Asistentes sanitarios de IA: la nueva puerta de entrada a la asistencia sanitaria

Un paciente se despierta con un dolor de espalda recurrente y le pregunta a un asistente de AI qué debe hacer. La aplicación revisa su historial, detecta una receta anterior y sugiere cambiar a otro antiinflamatorio. Tu molécula no aparece mencionada. Para cuando el paciente acuda al médico esa misma tarde para que le recete algo, el panorama ya está claro.

La adopción de asistentes GenAI ya está aquí, a ambos lados de la consulta. 200 millones de los más de 800 millones de usuarios de ChatGPT envían consultas relacionadas con la salud cada semana. Los médicos no son diferentes: 76% utilizan la IA en la toma de decisiones clínicas, más de 60% comprueban las interacciones entre medicamentos a través de ella. Open Evidence, una IA clínica creada para médicos, suma 65.000 nuevos usuarios cada mes.

Además, la oferta de asistentes GenAI se amplía a un ritmo muy rápido. En sólo un trimestre, cuatro de las mayores empresas tecnológicas lanzaron sus propios asistentes sanitarios con IA: ChatGPT health para OpenAI, MedgeMMA 1.5 y MedASR para Google, Health AI de Amazon One Medical, y otros.

Para la industria farmacéutica, dado que se prevé que la búsqueda mediante IA supere a la búsqueda tradicional en 2028, se trata de una plataforma candente en tres frentes:

  • Primero, invisibilidad de marca: cada medicamento tiene dos nombres, una marca y un nombre científico (la DCI). Cuando el contenido de una marca no está bien indexado en las fuentes de las que se nutren los modelos de IA, la respuesta se inclina por defecto por la DCI. Pregunte a la mayoría de las IA sobre el alivio de la alergia y es más probable que obtenga “cetirizina 10 mg” que un nombre de marca, con lo que podría obviar años de inversión publicitaria en una sola respuesta.
  • Segundo, pérdida de control narrativoEstos modelos no se limitan a las pruebas clínicas aprobadas. Tiran de Reddit, foros de pacientes, entradas de blog, y lo sintetizan todo en una única respuesta que suena autorizada. Dado que las exenciones de responsabilidad médica en los resultados de la IA se han reducido de 26,3% a menos de 1% entre 2022 y 2025, un usuario que publique “este medicamento me aclaró la piel en dos semanas” se convierte, tras la agregación, en algo que la IA presenta como una evidencia casi médica.
  • Tercero, visibilidad fuera de etiqueta: los medicamentos están aprobados para usos, enfermedades, poblaciones y líneas de tratamiento específicos. Cualquier otra cosa es “fuera de etiqueta”, y los modelos de IA no hacen esa distinción. ¿Un fármaco contra el cáncer aprobado para segunda línea pero estudiado para primera? Una IA puede recomendarlo para primera línea.

Juntos, la pérdida de control narrativo y la visibilidad fuera de etiqueta plantean una cuestión reglamentaria que las farmacéuticas no pueden ignorar. La FDA y la EMA ya exigen a los fabricantes que supervisen la información adversa sobre medicamentos en todos sus canales digitales, una obligación que se ha ampliado progresivamente a los medios sociales. Ningún regulador ha dictaminado aún que las salidas de la IA constituyan un canal supervisado. Pero la extensión lógica es difícil de descartar.

GEO y RAG: dónde se decide realmente la visibilidad de la IA de su producto

En la búsqueda tradicional, se compite por una posición en una página de diez resultados. Eso era el SEO. Hoy en día, dos nuevos campos de batalla lo están sustituyendo, a marchas forzadas, y funcionan de forma diferente.

El primero es GEO (Optimización Generativa de Motores). Así es como aparecen los LLM generalistas (ChatGPT, Gemini, Perplexity) y los nuevos asistentes sanitarios. Estos sistemas tiran de la web abierta y sintetizan el contenido en una única respuesta. No compiten por una clasificación. Usted compite por ser una de las dos o tres fuentes que cita el modelo. Lo que importa: contenidos indexados en la web y legibles por máquinas, como páginas de educación del paciente, preguntas y respuestas, resúmenes en lenguaje sencillo, resúmenes estructurados con un emparejamiento coherente DCI-marca.

El segundo es RAG (Recuperación-Generación Aumentada). Así es como aparece en herramientas clínicas especializadas como Open Evidence o ClinicalKey AI, utilizadas por los médicos en el punto de atención. Estos sistemas no buscan en la web. Tiran directamente de bases médicas curadas data como PubMed, Cochrane, guías clínicas. Lo que importa aquí: la calidad de la publicación, la metadata completa de PubMed, los resúmenes estructurados.

