Automatización e IA en la cadena de suministro farmacéutica: un mapa de extremo a extremo

Puntos clave

• Los traspasos entre empresas son el punto en el que los datos de la cadena de suministro farmacéutica pierden continuidad con más frecuencia. Automatizar pasos aislados no cierra esas brechas; sí lo hacen los identificadores compartidos, el intercambio de datos y la planificación conjunta.
• La automatización (reglas conocidas), la optimización (la opción matemáticamente óptima bajo unas restricciones definidas) y la IA (inferencia aprendida a partir de datos) son herramientas distintas que requieren controles distintos. Un nivel más alto de cualquiera de ellas no es automáticamente mejor.
• La «IA» no es una sola cosa. Los modelos predictivos, los modelos generativos y los agentes fallan de maneras diferentes y necesitan salvaguardas diferentes.
• Las decisiones que conllevan responsabilidad —entre ellas la aprobación de proveedores, la decisión sobre el destino de los lotes, las conclusiones de QC, las retiradas y las evaluaciones de farmacovigilancia— siguen asignadas a personas o funciones autorizadas conforme al sistema de calidad y la jurisdicción aplicables.
• Los fundamentos de datos y la gobernanza —validación, integridad de los datos, seguridad y supervisión de la IA— determinan hasta dónde puede llegar la automatización de forma segura.

1. Por qué una visión de extremo a extremo

Un medicamento llega al paciente a través de varias redes de suministro interconectadas, no de una sola organización. Los proveedores de materiales de partida clave e intermedios abastecen a los fabricantes de principios activos (API), mientras que otras redes independientes suministran excipientes, material de acondicionamiento primario y secundario, equipos y servicios técnicos. Estos flujos convergen en el fabricante del producto terminado, y el medicamento circula después a través de importadores, distribuidores y mayoristas hasta hospitales y farmacias.

Cada traspaso en esa cadena crea una posible discontinuidad de datos. El código de producto en el sistema de una empresa no es el mismo que en el de la siguiente. Los números de lote, los certificados, el estado de calidad y —sobre todo— las señales de demanda deben volver a introducirse, reinterpretarse o inferirse en cada paso.

La investigación sobre cadenas de suministro ha dado nombre a una de sus consecuencias. En 1997, Lee, Padmanabhan y Whang ^[32] describieron el efecto látigo (bullwhip effect): cuando cada empresa solo ve los pedidos de su cliente inmediato, «la varianza de los pedidos puede ser mayor que la de las ventas, y la distorsión tiende a aumentar a medida que se avanza aguas arriba». Una de las cuatro causas que identificaron afecta directamente a los medicamentos: el juego del racionamiento. Cuando el suministro está racionado, los compradores inflan sus pedidos para asegurarse una parte mayor, de modo que, aguas arriba, un desabastecimiento parece más grave que la demanda real.

Por eso, automatizar pasos dentro de una sola empresa —un ERP aquí, un sistema de gestión de almacenes allí— no hace por sí mismo que una cadena de suministro sea inteligente. Hace cada nodo más eficiente, mientras que las brechas entre nodos persisten.

Este artículo es un mapa de esos nodos y brechas. Para cada etapa de la cadena plantea cinco preguntas: qué está ya automatizado, dónde pueden ayudar la optimización y la IA, quién sigue siendo responsable, qué marco regulatorio se aplica y qué grado de madurez tienen los datos. Los siguientes artículos de este programa profundizan en cada etapa.

Para que el mapa sea concreto, seguimos un ejemplo conductor: el desabastecimiento de un medicamento genérico de uso extendido. El ejemplo es ilustrativo y no se refiere a un producto concreto, pero cada uno de sus pasos se apoya en las normas y la evidencia citadas.

Alcance. El mapa abarca la cadena de suministro farmacéutica desde las decisiones de cartera hasta la poscomercialización. No abarca el descubrimiento de nuevas moléculas, la investigación preclínica ni el desarrollo clínico: la cadena de innovación, regida por otras prácticas (GLP, GCP) y otros responsables de decisión. Toca esa cadena en dos puntos —el suministro de medicamentos en investigación para ensayos clínicos y la transferencia de tecnología a la fabricación comercial—, que los artículos posteriores del programa tratan de forma específica.

El argumento central es sencillo: la automatización mejora la ejecución dentro de cada nodo; el valor de extremo a extremo solo surge cuando la identidad, el intercambio de datos, la planificación y la gobernanza conectan también esos nodos.

2. Automatización, optimización e IA son herramientas distintas

Gran parte de lo que se escribe sobre «IA en el sector farmacéutico» etiqueta cualquier sistema digital como IA. Eso impide razonar sobre el riesgo, porque las tres familias de herramientas se comportan de manera diferente.

La automatización basada en reglas ejecuta una lógica predefinida. Los sistemas ERP, MES, LIMS y de gestión de almacenes, los motores de flujo de trabajo, la automatización robótica de procesos (RPA), las integraciones EDI y API, los códigos de barras y el RFID, los sensores IoT, la robótica, el almacenamiento automatizado, la serialización y las alertas basadas en reglas hacen lo que están configurados para hacer. Su comportamiento está determinado por reglas explícitas, la configuración, el estado del sistema y los datos de entrada, no por patrones aprendidos a partir de datos de entrenamiento. Sus riesgos son los errores de configuración y las lagunas en las reglas.

