la pena ser directos sobre las formas en que la validación de la IA es genuinamente más exigente, no para crear alarma, sino para asegurar que el desafío se entienda y se dote de recursos adecuadamente.

Validar un sistema informatizado habilitado con IA en un entorno GxP es más complejo que validar software tradicional por cinco razones específicas:

1. Los modelos de IA pueden cambiar su comportamiento con el tiempo. Un sistema de software validado convencionalmente realiza las mismas operaciones después de la validación que durante ella. Un modelo de IA reentrenado con nuevos datos puede producir salidas diferentes a las que generaba en el momento de la validación inicial. Por lo tanto, la validación no puede ser un evento único en el tiempo; requiere monitorización continua del rendimiento, umbrales definidos para desencadenar la revalidación y procesos de control de cambios diseñados específicamente para las actualizaciones y el reentrenamiento de modelos.
2. La explicabilidad del modelo es un reto documental real. Muchos sistemas de IA, particularmente los que usan arquitecturas de deep learning, no pueden explicar fácilmente por qué generaron una salida específica. En entornos GxP donde la auditabilidad y la trazabilidad son requisitos regulatorios, esto crea lagunas de responsabilidad que deben abordarse mediante decisiones deliberadas de diseño a nivel de arquitectura y gobernanza, no de forma retrospectiva durante una inspección regulatoria.
3. La calidad de los datos de entrenamiento determina directamente la conformidad del modelo. La fiabilidad de las salidas de un sistema de IA es inseparable de la calidad de los datos con que se entrenó. En farmacia, los datos de entrenamiento deben gestionarse conforme a los principios ALCOA+ como atribuible, legible, contemporáneo, original, preciso, completo, consistente, perdurable y disponible que se aplican a todos los registros GxP. La mayoría de las canalizaciones de datos de IA no se construyeron originalmente con estos estándares, y adaptarlas posteriormente supone una tarea significativa.
4. La calificación de proveedores terceros de IA requiere un nuevo marco. Muchas herramientas de IA desplegadas en entornos farmacéuticos son construidas y actualizadas continuamente por proveedores externos con comprensión limitada de los requisitos GxP. Calificar a estos proveedores con el rigor apropiado y mantener esa supervisión a medida que sus plataformas se actualizan, reentrenan o reestructuran requiere un marco de cualificación que la mayoría de las organizaciones aún están en proceso de desarrollar.
5. La alineación de la gobernanza interfuncional es un desafío organizacional, no técnico. Establecer un lenguaje compartido, criterios compartidos de clasificación de riesgos y un proceso de gobernanza compartido para la IA entre calidad, TI, ciencia de datos, asuntos regulatorios y operaciones es más difícil en la práctica de lo que parece en la planificación. Esta es una de las razones principales por las que las iniciativas de IA se estancan después de la fase piloto, y es un área donde el patrocinio del liderazgo determina directamente el resultado.

¿Sigue confiando su infraestructura de datos subyacente en procesos manuales o desarticulados?

Los modelos de IA fallan en entornos GxP sin datos digitalizados y prístinos.

→ Leer: Calidad sin digitalización: un riesgo que los líderes farmacéuticos modernos no pueden ignorar

Seis preguntas que los ejecutivos de farmacéutica y biotecnología deberían hacer a sus equipos

La GAMP AI Guide proporciona una base práctica para evaluar en qué punto se encuentra su organización actualmente en materia de gobernanza de la IA. Estas son las preguntas que sacan a la luz las brechas más importantes:

