Revista Farmespaña Industrial - Especial Calidad en la Industria Farmacéutica 2026

El experto diseñaría una recogida de da- tos orientada a contrastar hipótesis, distin- guiendo la variabilidad a corto plazo de la observada entre días o lotes. La IA destaca las diferencias entre días de- tectadas mediante ANOVA, mientras que el experto da prioridad a un patrón de varia- bilidad a corto plazo que sugiere posibles problemas en el utillaje de compresión. Este patrón orienta la investigación hacia el conjunto de punzones, troqueles y con- diciones de alimentación o compactación asociadas a cada posición. No demuestra todavía un fallo concreto del troquel; seña- la dónde concentrar las comprobaciones y qué hipótesis contrastar mediante inspec- ción, mediciones adicionales o pruebas controladas. Sin identificar la huella de cada comprimido, este patrón habría permanecido oculto. “El conocimiento no depende solo de cómo analizamos los datos, sino de haber sabido recoger los datos adecuados” La mejora continua no consiste en encon- trar patrones, sino en comprender las cau- sas que los generan. La IA necesita algo más que buenos prompts Las aplicaciones de IA integradas en herra- mientas analíticas y los asistentes conver- sacionales pueden sugerir estrategias de recogida de datos y análisis, explicar resul- tados y acelerar enormemente el trabajo. Sus respuestas, sin embargo, dependen del contexto que reciben. Una persona con habilidades de pen- samiento estadístico no se limita a pedir «analiza estos datos» sino que propone una táctica de recogida de datos y ela- bora una secuencia de análisis (define “prompts”): verificar integridad y trazabi- lidad de las mediciones; evaluar la situa- ción respecto a especificaciones; estudiar estabilidad temporal; descomponer la va- riabilidad en corto y largo plazo; compro- bar cambios de materias primas o ajustes; y contrastar experimentalmente las causas plausibles. La IA puede enriquecer las tareas de mejora continua en el ámbito de la Calidad, pero no reemplaza la respon- sabilidad de las personas en llevar a cabo cada tarea con rigor La IA hace más accesibles conocimientos y cálculos que antes exigían mucho tiem- po. Bien dirigida, permite dedicar menos esfuerzo a tareas mecánicas y más a inves- tigar, aprender y mejorar. Pero cuanto más fácil sea obtener respuestas, más im- portante será enseñar a distinguir entre una respuesta plausible y una conclusión demostrada. La ilusión de aprendizaje: confundir respuestas con conocimiento La rapidez con la que la Inteligencia Artificial genera análisis, gráficos e informes aparen- temente rigurosos puede crear una peligro- sa ilusión de aprendizaje. En segundos ob- tenemos resultados que antes exigían horas de trabajo y sentimos que hemos resuelto el problema. Sin embargo, disponer de una respuesta convincente no significa haber comprendido el problema ni garantiza que las conclusiones sean correctas. Esta facilidad genera tres ilusiones: de productividad, porque confundimos ra- pidez con avance real; de competencia, porque creemos dominar herramientas que apenas comprendemos; y de conocimien- to, porque aceptamos explicaciones sin ha- ber investigado sus fundamentos. En Calidad farmacéutica, el riesgo es es- pecialmente relevante. Delegar en la IA la formulación de hipótesis, el análisis y la in- terpretación puede reducir el esfuerzo inte- lectual, la discusión crítica y la revisión de evidencias, precisamente las actividades que desarrollan el pensamiento estadístico y el conocimiento del proceso. Obtener una conclusión correcta no demuestra que hayamos aprendido. El verdadero aprendizaje exige compren- der el razonamiento, cuestionar los resultados y ser capaces de aplicar lo aprendido a nuevos problemas. Conclusiones: más tecnología exige más pensamiento estadístico Los problemas de Calidad siguen plantean- do las mismas preguntas: qué ha cambia- do, por qué aparece una desviación y cómo evitar que se repita. Lo que ha cambiado radicalmente es la velocidad con la que po- demos obtener análisis y conclusiones, pero también equivocarnos al interpretarlos. La incorporación de la IA exige, por tanto, reforzar las competencias de los profesiona- les, no debilitarlas. Necesitamos personas capaces de comprender los procesos, for- mular hipótesis, diseñar investigaciones y utilizar la Estadística para transformar datos en conocimiento. Esto tiene implicaciones directas en la formación. Aprender a resolver problemas requiere enfrentarse a casos reales, tomar decisiones sobre qué datos recoger, seleccio- nar análisis, interpretar resultados y discutir explicaciones alternativas. La tecnología debe facilitar este aprendizaje, no sustituir el razonamiento que lo hace posible. El verdadero riesgo de la IA no es única- mente que nos proporcione respuestas equivocadas, sino que nos haga creer que hemos aprendido a resolver proble- mas cuando solo hemos aprendido a obtener respuestas. La IA será una poderosa aliada de la Cali- dad farmacéutica si amplifica el conocimien- to experto y el pensamiento estadístico. La tecnología puede ayudarnos a encontrar respuestas, pero aprender a resolver proble- mas sigue siendo nuestra responsabilidad◉ Referencia Pozueta Fernández, L. (2025). «Estadística, software e inteligencia: claves para construir calidad desde el diseño». Farmespaña Industrial, especial Calidad ◉ La IA será una poderosa aliada de la Calidad farmacéutica si amplifica el conocimiento experto y el pensamiento estadístico. La tecnología puede ayudarnos a encontrar respuestas, pero aprender a resolver problemas sigue siendo nuestra responsabilidad DIGITALIZACIÓN Y GESTIÓN DE CALIDAD 42 FARMESPAÑA INDUSTRIAL · ESPECIAL CALIDAD EN LA INDUSTRIA FARMACÉUTICA 26