GDOCP
Dr. Rachel Benett
septiembre 8, 2026
Recientemente me pidieron que revisara una investigación de desviación antes de que pasara a la unidad de calidad para su aprobación. La narrativa de la causa raíz era fluida, estaba bien estructurada y se apoyaba en una cita a un párrafo específico de un documento de guía regulatoria. El párrafo no existía. El investigador había pedido a un asistente de inteligencia artificial (IA) de propósito general que ajustara la redacción, y la herramienta hizo lo que hacen estas herramientas cuando se encuentran con un vacío: produjo una referencia plausible para rellenarlo. En cualquier entorno regulado por GxP, un auditor citaría esa única frase no verificada; en un registro de farmacovigilancia puede comprometer datos de los que dependen decisiones de seguridad del paciente. Esa revisión cambió mi perspectiva: cualquiera que toque un documento regulado debería aprender cómo fallan estas herramientas antes de confiar en ellas.
Ni la Food and Drug Administration (FDA) de los Estados Unidos ni la Agencia Europea de Medicamentos (EMA) han redactado una norma que diga «no use ChatGPT». Lo que ambas agencias esperan es que la organización siga siendo responsable de cada registro que crea, sea cual sea la herramienta que haya ayudado a crearlo. En virtud de la Parte 11 del Título 21 del Code of Federal Regulations (21 CFR Part 11), la FDA espera que los registros electrónicos estén validados para garantizar la exactitud y la fiabilidad, y el reflection paper de la EMA sobre IA en el ciclo de vida del medicamento, adoptado en septiembre de 2024, atribuye la responsabilidad de cualquier resultado asistido por IA al solicitante o al titular de la autorización de comercialización. Por tanto, un asistente que redacta o resume documentos queda sujeto a los mismos controles del sistema de calidad que cualquier otro paso del proceso, y los inspectores tienen derecho a preguntar cómo verificó usted su resultado.
Lo más útil que enseño a equipos regulados es también lo menos glamuroso: un modelo de lenguaje grande (LLM) no consulta nada; predice las siguientes palabras más probables dadas las palabras anteriores. Por eso el resultado se lee con tanta fluidez, y también por eso puede producir una cláusula de una guía, una referencia de revista o un número de lote que nunca ha existido. El modelo no está mintiendo; no tiene concepto de verdadero o falso. Está completando un patrón, y una cita formulada con seguridad es simplemente un patrón muy común en los documentos con los que aprendió.
Un párrafo fluido no es evidencia de nada, y una referencia es una afirmación que debe comprobarse frente a la fuente. Los abogados sancionados en Mata v. Avianca lo aprendieron en junio de 2023, cuando un tribunal federal les impuso a ellos y a su firma una multa de 5.000 dólares por presentar un escrito que citaba casos inexistentes generados por ChatGPT. Un curso de formación práctica en IA que empieza por cómo funciona la tecnología, en lugar de por una lista de prohibiciones, da a su equipo el instinto para detectar las señales de alerta que conlleva el contenido fabricado. Los asistentes cambiarán con cada versión; el mecanismo que hay debajo no lo hará.
Enseño a partir de fallos documentados porque cada uno expone un modo de fallo diferente. Estos cinco anclan cada sesión de formación práctica en IA, práctica y aplicada que imparto.
En conjunto describen el arco completo de un proceso regulado: cualificar la herramienta, proteger la entrada, verificar la salida, asumir el resultado. Cada fallo se remonta a un control que faltaba: validación antes del uso, verificación antes de la firma, monitorización tras la puesta en producción, una norma sobre qué entra en un prompt, o una titularidad clara del resultado.
El incidente de Samsung es el que más a menudo cambia el comportamiento. Un asociado de farmacovigilancia pega una narrativa de caso en un asistente público para mejorar el inglés; un ingeniero de calidad pide a un chatbot que resuma una investigación que menciona el lote y el proveedor. Cada acción puede transmitir datos de pacientes e información comercialmente confidencial a un servicio de terceros cuyas condiciones de retención el usuario nunca ha leído. En la Unión Europea (UE), los datos personales en ensayos clínicos e informes de seguridad están sujetos al Reglamento General de Protección de Datos (RGPD), y el promotor suele ser el responsable del tratamiento de esos datos con independencia de qué herramienta los haya procesado. Nuestro curso RGPD para farmacéuticas y ensayos clínicos cubre ese marco legal en profundidad; lo que añade la formación práctica en IA para equipos regulados es la disciplina operativa: saber qué herramienta está aprobada para qué clase de información, cómo desidentificar una narrativa de caso y cuándo la respuesta correcta es no usar el asistente en absoluto. Si usted no puede demostrar adónde fueron los datos y quién pudo acceder a ellos, no puede demostrar que este paso de su proceso está controlado.
Los reguladores a ambos lados del Atlántico han descrito el uso responsable, y el hilo común es la responsabilidad humana. En enero de 2025 la FDA emitió el borrador de guía sobre el uso de IA para apoyar la toma de decisiones regulatorias para medicamentos y productos biológicos, proponiendo un marco de evaluación de credibilidad basado en el riesgo para un contexto de uso definido. El reflection paper de la EMA espera una supervisión humana proporcional al impacto del resultado de la IA en la seguridad del paciente y la fiabilidad de los datos. Un borrador del Anexo 22 sobre inteligencia artificial, añadido a las directrices de Buenas Prácticas de Fabricación (GMP) de la Unión Europea (UE) para consulta en julio de 2025 y aún no finalizado, excluiría, tal como está redactado actualmente, la IA generativa y los LLM de aplicaciones GMP críticas. Desde el 2 de febrero de 2025, el artículo 4 de la Ley de IA de la UE, Reglamento (UE) 2024/1689, ha exigido que los proveedores y los implantadores de sistemas de IA adopten medidas que apoyen la alfabetización en IA entre su personal, una obligación codificada que nuestro curso Cumplimiento de IA en ciencias de la vida: Ley de IA de la UE y guía de la FDA examina cláusula por cláusula.
