Por qué orientarse a la AI comienza con los datos, la gobernanza y un modelo operativo, no con ser el primero en actuar
por Ramiz Bozai, Sailesh Kadam, Kriti Sen Sharma, Andrew Wallace-Jackson y Grace Crisp
El desafío para los ejecutivos de la salud que adoptan la AI es el ruido al intentar avanzar en una iniciativa. Entre una bandeja de entrada llena de propuestas de proveedores, anuncios de competidores y plazos estratégicos, descubrir por dónde empezar es un obstáculo en sí mismo.
El despliegue exitoso de una estrategia de AI nunca se trató de ser el primero. Muchos de los que la adoptaron de forma temprana ahora están desenredando la deuda técnica y pilotos sin gobernanza que un inicio deliberado habría evitado. La lección no es que la AI no funcione; es que una estrategia de AI sin una base no es sostenible. Orientarse a la AI consiste en construir la base adecuada de datos, gobernanza y modelo operativo empresarial. Esa base está más al alcance de lo que la mayoría de los líderes piensan.
Una organización de salud orientada a la AI es aquella diseñada para permitir que la AI se construya, sea confiable y se escale. Estar orientado a la AI no significa comprar más herramientas ni iniciar más pruebas de concepto de larga duración. A un alto nivel, esto significa construir una base sólida de datos y gobernanza, al tiempo que se diseña un modelo operativo empresarial que libere el máximo potencial de los datos de la empresa. El objetivo no es el número de herramientas, sino una organización donde las personas adecuadas puedan construir y responder a sus propias preguntas.
Como ejemplo práctico, un gestor de cuidados puede preguntar: "¿Por qué se dispararon las tasas de reingreso en una región el trimestre pasado?" y recibir una respuesta confiable basada en datos internos. A partir de ahí, puede comenzar a tomar medidas en cuestión de minutos. En este escenario, un usuario final puede analizar datos clínicos, de pacientes y a nivel de centro de forma ad hoc sin tener que abrir un ticket ni esperar días a que un analista obtenga la respuesta. Las organizaciones que llegan a este punto con mayor éxito han construido una base sobre una plataforma de datos que convierte a los usuarios que atienden a los pacientes en analistas de datos en lugar de "detectives de datos".
La mayoría de los proveedores no se frenan por falta de ambición. Los sistemas de salud tienen más ideas de AI de las que pueden financiar y no faltan proveedores de AI que se ofrezcan a construirlas. En una encuesta de la HFMA de 2025 a 233 sistemas de salud, el 88% informó que ya utiliza AI. Solo el 18% tenía una estructura de gobernanza madura y una estrategia de AI completamente formada. Lo que frena el progreso es uno de tres bloqueadores estructurales.
El primero son los datos fragmentados. Los datos clínicos se encuentran en el registro de salud electrónico (EHR), los datos operativos en otro sistema, los financieros en un tercero, y la programación, la cadena de suministro y la experiencia del paciente están aún más dispersos. El problema de fondo no es que los datos estén dispersos; es que nada los unifica de manera confiable. El mismo paciente puede tener un identificador diferente en cada sistema de origen, por lo que antes de que alguien pueda analizar un reingreso, debe haber un flujo de trabajo de conciliación manual. Esto lleva a nuevos casos de uso que pagan un impuesto de integración dos veces: una para construir las conexiones y otra para mantenerlas cuando cambia un sistema de origen. Lo que se entrega cubre una parte muy estrecha del paciente, del flujo de trabajo o de la operación.
El segundo es una gobernanza que no se adapta. En algunas organizaciones, es tan laxa que nadie confía en lo que se entrega. Un modelo produce una respuesta y un médico preguntará razonablemente: "¿Basado en qué datos?". En otras, la gobernanza es tan rígida que nada sale del sandbox, y cada nueva solicitud se convierte en una negociación (un ciclo de aprobación largo para un modelo que responde preguntas en segundos). Ambos fallan de la misma manera, porque lo que falta en cada caso es confianza: las personas adecuadas, con los datos adecuados, dentro de límites que todos puedan ver.