Dos preguntas que nos hacen a menudo: ¿sabe la IA si un médico es influyente? ¿Y puede saber si un estudio es bueno? Respuesta corta a ambas: más o menos, pero no como lo haría un humano.
La IA no busca las credenciales de un médico ni lee la metodología de un estudio. Toma atajos. Si el nombre de un médico aparece con frecuencia en la literatura médica publicada, la IA lo citará más, no porque haya comprobado quién es, sino porque sigue viendo su nombre. Lo mismo ocurre con los estudios: La IA no evalúa el tamaño de la muestra ni el rigor estadístico. Se fija en la frecuencia con la que se hace referencia al estudio en otros lugares, lo conocida que es la revista y lo fácil que es extraer el contenido. Un ensayo innovador enterrado en una revista menos conocida con un metadata incompleto puede que nunca salga a la luz, mientras que un estudio más pequeño en una revista de primera línea con un resumen bien estructurado se cita en todas partes. Para la industria farmacéutica, esto significa que la visibilidad de la IA depende tanto de dónde se publique y quién firme el artículo como de la calidad de la propia ciencia.

Qué cambia para los pacientes, los médicos de cabecera y los especialistas

El paciente ha pasado de hacer clic en enlaces clasificados a actuar en función de una única respuesta sintetizada por la IA. En Francia, 60% de los que recibieron una recomendación sanitaria de la IA actuaron en consecuencia, 17% sin acudir al médico. Hoy en día, los pacientes ya llegan a las consultas preinformados, tras haber consultado a los médicos generalistas. Para los productos de venta libre (OTC), el riesgo comercial es inmediato y directo: si no se cita su marca, no existe en el punto de decisión de compra. Para los productos de prescripción, el riesgo es estructural: La IA está remodelando las expectativas de los pacientes antes de la consulta.

El médico generalista (GP) se enfrenta a los pacientes con expectativas formadas por la IA y un papel cada vez menor en la atención rutinaria. El precedente de Utah aceleró aún más el cambio estructural al convertirse en el primer estado de EE.UU. en autorizar las renovaciones de recetas impulsadas por la IA para 190 medicamentos para enfermedades crónicas a $4 por renovación. Dado que las renovaciones de recetas representan aproximadamente 80% de toda la actividad de medicación y que las recetas rutinarias se están automatizando, el médico de cabecera se convierte en un gestor de excepciones y se contrae el punto de contacto más establecido de la industria farmacéutica.

El especialista confía cada vez más en las herramientas de IA clínica como filtro de primera línea antes de prescribir. Lo que sale a la luz determina lo que se tiene en cuenta. Lo que no sale a la superficie no existe. Esto hace que la indexación de publicaciones, como la metadata completa de PubMed, los resúmenes estructurados y la ubicación en revistas de primer nivel, sean la palanca de visibilidad más importante en la que se toman las decisiones clínicas.

Qué hacer

Diagnostique ahora. El punto de partida es comprender cuál es su situación actual.

La consulta a ChatGPT, Perplexity, Gemini, Open Evidence y, a medida que sean accesibles, a los asistentes sanitarios, con las diez preguntas más frecuentes que hacen sus pacientes y médicos revela la brecha más rápidamente que cualquier auditoría interna. Por ejemplo, “¿cuál es el mejor tratamiento para la diabetes de tipo 2 con una HbA1c superior a 8?”: ¿La respuesta menciona su marca o sólo la DCI? ¿Cita su ensayo pivotal o el de un competidor? ¿Indica la dosis correcta? Un producto bien citado en el ChatGPT genérico puede estar totalmente ausente de las recomendaciones personalizadas de un asistente sanitario si el data clínico estructurado está incompleto. El análisis de carencias resultante es su mapa de exposición.
Plataformas como Profound o Evertune pueden ayudar a sistematizar el seguimiento en todas las plataformas. Este tipo de auditoría de referencia produce señales procesables a un coste cercano a cero.

Actúe sobre su corpus existente en un plazo de 6 meses. En la mayoría de los casos, la cuestión no es la falta de contenido, sino un problema de formato. Reformatear los activos existentes puede mejorar los índices de citación de AI hasta en un 40%.

Dicho esto, no todo debe optimizarse: el etiquetado aprobado y los ensayos publicados son generalmente seguros para reformatear, mientras que la investigación fuera de etiqueta puede conllevar un riesgo de cumplimiento si se hace más visible sin guardarraíles. Tiene sentido que Asuntos Médicos y Reglamentación delimiten esa frontera desde el principio.