La analítica, la planificación y la optimización apoyan las decisiones sin inferencia aprendida. Los métodos de planificación, como la planificación de necesidades de materiales (MRP) y el cálculo del stock de seguridad, aplican una lógica y unos parámetros definidos; los métodos de optimización —programación de la producción, optimización de rutas y de asignaciones— buscan la mejor opción viable respecto a un objetivo y unas restricciones establecidas; la analítica resume datos observados. Son explicables, pero solo son tan buenos como sus restricciones y sus datos de entrada.

Los modelos de IA aprenden patrones a partir de datos y los generalizan a nuevas entradas. Sus predicciones o clasificaciones conllevan incertidumbre del modelo aun cuando el propio software se ejecute de forma determinista. Resulta útil distinguir tres patrones operativos de IA, porque fallan de manera diferente:

Para describir hasta qué punto está automatizado un proceso, este programa utiliza dos escalas separadas.

Para la automatización: Level 1 — Manual (el sistema registra y hace cumplir las reglas; una persona decide y actúa); Level 2 — Sugerido (el sistema propone; una persona confirma); Level 3 — Automático con revisión (el sistema actúa dentro de reglas definidas; las personas autorizadas pueden revisar e intervenir); Level 4 — Totalmente automático (se elimina la confirmación humana rutinaria).

Para la IA: AI-0 (sin IA); AI-1 — Asistir (recuperar, extraer, clasificar, resumir, resaltar); AI-2 — Recomendar (prever, priorizar o recomendar; una persona decide); AI-3 — Ejecutar con control humano (la IA inicia acciones acotadas y reversibles bajo supervisión o aprobación); AI-4 — Autónomo (la IA planifica y ejecuta por sí sola).

Un nivel más alto no es automáticamente mejor. Para decisiones críticas desde el punto de vista de las NCF (GMP), como la liberación de lotes y las conclusiones de QC, el nivel adecuado hoy es el Level 1: el sistema hace cumplir las reglas y registra la evidencia, y una persona autorizada decide.

3. El mapa

La tabla resume la cadena. Cada etapa se analiza en la sección 4.

Figura 2. El mapa de extremo a extremo: siete etapas, cinco preguntas.

*La madurez de los datos es una valoración cualitativa nuestra, basada en tres preguntas: ¿están los datos estructurados?, ¿utilizan identificadores compartidos? y ¿se intercambian electrónicamente entre empresas?

Destacan dos patrones. En primer lugar, los datos más maduros se encuentran donde la regulación impuso identificadores compartidos: la serialización en la distribución. En segundo lugar, las decisiones que conllevan responsabilidad no se desplazan hacia la derecha de la tabla a medida que mejora la tecnología: en todas las etapas sigue decidiendo una persona o función designada.

4. Las etapas

Etapa 0 — Cartera, desarrollo de productos, registro y transferencia de tecnología

Antes de que una cadena de suministro funcione, tres decisiones le dan forma: qué productos fabricar o importar, cómo se formulan y qué dice el expediente de registro.

El expediente importa para la cadena de suministro más de lo que suele reconocerse. Establece los materiales autorizados y el origen del principio activo. En la UE, la calidad del principio activo puede documentarse de tres maneras: mediante un certificado de idoneidad (CEP) expedido por la EDQM ^[11], que certifica que la monografía correspondiente de la Farmacopea Europea controla adecuadamente la sustancia y sustituye la parte principal de la sección del expediente relativa al principio activo; mediante un archivo maestro de sustancia activa (ASMF) ^[10], cuya parte restringida protege el know-how del fabricante mientras el solicitante asume la responsabilidad del producto, y al que se hace referencia mediante una carta de acceso; o bien con información completa en el propio expediente. En Estados Unidos, un Drug Master File (DMF) ^[16] es una presentación confidencial que no es obligatoria, que no se aprueba ni se rechaza y que solo se evalúa junto con las solicitudes que hacen referencia a ella.

Estos mecanismos no son equivalentes, pero la consecuencia es similar: cambiar posteriormente el origen del principio activo es un hecho regulatorio. En la UE constituye una modificación (variación), conforme al Regulation (EC) No 1234/2008, modificado por el Delegated Regulation (EU) 2024/1701, con nuevas directrices de clasificación aplicables desde el 15 de enero de 2026 ^[8][9]. Su categoría depende del cambio y de su documentación.

La automatización en esta etapa se centra en los documentos: seguimiento de expedientes y registros, alertas de fechas de validez, gestión documental de I+D, transferencia de datos maestros a fabricación y gestión de diseños gráficos y de etiquetado multilingüe, una fuente frecuente de fricción entre asuntos regulatorios y producción. La analítica sobre registros y licitaciones apoya las decisiones de cartera; la IA generativa puede ayudar a leer y comparar expedientes y etiquetas (AI-1/2). Las decisiones de cartera corresponden a la dirección, el contenido del expediente a asuntos regulatorios y QA, y la aprobación a la autoridad reguladora.