El tercero es la falta de un modelo operativo: no hay una forma compartida de elegir prioridades, equipar equipos o pasar un piloto a producción. Cada esfuerzo se convierte en una construcción única y ningún éxito se replica. Un modelo que ayuda con la dotación de personal o la ocupación del departamento de emergencias (ED) en una unidad funciona, y luego no puede escalarse porque no hay propiedad en la escala del piloto, ni hay un camino claro hacia la producción. El patrón se repite en toda la industria: el 83% de los ejecutivos de la salud están ejecutando pilotos de AI generativa, pero menos del 10% está invirtiendo en la infraestructura para desplegarlos en toda la empresa. En todas las industrias, aproximadamente el 88% de los pilotos de AI nunca llegan a producción. En la misma encuesta de la HFMA, más de un tercio de los líderes de sistemas de salud informaron carecer de un proceso para priorizar y escalar de manera efectiva la AI.
Si estos bloqueadores le resultan familiares, es porque cada uno recae en un escritorio diferente: los datos fragmentados con el Director de Datos, la confianza con el Director Médico y el modelo operativo con el CIO. Ninguno de ellos es un problema de AI. La mayoría de los proveedores tienen un problema de base, y se puede construir una base sin necesidad de abarcar demasiado.
Llegar tarde a la adopción de la AI solo perjudica si repite los errores de quienes le precedieron. Evite esos errores y llegar tarde se convertirá en una ventaja, ya que podrá construir sobre una base en lugar de limpiar años de caos acumulado. El paso práctico es observar a las organizaciones que fueron primero, aprender de dónde tropezaron y comenzar.
Las herramientas también se han puesto al día. Las herramientas modernas ahora permiten la gobernanza en múltiples fuentes de datos y centralizan la autenticación y la gestión de permisos a través de integraciones con los proveedores de identidad existentes. Además, el modelo de gobernanza no se limita a los modelos de datos; la gobernanza también se aplica a la AI y garantiza que las preguntas en lenguaje natural y las interacciones de agentes sean seguras y confiables. Con esta base, el mismo gestor de cuidados que preguntó sobre los picos de reingreso puede escribir su pregunta en un lenguaje sencillo y obtener una respuesta en la que pueda confiar en segundos, en lugar de presentar un ticket y esperar días. Al mismo tiempo, el CISO y la oficina de seguridad de IT pueden estar seguros de que los usuarios humanos y de agentes no tienen acceso a datos que no tienen permitido ver.
Ese es un cambio real. Hace dos años, obtener una visión gobernada de los datos clínicos y operativos era un proyecto de un trimestre de duración. Hoy en día, cuando el alcance está bien definido y se dispone de los datos adecuados, un equipo pequeño puede poner en producción un primer caso de uso gobernado en días en lugar de trimestres. Premier, por ejemplo, configuró Databricks Genie para producción en tres días, lo que brinda a los equipos de salud acceso de autoservicio a análisis gobernados para evaluar la atención e identificar reingresos prevenibles. El momento de empezar no es cuando todo es perfecto. Es cuando las herramientas están lo suficientemente maduras como para construir algo real sin una inversión inicial masiva. Ese momento es ahora.
Los proveedores no se orientan a la AI por accidente, y no llegan allí por haber comenzado antes. Llegan allí construyendo la base adecuada de datos unificados, una gobernanza en la que la gente confía y un modelo operativo repetible. Eso es más factible de lo que la mayoría de los ejecutivos piensa.
La próxima publicación de esta serie es un plan de tres pilares que ayuda a un sistema de salud a avanzar en la curva, junto con un mapa de madurez y una autoevaluación que puede llevar a su próxima reunión de liderazgo.
¿No está seguro de dónde se ubica su organización en el mapa de madurez? Póngase en contacto con nosotros.
(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original
Suscríbete a nuestro blog y recibe las últimas publicaciones directamente en tu bandeja de entrada.