Un gerente de producto le pide a un asistente de IA que convierta la técnica quirúrgica de un sistema de placas en un resumen para la newsletter de cirujanos. El resultado está bien escrito y respeta los pasos. En el último párrafo dice que el sistema «permite una recuperación más rápida». La técnica no lo dice, el instructivo de uso tampoco, y nadie en la empresa lo pidió. La herramienta completó el cierre con lo que suele decirse de productos parecidos.
Esa frase es un claim. Si se publica, la empresa está afirmando un resultado clínico que no tiene aprobado.
Dónde se equivoca la IA con contenido médico
Un modelo de lenguaje escribe lo más probable. Cuando el dato no está en lo que se le dio, lo completa. Los textos más expuestos son los que el rubro ya conoce como delicados: comparaciones con otros productos («más resistente que»), cifras de eficacia, afirmaciones absolutas («sin complicaciones», «garantiza»), testimonios, y las indicaciones, que la herramienta tiende a extender a procedimientos vecinos. La traducción agrega otro riesgo: «puede reducir» pasa a «reduce» en el otro idioma y nadie lo nota, porque las dos versiones se leen bien.
Hay un error menos visible. Si la fuente que se le carga tiene un claim sin respaldo, la IA lo repite en cada pieza, con la referencia correcta al documento. Que una frase tenga fuente no significa que esté aprobada. Un catálogo comercial puede traer afirmaciones que nunca pasaron por la dirección médica, y usarlo como fuente las multiplica. Por eso, antes de producir, se revisa el material que va a servir de base.
Qué se le da a la herramienta
Una base cerrada de documentos, con un orden escrito de cuál manda cuando dos dicen cosas distintas. Arriba, el instructivo de uso y la documentación regulatoria. Después, la técnica quirúrgica validada. El catálogo sirve para datos de producto, como medidas, materiales y códigos, y no para afirmaciones clínicas. Un paper sobre una técnica en general no convierte un claim en claim del producto. Las presentaciones internas y las transcripciones de reuniones quedan abajo.
Junto con la base, una biblioteca de claims aprobados: las frases que la empresa ya validó para cada producto, con su alcance. Y una instrucción de formato: lo que falta no se completa, se marca como [dato a validar] en el borrador. Con esas tres cosas, la herramienta se diseña para trabajar con lo que se le dio y señalar lo que no tiene. Reduce los errores de ese tipo, no los elimina, y por eso sigue habiendo revisión.
El punto exacto donde entra la validación médica
El borrador generado pasa primero por una revisión editorial. Alguien que conoce el producto coteja cada afirmación con su fuente y arma una tabla simple: la frase, el documento del que sale, si es técnica, científica o comercial, el nivel de riesgo y si requiere validación médica. Las erratas, el tono y los datos de producto se resuelven en esa etapa.
La dirección médica o regulatoria recibe después ese borrador limpio, con las afirmaciones marcadas y su fuente al lado. Valida esas frases, no el texto entero. Un borrador que llega sin fuente por afirmación vuelve a la etapa anterior: revisar un texto así obliga a la dirección médica a hacer el trabajo de cotejo, que es justo lo que no le corresponde. Recién con la validación se publica.
Cuando cambia la revisión de un instructivo, las piezas que salieron de él se vuelven a mirar. Si la tabla de afirmaciones y fuentes está armada, se las encuentra buscando el documento en ella.
Fichas, traducciones y textos de marca
En fichas técnicas, la IA ayuda a pasar las tablas de un catálogo a los campos de la ficha. Los códigos se cotejan uno por uno contra el documento: un código con un carácter cambiado es otro producto. En traducción, la herramienta produce la primera versión y la revisa alguien que conoce la terminología médica en el idioma de destino, con atención especial a los verbos que miden cuánto se afirma.
Para textos de marca y secciones institucionales, el trabajo de la IA es ordenar y acelerar lo que las áreas ya saben. En SAI, fabricante y distribuidor ortopédico argentino, los textos del sitio se armaron así: las áreas aportaron los datos concretos, la IA ayudó a convertir lo relevado en bases narrativas por sección, y los textos volvieron a las áreas para su revisión antes de publicarse. Los datos de cada producto los aportaron y los aprobaron personas de la empresa.
Servicios de los que habla esta nota