A partir de ahí, los activos de gran valor pueden reestructurarse en formatos de preguntas y respuestas que reflejen la forma en que los pacientes y los asistentes sanitarios procesan la información. Por ejemplo, convertir un estudio clínico de 30 páginas en una página estructurada que responda a “¿qué eficacia tiene la atorvastatina para el colesterol alto?”.”

Merece la pena comprobar si el metadata de PubMed está completo. La metadata incompleta sigue siendo la razón más común por la que los buenos estudios permanecen invisibles en las herramientas de IA clínica.

El emparejamiento coherente DCI-marca en todo el contenido indexado también ayuda a los modelos de IA a aprender a asociar los dos en lugar de recurrir por defecto al nombre científico.

Construir la gobernanza en el plazo de 1 año. El perímetro de vigilancia debe ampliarse de lo que usted publica a lo que la IA dice de usted, a través de los LLM generalistas, las herramientas de IA clínica y los asistentes sanitarios.

Las pruebas trimestrales sobre las afirmaciones, indicaciones y seguridad de los productos data ayudan a detectar a tiempo las desviaciones. Es útil definir umbrales de escalada; por ejemplo, una IA que recomiende un anticoagulante al doble de la dosis aprobada debería desencadenar una revisión inmediata por parte de Asuntos Médicos y Reglamentación.

Resulta igualmente útil clasificar los contenidos por nivel de visibilidad de la IA. Algunos son seguros para hacerlos totalmente descubribles, como su etiqueta aprobada, sus ensayos clínicos publicados. Algunos pueden indexarse pero necesitan un encuadre cuidadoso, como las pruebas del mundo real que podrían malinterpretarse sin contexto. Y algunas deben quedar totalmente fuera del alcance de la IA, como el ensayo en curso data o los resultados previos a la aprobación que no están listos para su interpretación pública.

Es probable que las organizaciones que construyan este marco ahora estén por delante cuando la regulación se solidifique, en lugar de reaccionar ante ella.

Conclusión: La narrativa ya se está escribiendo

La visibilidad de la IA en la atención sanitaria no es una tendencia, es un cambio de infraestructura.

  • Los patrones de citación, una vez establecidos, se agravan: los primeros en llegar construyen una ventaja que los últimos pagarán por cerrar.
  • Las herramientas clínicas basadas en RAG se convertirán en la interfaz dominante para los especialistas en un plazo de tres años.
  • El modelo Utah puede expandirse globalmente, comprimiendo permanentemente el punto de contacto GP.
  • Los asistentes sanitarios especializados están creando un nuevo intermediario permanente entre el paciente y el médico, y entre la marca y el prescriptor.

Por dónde empezar: siga la cadena de influencia, no al usuario final.

  • Para los productos de prescripción, el médico sigue siendo el punto de decisión. Garantizar que sus pruebas clínicas sean localizables en plataformas RAG, LLM generalistas y asistentes sanitarios es la palanca más directa sobre el comportamiento de prescripción disponible hoy en día.
  • Para los productos OTC, la IA está sustituyendo al lineal como primer punto de descubrimiento del producto, y si la respuesta dice “cetirizina 10 mg” en lugar de su marca, el paciente compra el genérico más barato. En una categoría construida sobre el volumen y la prima de marca, así es como desaparece la cuota de mercado.

Dependiendo de su cartera, estas dos vías pueden discurrir en paralelo o secuenciarse, pero ninguna debe esperar.

 

Fuentes:

  • OpenAI, “Presentación de ChatGPT Health”, enero de 2026
  • Fierce Healthcare / Sermo, “Physician Use of AI in Clinical Decision-Making”, vía American Hospital Association, octubre de 2024
  • GV (Google Ventures), Anuncio de la Serie B de OpenEvidence, 2025
  • Sharma A., Alaa A., Daneshjou R., “Medical Disclaimers in Large Language Model Outputs”, npj Digital Medicine, octubre de 2025
  • Galeon D., “Uno de cada tres adultos franceses ya ha preguntado a una IA sobre su salud”, Galeon, 2025
  • Aggarwal P., Murahari V., Rajpurohit T. y otros, “GEO: Generative Engine Optimization,” KDD 2024, Universidad de Princeton / IIT Delhi
  • ECRI, “Top 10 Health Technology Hazards for 2026”, enero de 2026
  • PharmaGEO, “Brand vs. INN Visibility Across Major LLM Platforms,” 2025
  • Indegene / Tarun Mathur, “De SEO a GEO: Retooling for the Zero-Click Content Era”, noviembre de 2025