Los datos de registro pueden estructurarse a gran escala. En el conjunto de datos de PharmaCountry (instantánea de producción, 22 de septiembre de 2026) ^[36], 131.361 de 262.897 fichas de productos activas —aproximadamente la mitad— incluyen datos sobre los mercados en los que están registradas, procedentes de cinco registros nacionales: Vietnam, la República de Corea, España, Francia y Japón. Esto muestra cómo pueden vincularse los datos de registro a los productos; no constituye una cobertura mundial.

A — Proveedores, aprovisionamiento y compras

El aprovisionamiento parte de una lista escasa. Cualificar a un nuevo proveedor lleva meses, y el riesgo de concentración suele ser más profundo de lo que parece: varios fabricantes de API pueden depender del mismo intermedio, algo que una visión limitada al primer nivel no puede mostrar.

La concentración es visible incluso a nivel de las fichas de la plataforma. En los datos de proveedores de PharmaCountry a 21 de septiembre de 2026, tres países —China, Vietnam y la República de Corea— representan el 25,8 % de las empresas, pero el 64,7 % de las fichas de productos, y Asia oriental representa el 55,4 % de las fichas (Informe n.º 01) ^[35]. Son datos de la plataforma, no un censo del sector, y las fichas de la plataforma no revelan las dependencias aguas arriba de segundo nivel.

La automatización abarca directorios estructurados y mercados digitales, solicitudes de oferta digitales, gestión de contratos y de acuerdos de calidad, planificación de auditorías y puntuación de proveedores basada en reglas. Algunas comprobaciones de cualificación pueden ser rutinarias porque los datos son públicos: la base de datos EudraGMDP de la UE ^[13] —pública desde 2011— contiene certificados GMP y GDP y declaraciones de incumplimiento de las GMP, y la base de datos de certificación de la EDQM ^[12] indica si un CEP está vigente, caducado, retirado o suspendido. La IA ayuda en la búsqueda semántica, la extracción de certificados de análisis y ofertas (AI-1), las alertas de riesgo de suministro (AI-2) y la resolución de entidades: reconocer que nombres escritos de forma distinta se refieren al mismo proveedor.

La aprobación sigue siendo humana. En un fabricante, la aprobación de proveedores se rige por el sistema de calidad farmacéutico, normalmente con supervisión de QA y sobre la base de evidencias de cualificación documentadas, que pueden incluir auditorías en función del riesgo del proveedor y del material; en un mayorista de la UE, la persona responsable de BPD (GDP) tiene a su cargo «la cualificación y aprobación de proveedores y clientes» ^[1]. Un algoritmo puede clasificar a los candidatos; no toma la decisión de aprobación de la que alguien responde.

El lado del proveedor: ser encontrado. El descubrimiento de proveedores es también un problema de distribución de la información. Un proveedor capacitado que no pueda ser identificado, buscado y comprendido de forma fiable en distintos mercados puede no entrar nunca en el conjunto inicial de candidatos de un comprador. La automatización hace que la información estructurada y multilingüe sobre proveedores y productos pueda encontrarse. La IA generativa puede redactarla y traducirla, con revisión humana antes de su publicación. Google no penaliza el contenido generado por IA como tal; sus políticas de spam se dirigen al «uso de herramientas de IA generativa u otras herramientas similares para generar muchas páginas sin aportar valor a los usuarios» ^[28]. Las normas sobre contenidos también varían según el tipo de producto, el público y la jurisdicción: la Directive 2001/83/EC de la UE ^[7] prohíbe la publicidad dirigida al público general de medicamentos sujetos a prescripción médica, pero los API, los excipientes, los equipos y los servicios por contrato no reciben el mismo tratamiento.

Recuadro de evidencia: una plataforma que desarrollamos y gestionamos (evidencia propia, no independiente). Una plataforma farmacéutica B2B multilingüe que desarrollamos y gestionamos sirve páginas renderizadas en el servidor en ocho idiomas, con etiquetas canonical y hreflang, un índice de sitemaps generado a partir de su base de datos, datos estructurados y páginas por país de fabricación generadas a partir de los datos de proveedores. Las traducciones se redactan con IA y se revisan antes de cargarse. La plataforma está en funcionamiento; aquí no afirmamos nada sobre tráfico ni posicionamiento.

B — Comercio internacional, importación/exportación y logística

El movimiento transfronterizo añade documentación, clasificación y riesgo térmico. Cada traspaso entre transportistas es otro traspaso de datos.

La automatización está madura en algunos ámbitos: EDI, declaraciones aduaneras electrónicas, seguimiento de lotes y de la serialización en tránsito y registro continuo de la temperatura con alarmas por umbral. La propia alarma se basa en reglas —una lectura fuera del intervalo validado activa una alerta de excursión—, no en IA. La optimización elige rutas y modos de transporte. El ML predictivo puede estimar el riesgo de una excursión, señalar comportamientos anómalos de los sensores o predecir retrasos en la llegada (AI-2). La IA generativa puede sugerir códigos HS o extraer atributos de producto (AI-1), pero la clasificación formal sigue siendo responsabilidad del importador o del agente de aduanas.