1. ¿Existe un inventario documentado de todos los sistemas de IA que actualmente operan o están en desarrollo en áreas del negocio reguladas por GxP? Muchas organizaciones descubren significativamente más aplicaciones de IA en marcha de las que el liderazgo conoce cuando realizan un inventario estructurado por primera vez.
2. ¿La organización tiene un proceso definido y documentado para clasificar el impacto GxP y el riesgo para el paciente de un nuevo sistema de IA antes de su despliegue? Sin esto, las decisiones de calificación de riesgo se están tomando de manera informal e inconsistente entre funciones.
3. ¿Se están calificando formalmente los proveedores de herramientas y plataformas de IA de terceros con el mismo estándar aplicado a otros proveedores de sistemas informatizados GxP? Esta es una de las brechas más comunes y con mayores consecuencias en la práctica actual de gobernanza de IA.
4. ¿Operan los equipos de aseguramiento de la calidad y ciencia de datos con un vocabulario compartido y un marco de gobernanza para IA? El desalineamiento entre estas funciones, incluida la diferente comprensión de lo que significa la validación en un contexto de IA, es una de las razones principales por las que los programas de IA no avanzan de la fase piloto a producción.
5. ¿Cómo se supervisan los sistemas de IA ya desplegados en producción en busca de deriva del modelo, degradación de la calidad de los datos o desviación de rendimiento? Si la respuesta honesta es que no existe una supervisión estructurada, ésta es una brecha prioritaria con implicaciones regulatorias directas.
6. ¿Se gestionan las canalizaciones de datos que alimentan sistemas de IA en entornos GxP según los estándares de integridad de datos ALCOA+? Para la mayoría de las organizaciones, la respuesta precisa es actualmente "no totalmente", y esto requiere un plan de remediación explícito.

Una hoja de ruta de implementación práctica: ¿Cómo aplicar la Guía GAMP AI por fases?

La Guía GAMP AI es exhaustiva, y aplicarla en su totalidad no es un objetivo realista a corto plazo para la mayoría de las organizaciones. El enfoque de liderazgo más efectivo es tratarla como una hoja de ruta de madurez y secuenciar la implementación en fases que desarrollen la capacidad progresivamente.

1) Establecer una estructura de gobernanza de IA interfuncional con patrocinio ejecutivo. Este organismo debe incluir aseguramiento de la calidad, TI, ciencia de datos, asuntos regulatorios y representación legal, con derechos de decisión definidos, responsabilidad clara y una línea de reporte directa a la alta dirección. Sin esta estructura, todo lo demás es más difícil de mantener.

2)Realizar un inventario de sistemas de IA y aplicar una clasificación de riesgo. Documente cada aplicación de IA en funcionamiento o en desarrollo en áreas relevantes para GxP. Clasifique cada una por uso previsto, impacto GxP y nivel de riesgo para el paciente. Este ejercicio identifica de inmediato dónde están las prioridades de validación y qué sistemas requieren atención urgente de gobernanza.

3) Construir o actualizar el marco de calificación de proveedores de IA. Revise los procesos actuales de calificación de proveedores frente a las recomendaciones de supervisión de proveedores de la guía. Identifique dónde se requiere diligencia adicional e integre criterios de calificación actualizados en los flujos de trabajo de adquisición y gestión de proveedores.

4) Evaluar la gobernanza de los datos de entrenamiento frente a los requisitos de ALCOA+. Realice una revisión de integridad de datos de las canalizaciones que suministran datos de entrenamiento a los sistemas de IA que operan en entornos GxP. En la mayoría de las organizaciones, este paso revela las brechas estructurales más importantes e informa la inversión de remediación más significativa.

5) Definir protocolos de supervisión continua y revalidación de sistemas de IA. Para cada sistema de IA en despliegue GxP, establezca umbrales de rendimiento documentados, cadencia de monitorización y las condiciones específicas que desencadenan la escalación, reentrenamiento o revalidación formal. Esto debe integrarse en el diseño operativo de cada sistema de IA desde el momento del despliegue inicial.

6) Impartir formación transversal dirigida sobre los principios de GAMP AI. El marco de gobernanza solo funciona cuando las personas responsables de calidad, TI, regulación y ciencia de datos entienden los principios de la guía y pueden aplicarlos de forma colaborativa. La formación estructurada entre estas funciones, adaptada al papel de cada audiencia en la gobernanza de IA, es una de las inversiones más directas que una organización puede hacer en preparación para el cumplimiento de IA.

¿Tiene dificultades para contratar a los expertos técnicos especializados necesarios para gobernar y validar estos sistemas complejos?

La industria de ciencias de la vida se enfrenta a una enorme escasez de habilidades interfuncionales.

