Es el dato más incómodo del sector.
El 95% de los pilotos de IA en manufactura farmacéutica no generan retorno medible sobre el P&L. No lo digo yo — lo dicen RAND Corporation, MIT, McKinsey, EY y S&P Global en estudios publicados entre 2024 y 2026.
Y sin embargo las inversiones no paran. Gemelos digitales. Mantenimiento predictivo. Optimización de recetas. Detección automática de desviaciones. Los proyectos se anuncian con presentaciones brillantes. Los pilotos arrancan con entusiasmo. Y después — silencio.
La industria lo llama internamente pilot purgatory. El piloto que funciona en condiciones controladas y nunca llega a producción real.
¿Por qué?
La causa raíz que nadie nombra
La causa no es el algoritmo. No es la plataforma. No es el equipo de data science. No es el presupuesto.
Es que los datos que alimentan la IA no tienen contexto funcional.
Un modelo de machine learning entrenado sobre datos de historian sin estructura ISA-88 no sabe si esa lectura de temperatura de 65.3°C pertenece a la fase de calentamiento o a la de mantenimiento. Para el algoritmo es el mismo número. El gemelo digital construido sobre datos sin jerarquía ISA-95 no sabe si ese consumo de energía pertenece a la Línea de Sólidos 1 o a la Línea de Líquidos A. Simula el proceso equivocado.
Contexto funcional en manufactura batch tiene un nombre concreto: ISA-88 correctamente implementado.
Sin ISA-88 — los datos existen. Pero no tienen significado regulatorio. Y una IA entrenada sobre datos sin significado aprende patrones que nadie reconoce cuando intenta escalar a producción real.
Por qué el piloto funciona y la producción no
El piloto de IA funciona porque se construye en condiciones controladas. Un producto. Una línea. Datos limpios preparados por el equipo de data science. En esas condiciones el modelo aprende patrones que parecen válidos.
El problema llega cuando intentan escalarlo a producción real:
Otros productos con otras recetas — el modelo no reconoce los patrones porque los datos de los nuevos productos no tienen el mismo contexto semántico que los del piloto.
Otras líneas con otras configuraciones — sin jerarquía ISA-95 correcta, el dato de la Línea 2 no tiene el mismo significado estructural que el de la Línea 1. El modelo falla.
Cambios de turno, mantenimientos, limpiezas — sin contexto de fase ISA-88, el modelo interpreta como producción normal lo que es una transición entre fases. Las anomalías se vuelven invisibles.
Y entonces llega QA con la pregunta definitiva:
«¿Podéis demostrar que los datos que alimentan este modelo son trazables según ALCOA+?»
Sin ISA-88 — la respuesta es no. Y el piloto muere.
El Anexo 22 lo convierte en urgente
La EMA publicó en julio de 2025 el borrador del Anexo 22 — el primer regulador específico de IA en manufactura farmacéutica GMP. La versión final llega en verano de 2026.
Lo que exige es concreto:
- Trazabilidad completa de los datos de entrenamiento — imposible sin UNS correctamente implementado sobre ISA-88
- Audit trail de las inferencias del modelo — imposible sin gobernanza de datos ISA-88 correcta
- Validación GAMP del sistema de IA — requiere que los datos de entrenamiento sean trazables y verificables según ALCOA+
- Explicabilidad ante inspección regulatoria — imposible si el modelo fue entrenado sobre datos sin contexto funcional ISA-88
Sin ISA-88 como base arquitectónica — ninguno de esos cuatro requisitos puede cumplirse de forma sistemática y electrónica.
Un proyecto de IA sin ISA-88 debajo ya no es solo una inversión en riesgo. Con el Anexo 22 en vigor — es un incumplimiento regulatorio documentable en la próxima inspección EMA.
La secuencia que no tiene atajos
ISA-88 primero — contexto funcional del proceso batch. El dato sabe qué es, de dónde viene y qué estaba pasando cuando se generó.
ISA-95 después — jerarquía empresa-planta-área-línea. Cada dato tiene su lugar exacto en la organización.
UNS sobre MQTT/Sparkplug B — espacio semántico único donde cada dato lleva su contexto ISA-88 disponible para cualquier sistema en tiempo real.
Y entonces — solo entonces — la IA y el gemelo digital funcionan en un entorno GxP regulado y generan el retorno que prometían.
Intentarlo en cualquier otro orden es garantizar el mismo resultado: dieciocho meses de piloto, un slide que no cambia y una partida presupuestaria que no genera retorno.
El primer paso no es tecnológico
El problema del 95% no se resuelve con mejor tecnología. Se resuelve con mejor arquitectura. Y la arquitectura empieza por un diagnóstico honesto de dónde está la planta hoy.
Cinco días. Sin tocar sistemas. Sin parar producción. Sin tocar código — eso es responsabilidad de IT o del integrador. Un Gap Analysis ISA-88 que especifica, evalúa y valida exactamente dónde está la brecha entre lo que tiene su planta y lo que necesita para que su inversión en IA deje de ser una hipoteca.
Si ahora no es el momento, guarde este artículo. Cuando lo sea, ya sabe dónde encontrarme.
Pablo Vázquez Consultor Senior ISA-88/95 independiente · ISA Senior Member · Batchwise Consulting S.L. pablo@pablovazquez.tech · pablovazquez.tech