La decisión de calidad sigue en manos de personas. Las directrices de la UE sobre buenas prácticas de distribución (2013/C 343/01) prevén que exista «un procedimiento […] para investigar y gestionar las excursiones de temperatura» ^[1]; si la mercancía sigue siendo utilizable lo decide QA o la persona responsable de BPD (GDP), no el sensor. Las directrices de la OMS sobre buenas prácticas de almacenamiento y distribución (TRS 1025, Annex 7, 2020) ^[21] tratan igualmente el almacenamiento y la distribución como responsabilidades que abarcan a las distintas partes que manipulan productos médicos a lo largo de la cadena de suministro.

PharmaCountry no dispone hoy de datos de envíos; los flujos comerciales constituyen una capa de datos futura, y las señales comerciales inferidas tendrían que etiquetarse como inferencia.

C — Operaciones de planta: almacén, fabricación, QA/QC y validación

Dentro de una planta, los sistemas en papel a menudo funcionan. Lo que falla es el espacio entre los formularios: un aviso de entrega en un grupo de mensajería, una previsión en una hoja de cálculo, una hoja de confirmación que pasa de un departamento a otro.

La automatización de planta se entiende mejor a través de la jerarquía ISA-95 (IEC 62264) ^[30]: proceso físico (nivel 0), detección y manipulación (nivel 1), monitorización y control de supervisión, como SCADA (nivel 2), gestión de operaciones de fabricación —MES, registros electrónicos de lote, LIMS— (nivel 3) y planificación empresarial y logística, el ERP (nivel 4). La norma se ocupa principalmente de la interfaz entre los niveles 3 y 4, que es donde tropiezan muchos proyectos. ISA-88 abarca el control de lotes: recetas y jerarquía de equipos. La gestión de almacenes (cuarentena, estado de los lotes, «primero en caducar, primero en salir»), la tecnología analítica de procesos y la robótica completan el panorama. La automatización física suele ser más fácil de justificar cuando el volumen, la estabilidad de la gama de productos y la estandarización de los procesos la respaldan; no es la opción por defecto.

La optimización programa la producción. El ML predictivo detecta anomalías en los controles en proceso o en el rendimiento, apoya el mantenimiento predictivo y analiza tendencias de los resultados de QC (AI-2); la IA generativa puede ayudar a clasificar desviaciones (AI-1).

Las decisiones que conllevan responsabilidad no se desplazan: la certificación y liberación de lotes por la persona cualificada o autorizada (la «QP» en la UE; la denominación varía según la jurisdicción), las conclusiones de QC, las conclusiones y decisiones de disposición de las investigaciones de resultados fuera de especificaciones (OOS), y el cierre de desviaciones. Los marcos están bien establecidos: GAMP 5 ^[29] para la validación de sistemas informatizados, 21 CFR Part 11 ^[18] y EU GMP Annex 11 ^[3] para los registros y firmas electrónicos, y las guías de integridad de los datos de la FDA (2018) ^[19] y de PIC/S (PI 041-1) ^[20].

Recuadro de evidencia: una implantación de ERP en curso. En un fabricante farmacéutico vietnamita se está configurando un ERP de código abierto para que las mercancías se reciban en cuarentena y cada entrega se divida en un sublote por contenedor, que lleva el número de lote del proveedor: trazabilidad a nivel de contenedor (desarrollado y probado con datos de prueba). El flujo de trabajo del registro electrónico de lote exige tres aprobaciones basadas en funciones —producción, QA y el responsable de gestión de la calidad— antes de completarse. El registro en papel de partida contenía varios campos de firma de calidad; el flujo de trabajo digital hace obligatorias las aprobaciones correspondientes basadas en funciones antes de completarse. Estas aprobaciones son controles del flujo de trabajo y todavía no firmas electrónicas que cumplan las expectativas de Part 11 o Annex 11. Las conclusiones de QC y la liberación de lotes permanecen en el Level 1. Estado: desarrollado, no validado, no en funcionamiento. La serie Implementación documenta el proyecto.

D — Distribución y venta mayorista

La distribución suele ser el punto en el que los desabastecimientos se hacen visibles como un problema de asignación y disponibilidad.

La automatización incluye la reposición automática, el «primero en caducar, primero en salir», la verificación de códigos en la recepción y la expedición, y la trazabilidad de las retiradas. En los principales mercados regulados, los requisitos de serialización y trazabilidad electrónica han creado algunas de las estructuras de datos compartidos más sólidas de la cadena de suministro aguas abajo. La Directiva de la UE sobre medicamentos falsificados (Directive 2011/62/EU) y el Delegated Regulation (EU) 2016/161 ^[6] —aplicables desde el 9 de febrero de 2019— exigen un identificador único y un dispositivo contra las manipulaciones en la mayoría de los medicamentos sujetos a prescripción, verificados a través de un sistema de repositorios. En Estados Unidos, la Drug Supply Chain Security Act (DSCSA) exige una trazabilidad electrónica, segura e interoperable a nivel de envase; tras un periodo de estabilización, las exenciones temporales para los fabricantes y reenvasadores elegibles, los distribuidores mayoristas y los dispensadores con 26 o más empleados de farmacia a tiempo completo expiraron de forma escalonada durante 2025; en agosto de 2026, la FDA concedió una exención separada para los pequeños dispensadores que cumplan los requisitos, hasta el 27 de noviembre de 2027 ^[17].