→ Leer: Brecha de talento farmacéutico | Modelos de previsión que la solucionan

El caso estratégico: ¿Por qué la implementación de IA conforme es una ventaja competitiva?

Existe una interpretación de la Guía GAMP AI que la trata como una carga de cumplimiento, otro conjunto de requisitos que debe satisfacerse al menor coste posible. Esa interpretación subestima significativamente lo que está en juego.

Las organizaciones farmacéuticas que construyan una capacidad genuina y documentada en implementación conforme de IA estarán posicionadas para:

1. Acelerar el camino desde el piloto de IA hasta el despliegue en producción GxP porque la infraestructura de gobernanza para validar, calificar y liberar sistemas de IA ya estará en su lugar
2. Mantener una posición regulatoria defendible conforme la FDA, EMA y otras agencias formalicen sus expectativas sobre la supervisión de IA
3. Ampliar las aplicaciones de IA en la gama más amplia de funciones reguladas como calidad de fabricación, operaciones clínicas, asuntos regulatorios, farmacovigilancia, sin verse limitadas por cuestiones de cumplimiento no resueltas
4. Atraer y retener talento en ciencia de datos e ingeniería de IA que quiera trabajar en organizaciones donde sus contribuciones puedan avanzar hasta despliegues de grado regulatorio en lugar de permanecer en estado de piloto perpetuo

Las empresas farmacéuticas y biotecnológicas que obtengan el mayor valor a largo plazo de la IA no serán las que se movieron más rápido en contextos no regulados. Serán aquellas que construyeron la infraestructura de gobernanza lo suficientemente pronto como para desplegar IA a escala dentro de entornos GxP, generando valor clínico, operativo y comercial con plena confianza regulatoria detrás.

La Guía ISPE GAMP®: Artificial Intelligence es la hoja de ruta más autorizada y completa de la industria para hacer precisamente eso. Para el liderazgo farmacéutico y biotecnológico, la decisión no es si comprometerse con ella, sino cuán pronto.

Preguntas frecuentes

1. ¿Qué es la Guía ISPE GAMP® AI y por qué se creó?

The ISPE GAMP® AI Guide es un marco de 290 páginas diseñado para ayudar a las empresas farmacéuticas y biotecnológicas a implementar inteligencia artificial en entornos regulados por GxP sin comprometer la seguridad, la integridad de los datos ni la calidad. Se creó para cubrir una brecha crítica donde los enfoques tradicionales de validación no podían abordar el comportamiento adaptable, opaco y dependiente de los datos de la IA. Garantiza que las organizaciones dispongan de una hoja de ruta clara, conforme y alineada con la industria para desplegar la IA de forma responsable.

2. ¿Cómo ayuda la GAMP® AI Guide a las organizaciones farmacéuticas y biotecnológicas a usar la IA de forma conforme?

La guía ofrece orientación estructurada basada en el ciclo de vida que abarca gobernanza de datos, entrenamiento de modelos, validación, despliegue del sistema, monitorización del rendimiento y control de cambios. Se alinea con regulaciones globales como el EU AI Act, los borradores de la FDA y la norma ISO/IEC 42001 para ayudar a las organizaciones a adelantarse a las expectativas regulatorias. Al seguirla, las empresas pueden escalar la IA con confianza en lugar de dejar pilotos atrapados en la experimentación.

3. ¿Por qué debe la gobernanza de la IA ser una prioridad de liderazgo y no solo una responsabilidad de TI?

Los sistemas de IA usados en fabricación, calidad, operaciones clínicas o en presentaciones regulatorias pueden afectar directamente a la integridad del producto, la seguridad del paciente y el cumplimiento, por lo que la gobernanza es una responsabilidad crítica para el negocio. La guía enfatiza que el riesgo de la IA no es un asunto de TI, sino organizacional, que requiere supervisión estratégica, asignación de recursos y responsabilidad por parte de la alta dirección. La fuerte implicación del liderazgo garantiza que las inversiones en IA lleguen realmente a un despliegue conforme en lugar de permanecer fragmentadas o sin gobernanza.