🏗️ En farma, la IA que entrega resultados sin poder demostrar cómo los obtuvo no pasa una auditoría regulatoria
Muchos líderes en ciencias de la vida creen que la adopción de IA es lenta porque la regulación es rígida o sus organizaciones son conservadoras. El obstáculo real no es cultural. Es arquitectónico.
En una obra de construcción, el interventor no verifica que la columna soporte el peso. Verifica que el vaciado se hiciera según los planos, con materiales certificados y con el acta correspondiente firmada. Una estructura que resiste no obtiene el permiso de ocupación si la bitácora de obra tiene huecos.
En farma ocurre lo mismo. La Agencia Europea de Medicamentos publicó en 2024 su directriz sobre IA en el ciclo de vida de los medicamentos, con la trazabilidad del proceso como eje central. La FDA siguió en enero de 2025 con una guía que dejó claro que un sistema que funciona en producción no es suficiente si no puede reconstruirse cómo fue entrenado y bajo qué condiciones fue validado.
Un patrón como el event sourcing, donde cada cambio de estado queda registrado como evento inmutable que no puede modificarse retroactivamente, permite responder preguntas regulatorias sin reconstruir de memoria el proceso. La arquitectura hexagonal complementa esto al aislar el núcleo de validación y cumplimiento de los sistemas externos, de modo que ningún cambio en el ERP o en el laboratorio altere la lógica que el auditor va a revisar.
La tensión real en este sector es entre organizaciones que necesitan acortar el ciclo en farmacovigilancia y cadena de suministro, y sistemas que no fueron diseñados para registrar su propio comportamiento. En noviembre de 2025 la EMA y la FDA publicaron en conjunto los primeros principios comunes de IA en desarrollo de medicamentos, con trazabilidad y auditabilidad como ejes transversales del ciclo de vida del producto.
Una obra sin interventoría puede levantarse rápido, pero nunca obtiene el permiso de ocupación.
En farma, la buena arquitectura para IA no persigue novedad, persigue confiabilidad reproducible. Primero se define qué preguntas regulatorias debe poder responder el sistema. Luego se diseña la capa de trazabilidad que hace posible responderlas. Después se elige el patrón que las sostiene en producción. Por último se integra el modelo, no al revés.
Versión en inglés
🏗️ In Pharma, AI That Delivers Results Without Proving How Doesn't Pass Regulatory Audit
Many leaders in life sciences believe AI adoption is slow because regulation is rigid or their organizations are conservative. The real obstacle is not cultural. It's architectural.
On a construction site, the inspector doesn't verify that the column can support the weight. They verify that the pour was done according to plans, with certified materials, and with the corresponding signed report. A structure that holds doesn't get occupancy permit if the construction log has gaps.
In pharma the same thing happens. The European Medicines Agency published in 2024 its guideline on AI in the medicine lifecycle, with process traceability as the central axis. The FDA followed in January 2025 with a guideline that made clear that a system working in production is insufficient if it can't reconstruct how it was trained and under what conditions it was validated.
A pattern like event sourcing, where each state change is recorded as an immutable event that can't be modified retroactively, allows answering regulatory questions without reconstructing the process from memory. Hexagonal architecture complements this by isolating the validation and compliance core from external systems, so no change in ERP or the lab alters the logic the auditor will review.
The real tension in this sector is between organizations that need to shorten the cycle in pharmacovigilance and supply chain, and systems that weren't designed to register their own behavior. In November 2025, the EMA and FDA jointly published the first common principles of AI in medicine development, with traceability and auditability as transversal axes of the product lifecycle.
A construction project without oversight can rise fast, but never gets occupancy permit.
In pharma, good architecture for AI doesn't pursue novelty, it pursues reproducible reliability. First you define what regulatory questions the system must be able to answer. Then you design the traceability layer that makes answering them possible. Then you choose the pattern that sustains them in production. Finally you integrate the model, not the other way around.