La optimización asigna las existencias escasas y planifica la reposición; el ML predictivo prevé la demanda y los desabastecimientos (AI-2).

La responsabilidad está repartida y varía según la jurisdicción. La política de asignación en caso de desabastecimiento la fija una gobernanza comercial, clínica y regulatoria autorizada. Las decisiones sobre retiradas y su ejecución siguen las funciones asignadas al titular de la autorización de comercialización (TAC), al fabricante, al distribuidor y a la autoridad competente. En la UE, por ejemplo, el Chapter 8 de las GMP ^[2] aplica la gestión de riesgos para la calidad a la decisión de retirada y exige consultar a las autoridades competentes sobre su alcance, mientras que la persona responsable del mayorista se encarga de «coordin[ar] y realiz[ar] con prontitud cualquier operación de retirada» ^[1].

E — Hospitales, farmacias y venta minorista

En el punto de atención, los problemas son las roturas de stock, las existencias caducadas y la búsqueda de alternativas durante un desabastecimiento. En algunos mercados, la contratación del sector público es un canal de compra importante; Vietnam es un ejemplo.

La automatización incluye la reposición automática de pedidos, la gestión de caducidades, los armarios y almacenes de dispensación automatizados, la verificación de códigos en la dispensación y la licitación electrónica. La evidencia sobre la automatización de la dispensación es positiva, pero con matices. Una revisión sistemática de 48 publicaciones (Batson et al., European Journal of Hospital Pharmacy, 2020) ^[33] halló reducciones de los errores de medicación, del tiempo de administración y de los costes, pero también constató diseños de estudio heterogéneos, beneficios que dependen de una implantación óptima y la necesidad de estudios con potencia estadística suficiente antes de extraer conclusiones firmes sobre el retorno de la inversión.

La contratación pública también se está digitalizando. En Vietnam, la Ley de Contratación (No. 22/2023/QH15, en vigor desde el 1 de enero de 2024) ^[26] establece que la contratación se realiza en el Sistema de la Red Nacional de Contratación, y la adquisición de medicamentos en los centros sanitarios públicos se rige ahora por la Circular 40/2025/TT-BYT, que sustituyó íntegramente a la Circular 07/2024/TT-BYT ^[27].

La IA puede prever la demanda en el punto de atención, analizar documentos de licitación e identificar productos candidatos que comparten atributos de suministro definidos: mercado autorizado, forma farmacéutica, dosis, tamaño de envase y proveedor disponible (AI-2).

Aquí el límite es estricto. Un sistema de suministro puede mostrar lo que está disponible; la sustitución terapéutica para un paciente es una decisión clínica y farmacéutica.

F — Inteligencia de mercado y poscomercialización

Una vez que un producto está en el mercado, importan tres flujos: las señales del mercado, las notificaciones de reacciones adversas y las retiradas.

La automatización gestiona la recepción electrónica de reclamaciones y de notificaciones de reacciones adversas, la trazabilidad de los lotes afectados a través de los registros de distribución y, cada vez más, las notificaciones estructuradas de desabastecimiento. En la UE, la Plataforma Europea de Seguimiento de Desabastecimientos (ESMP) ^[14] —basada en el Regulation (EU) 2022/123 y plenamente operativa desde el 29 de enero de 2025— recibe notificaciones rutinarias de desabastecimiento de los titulares de la autorización de comercialización de medicamentos autorizados por el procedimiento centralizado, con una notificación más amplia en situaciones de crisis. La IA puede apoyar el triaje y la derivación de casos, así como la detección de señales (AI-1/2); las señales de demanda derivadas de datos de mercado deben etiquetarse como inferencia.

La evaluación de farmacovigilancia y las decisiones de retirada siguen siendo humanas y ligadas a funciones concretas. Las buenas prácticas de farmacovigilancia (GVP) de la EMA ^[15] establecen el marco: el Module VI para la recogida y notificación de sospechas de reacciones adversas y el Module IX para la gestión de señales.

5. Identidad, interoperabilidad y visibilidad

Si una sección de este mapa merece la máxima atención, es esta. Todos los casos de uso de IA anteriores dan por supuesto algo que a menudo falta: que dos sistemas coincidan en de qué están hablando.

El orden importa. La identidad va primero: dos partes deben coincidir en a qué proveedor, producto o lote se refiere un registro. La interoperabilidad va en segundo lugar: deben poder intercambiar esos datos. La visibilidad va en tercer lugar: solo entonces puede alguien ver la cadena de extremo a extremo. La planificación, la optimización y la IA se sitúan por encima.