Ninguno de estos documentos le dice a un redactor médico cómo formular un prompt para que el resumen se mantenga fiel a la fuente. Esa es la capa operativa, y es donde la formación práctica en IA se gana su lugar junto a la formación en gobernanza. Haga el prompt con el documento fuente, la audiencia y las restricciones indicadas explícitamente, para que el modelo tenga menos margen para rellenar vacíos. Verifique cada afirmación, cifra y referencia frente al original antes de que el resultado entre en un documento controlado. Gobierne registrando qué herramienta se utilizó, para qué y quién revisó el resultado, de modo que la pista de auditoría de un registro asistido por IA sea tan completa como la de cualquier otro dato. Un equipo que puede demostrar esos tres pasos tiene una respuesta para el inspector; un equipo que no puede tiene una brecha de integridad de datos, sea cual sea la agencia que pregunte.
Nuestro curso online de dos horas se diseñó para personas que ya usan asistentes en el trabajo y necesitan hacerlo de forma segura, rápida y defendible. A lo largo de diez lecciones prácticas, siete tutoriales paso a paso y los cinco incidentes reales tratados en este artículo, enseña toda la práctica operativa. Esta formación práctica en IA para sanidad y farma fue desarrollada por un equipo de expertos en Asuntos Regulatorios con titulaciones de Northeastern University, Boston.
Detalles del curso
Descripción detallada del programa
El redactor médico que redacta con un asistente el resumen de un informe de estudio clínico la necesita primero, porque una referencia fabricada en una presentación la detecta un revisor de la agencia, no un compañero. El responsable de operaciones clínicas que compara enmiendas de protocolo con las mismas herramientas la necesita por un motivo relacionado: un cambio no detectado en un criterio de inclusión se convierte en una desviación del protocolo. El asociado de farmacovigilancia que gestiona narrativas de casos soporta la mayor carga de confidencialidad de los tres, ya que el texto que se ve tentado a pegar es, por definición, dato personal de salud. El especialista en aseguramiento de la calidad que revisa desviaciones y registros de Acciones Correctivas y Preventivas (CAPA), la persona que detectó la cita fantasma en mi ejemplo inicial, necesita reconocer a simple vista el texto generado por IA, y los mandos intermedios que aprueban ese trabajo completan el cuadro, porque la aprobación bajo GxP es una responsabilidad personal. Para cada uno de estos roles, la formación práctica en IA certificada es la diferencia entre usar las herramientas y poder defender haberlas usado.
El argumento de productividad a favor de estas herramientas está ampliamente aceptado, y la adopción ha superado a la gobernanza. El Work Trend Index 2024 de Microsoft y LinkedIn, una encuesta a 31.000 personas, encontró que el 75 % de los trabajadores del conocimiento usaba IA generativa en el trabajo y que el 78 % de esos usuarios aportaba sus propias herramientas. Esas cifras describen a los trabajadores en general, más que a equipos regulados, pero sugieren que en muchas organizaciones reguladas los asistentes ya están en uso y son invisibles para el sistema de calidad. La elección no es si permitir la IA, sino si las personas que la usan tienen un método de trabajo. El retorno de la inversión (ROI) de la formación práctica en IA para su equipo se mide principalmente en lo que no ocurre: la observación de inspección por una referencia no verificada, la notificación de brecha tras llegar una narrativa de caso a un servidor público.
Dos horas por persona es un coste despreciable frente a la remediación que desencadena uno solo de esos eventos, y produce algo que un inspector puede sostener: evidencia de que cada usuario fue formado en confidencialidad, verificación y gobernanza antes del primer prompt. Con reguladores a ambos lados del Atlántico esperando responsabilidad por cada registro asistido por IA, la formación práctica en IA es el referente listo para auditoría para equipos de 2026 que pretenden mantener la velocidad sin heredar el riesgo.
Cada curso de nuestro catálogo está desarrollado por profesionales en activo de asuntos regulatorios y calidad, de modo que el contenido refleja cómo se desarrollan las inspecciones en la práctica. Al finalizar, cada cliente recibe un certificado único, verificable y acreditado CPD-CEU, que cualquier auditor puede comprobar online y que puede compartirse directamente en LinkedIn, respaldado por doce meses de acceso a su ritmo para que el material pueda revisarse a medida que cambian las herramientas y las guías. Los responsables obtienen seguimiento del progreso y herramientas de informes para recursos humanos (RR. HH.) que convierten las finalizaciones individuales en un registro de formación del equipo, el contenido se actualiza mensualmente a medida que evoluciona el panorama regulatorio, y cada curso es compatible con Sharable Content Object Reference Model (SCORM).
El investigador de mi ejemplo inicial no fue descuidado; fue rápido, y la herramienta fue más rápida. El párrafo que no existía se detectó porque un revisor sabía qué hace un modelo de lenguaje cuando se queda sin hechos, y prefiero que ese conocimiento esté en todo el equipo y no en una sola persona. Prompt, verificar, gobernar: esos tres pasos mantienen a los asistentes de IA bajo el control de su sistema de calidad, y la ruta más corta hacia ellos es un curso de formación práctica en IA certificado completado antes de que se firme el próximo documento.