La identidad está parcialmente resuelta allí donde la regulación la impuso. El identificador único de la UE contiene un código de producto, un número de serie, un número de lote y una fecha de caducidad ^[6]; en la práctica, suele codificarse un GTIN de GS1 en un GS1 DataMatrix con esos mismos elementos ^[31]. Los proveedores y los centros son más difíciles. En los propios datos de PharmaCountry (producción, 22 de septiembre de 2026) ^[36], un centro de fabricación aparece como cuatro registros de empresa con cuatro grafías del mismo nombre de fábrica —la misma dirección escrita de cuatro maneras y el mismo sitio web—, todos creados el mismo día mediante una única importación desde una base de datos nacional de registro. A la inversa, el nombre de un proveedor de excipientes aparece en cuatro países, posiblemente porque se trata realmente de centros distintos. Un nombre idéntico no es prueba de un duplicado. Una normalización sencilla de nombres puede señalar grupos candidatos a duplicados, pero la similitud de cadenas por sí sola no puede determinar si dos registros representan la misma entidad jurídica o el mismo centro. La resolución de entidades necesita reglas, evidencias y un revisor.

La interoperabilidad significa EDI y API entre empresas y, dentro de una planta, una frontera ISA-95 limpia entre los sistemas de operaciones y los sistemas empresariales.

La visibilidad y la planificación convierten los datos intercambiados en decisiones: previsión de la demanda, planificación de ventas y operaciones (S&OP, el equilibrio periódico entre demanda y oferta), planificación de necesidades de materiales, stock de seguridad y torres de control, que solo son útiles cuando añaden a la visibilidad la detección de excepciones y la coordinación, no simples cuadros de mando. La planificación falla donde fallan los datos; es de nuevo el efecto látigo. La visibilidad del segundo nivel suele ser limitada y no está representada en los datos actuales de fichas de PharmaCountry.

La conclusión práctica: unos identificadores deficientes y una mala calidad de los datos pueden hacer que la IA reproduzca o amplifique errores existentes. El trabajo sobre la identidad es menos visible que un piloto de IA, pero a menudo es la inversión más fundamental.

6. Gobernanza a lo largo de la cadena

La gobernanza no es un único marco, sino varios, aplicados etapa por etapa.

• Fabricación (NCF/GMP): validación de sistemas informatizados (GAMP 5) ^[29], registros y firmas electrónicos (21 CFR Part 11, EU GMP Annex 11) ^[18][3] e integridad de los datos (ALCOA+; FDA 2018; PIC/S PI 041-1) ^[19][20].
• Distribución (BPD/GDP): las directrices GDP de la UE ^[1] definen la persona responsable, la cualificación de proveedores y clientes, las retiradas y las excursiones de temperatura.
• Farmacovigilancia (GVP): EMA GVP Modules VI y IX ^[15].
• Afirmaciones sobre productos y promoción: las normas varían según el tipo de producto, el público y la jurisdicción; en la UE, la Directive 2001/83/EC regula la publicidad de los medicamentos ^[7].

La IA en las GMP todavía se está definiendo. En julio de 2025, la Comisión Europea y el grupo de trabajo de inspectores de la EMA/PIC/S publicaron un borrador de Annex 22 sobre inteligencia artificial ^[4], junto con borradores revisados del Annex 11 y del Chapter 4. El borrador se aplica a los modelos de IA/ML en aplicaciones GMP críticas —las que tienen un impacto directo en la seguridad del paciente, la calidad del producto o la integridad de los datos— y abarca únicamente modelos estáticos con resultados deterministas. Establecía que los modelos dinámicos, los modelos con resultados probabilísticos y la IA generativa y los grandes modelos de lenguaje «no deben utilizarse en aplicaciones GMP críticas», y que en los usos no críticos las personas cualificadas siguen siendo responsables de los resultados. Esa postura está ahora en debate: en junio-julio de 2026, la EMA celebró un taller con múltiples partes interesadas sobre un enfoque basado en el riesgo para la IA generativa en la fabricación ^[5]. A septiembre de 2026, el Annex 22 sigue siendo un borrador. El vínculo con la sección 2 es directo: el borrador regula según el tipo de IA, no según la etiqueta «IA».

Seguridad, privacidad y gobernanza de modelos. La automatización conectada amplía la superficie de ataque. La IA añade cuestiones de procedencia de los datos, control de modelos y versiones, acceso a información confidencial de proveedores, de GMP y de pacientes, dependencia de proveedores externos de modelos, gestión de cambios, seguimiento de la deriva y auditabilidad. En la UE, la Directiva NIS2 (EU) 2022/2555 ^[22] extiende las obligaciones de ciberseguridad al sector sanitario, incluida la fabricación de productos farmacéuticos y la I+D de medicamentos, para las entidades medianas y grandes, según su transposición nacional. Con arreglo al RGPD (GDPR) ^[23], los datos relativos a la salud constituyen una categoría especial cuyo tratamiento está prohibido salvo que se aplique una excepción específica, lo que es relevante para los datos de farmacovigilancia y hospitalarios.

El principio que lo atraviesa todo: controles proporcionales al riesgo, y la IA nunca es un motivo para eliminar la responsabilidad humana.

7. Madurez de la evidencia

¿Qué parte de todo esto está demostrada? La clasificación siguiente es una valoración editorial de PharmaCountry, no una revisión sistemática: la columna «Consolidado» se apoya en las fuentes citadas, mientras que la columna «Emergente» enumera áreas de desarrollo activo, no afirmaciones calificadas según la evidencia.

El ejemplo de IA de la primera columna merece una salvedad. Zhu, Ninh, Zhao y Liu (Production and Operations Management, 2021) ^[34] probaron la previsión mediante aprendizaje automático en dos grandes conjuntos de datos de importantes fabricantes farmacéuticos y hallaron un rendimiento superior, así como evidencia empírica del valor de la información sobre inventarios aguas abajo. Es un único estudio sobre datos específicos. Su lección es la tesis de este artículo: la mejora procedía de los datos compartidos más allá de los límites de la empresa, no solo del algoritmo.

Respecto a la columna de la derecha, la afirmación precisa no es que estos usos sean imposibles, sino que no hay evidencia suficiente —y existe una barrera considerable de responsabilidad y validación— para tratarlos como patrones operativos maduros.

8. El programa por delante

Este artículo es el mapa. El programa profundizará etapa por etapa: Aprovisionamiento y compras inteligentes (el siguiente), inteligencia comercial y logística, fabricación inteligente, calidad y cumplimiento digitales, distribución y venta mayorista, y farmacia y venta minorista; además de una serie Implementación que documenta un proyecto real de ERP con sus limitaciones explicitadas, Ser encontrado, sobre el descubrimiento digital y la presencia multilingüe en el aprovisionamiento farmacéutico, y, más adelante, la cadena de suministro de los ensayos clínicos. Los datos en los que se basa el análisis del aprovisionamiento parten del Informe n.º 01: Panorama mundial de proveedores farmacéuticos 2026.

Acerca de este artículo

Este es un mapa analítico. Su evidencia comprende datos de la plataforma PharmaCountry (con indicación de las fechas de las instantáneas y de sus limitaciones; los datos de la plataforma no constituyen un censo del sector), dos implantaciones anonimizadas —un proyecto de ERP que no está en funcionamiento ni validado, utilizado solo para las operaciones de planta, y una plataforma que gestionamos, utilizada solo para el descubrimiento de proveedores—, textos regulatorios primarios, normas técnicas e investigación revisada por pares. El ejemplo del desabastecimiento es ilustrativo. Las clasificaciones de madurez de los datos y de madurez de la evidencia son valoraciones nuestras. Las referencias regulatorias se verificaron el 22 de septiembre de 2026; la normativa cambia, y los textos en borrador se identifican como tales.

Siga la serie: suscríbase al boletín de PharmaCountry (formulario al pie de esta página) para recibir cada nuevo análisis, o explore proveedores farmacéuticos por país y categoría.

Referencias

Los números entre corchetes en el texto remiten a esta lista. Los títulos de los documentos se indican en su idioma original; las citas del texto son traducciones de PharmaCountry del texto original.

Normativa y guías oficiales

[1] European Commission. Guidelines of 5 November 2013 on Good Distribution Practice of medicinal products for human use (2013/C 343/01). https://health.ec.europa.eu/document/download/9f28179a-a6f8-418a-a5fc-ecfbb3ae3ba8_en
[2] European Commission. EudraLex Vol. 4, EU GMP Chapter 8 — Complaints, Quality Defects and Product Recalls (effective 1 March 2015). https://health.ec.europa.eu/system/files/2016-11/2014-08_gmp_chap8_0.pdf
[3] European Commission. EudraLex Vol. 4 — EU GMP guidelines, incl. Annex 11 (Computerised Systems). https://health.ec.europa.eu/medicinal-products/eudralex/eudralex-volume-4_en
[4] European Commission. Draft Annex 22: Artificial Intelligence (consultation 7 July – 7 October 2025). https://health.ec.europa.eu/document/download/5f38a92d-bb8e-4264-8898-ea076e926db6_en?filename=mp_vol4_chap4_annex22_consultation_guideline_en.pdf
[5] EMA. GMP multistakeholder workshop on expert contributions to AI guidance development (Annex 22), 30 June – 1 July 2026. https://www.ema.europa.eu/en/events/good-manufacturing-practice-multistakeholder-workshop-expert-contributions-artificial-intelligence-guidance-development-annex-22
[6] European Commission. Falsified medicines — Directive 2011/62/EU and Delegated Regulation (EU) 2016/161. https://health.ec.europa.eu/medicinal-products/falsified-medicines_en
[7] Directive 2001/83/EC on the Community code relating to medicinal products for human use, Title VIII (Advertising). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32001L0083
[8] Commission Delegated Regulation (EU) 2024/1701 amending Regulation (EC) No 1234/2008 (variations). https://eur-lex.europa.eu/eli/reg_del/2024/1701/oj/eng
[9] EMA. Guidance on the application of the revised variations framework. https://www.ema.europa.eu/en/guidance-application-revised-variations-framework
[10] EMA. Active substance master file procedure — scientific guideline. https://www.ema.europa.eu/en/active-substance-master-file-procedure-scientific-guideline
[11] EDQM. Certification of Suitability (CEP). https://www.edqm.eu/en/certification
[12] EDQM. How do I know if I have the latest valid version of a CEP? https://faq.edqm.eu/pages/viewpage.action?pageId=1377010
[13] EMA. EudraGMDP database. https://www.ema.europa.eu/en/human-regulatory-overview/research-development/compliance-research-development/good-manufacturing-practice/eudragmdp-database
[14] EMA. European Shortages Monitoring Platform (ESMP). https://www.ema.europa.eu/en/human-regulatory-overview/post-authorisation/medicine-shortages-availability-issues/european-shortages-monitoring-platform-esmp
[15] EMA. Good pharmacovigilance practices (GVP). https://www.ema.europa.eu/en/human-regulatory-overview/post-authorisation/pharmacovigilance-post-authorisation/good-pharmacovigilance-practices-gvp
[16] US FDA. Drug Master Files (DMFs). https://www.fda.gov/drugs/forms-submission-requirements/drug-master-files-dmfs
[17] US FDA. DSCSA exemptions (October 2024); small-dispenser exemption (August 2026); Exemptions under the DSCSA. https://www.fda.gov/media/182584/download · https://www.fda.gov/media/194424/download · https://www.fda.gov/drugs/drug-supply-chain-security-act-dscsa/exemptions-under-drug-supply-chain-security-act
[18] US eCFR. 21 CFR Part 11 — Electronic Records; Electronic Signatures. https://www.ecfr.gov/current/title-21/chapter-I/subchapter-A/part-11
[19] US FDA. Data Integrity and Compliance With Drug CGMP: Questions and Answers (December 2018). https://www.fda.gov/regulatory-information/search-fda-guidance-documents/data-integrity-and-compliance-drug-cgmp-questions-and-answers-guidance-industry
[20] PIC/S. PI 041-1, Good Practices for Data Management and Integrity in Regulated GMP/GDP Environments (2021). https://picscheme.org/docview/4234
[21] WHO. TRS 1025, Annex 7: Good storage and distribution practices for medical products (2020). https://www.who.int/publications/m/item/trs-1025-annex-7
[22] Directive (EU) 2022/2555 (NIS2 Directive), Articles 2–3 and Annex I (health sector). https://eur-lex.europa.eu/eli/dir/2022/2555/oj
[23] Regulation (EU) 2016/679 (General Data Protection Regulation), Article 9 — Processing of special categories of personal data. https://eur-lex.europa.eu/eli/reg/2016/679/oj
[24] Viet Nam. Pharmacy Law No. 105/2016/QH13, Article 60 (import of medicines without a marketing authorisation). https://vanban.chinhphu.vn/?pageid=27160&docid=184569
[25] Viet Nam. Law No. 44/2024/QH15 amending the Pharmacy Law (in force 1 July 2025), Official Gazette text. https://congbaocdn.chinhphu.vn/CongBaoCP/VanBan/2024/11/43548/53667-1-20241519-152044-2024-qh15.pdf
[26] Viet Nam. Law on Procurement No. 22/2023/QH15. https://vanban.chinhphu.vn/?pageid=27160&docid=208419
[27] Viet Nam Government portal. New points in Circular 40/2025/TT-BYT on medicine procurement at public health facilities. https://xaydungchinhsach.chinhphu.vn/nhung-diem-moi-trong-thong-tu-40-2025-tt-byt-ve-dau-thau-thuoc-119251105153744446.htm
[28] Google Search Central. Spam policies for Google web search. https://developers.google.com/search/docs/essentials/spam-policies

Normas técnicas

[29] ISPE. GAMP 5: A Risk-Based Approach to Compliant GxP Computerized Systems, Second Edition (2022). https://ispe.org/publications/guidance-documents/gamp-5-guide-2nd-edition
[30] ISA. ISA-95 / IEC 62264, Enterprise-Control System Integration. https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard
[31] GS1. Discussion paper on medicines identification requirements on primary level packaging using GS1 standards (2019). https://www.gs1.org/docs/healthcare/position-papers/Discussion-paper-on-medicines-identification-requirements-on-primary-level-packaging-using-GS1-standards-final.pdf

Investigación

[32] Lee, H.L., Padmanabhan, V., Whang, S. (1997). Information Distortion in a Supply Chain: The Bullwhip Effect. Management Science, 43(4), 546–558. https://doi.org/10.1287/mnsc.43.4.546
[33] Batson, S., Herranz, A., Rohrbach, N., Canobbio, M., Mitchell, S., Bonnabry, P. (2020). Automation of in-hospital pharmacy dispensing: a systematic review. European Journal of Hospital Pharmacy, 28(2). https://doi.org/10.1136/ejhpharm-2019-002081
[34] Zhu, X., Ninh, A., Zhao, H., Liu, Z. (2021). Demand Forecasting with Supply-Chain Information and Machine Learning: Evidence in the Pharmaceutical Industry. Production and Operations Management. https://doi.org/10.1111/poms.13426

Datos de PharmaCountry

[35] PharmaCountry. Report #01 — Global Pharmaceutical Supplier Landscape 2026 (snapshot 21 September 2026). https://pharmacountry.com/insights/reports/global-pharmaceutical-supplier-landscape-2026
[36] PharmaCountry production database, read-only queries, 22 September 2026: registered-market coverage of product listings; duplicate-record example (four records of one site, matched on address and website). Methodology and queries on file.