El mes pasado, CRIO se asoció con Clinical Leader para organizar una mesa redonda en directo titulada «La guía de IA para centros: herramientas de proveedores, soluciones propias… ¿qué funciona?». El debate reunió a responsables de centros que utilizan activamente la IA en sus operaciones diarias para analizar con franqueza qué es lo que realmente funciona, bajo la moderación de Mike Wenger, director de innovación de CRIO. Junto a él participaron Aneesh Vaze, director general de Clinical Research Philadelphia; Sam Stein, director ejecutivo de ALSA Research; y Nick Spittal, director de operaciones de Velocity Clinical Research.
La sesión generó muchas más preguntas de las que pudimos responder en directo, por lo que nos pusimos en contacto con los asistentes de forma individual. Hubo algunos temas que se repitieron una y otra vez, así que compartimos aquí una versión resumida para todos aquellos que se inscribieron o vieron la grabación. Si quieres ver la conversación completa, puedes acceder al seminario web bajo demanda aquí.
¿Deberíamos desarrollar nuestras propias herramientas de IA o comprarlas a un proveedor?
Probablemente esta fue la pregunta más habitual del día, y en realidad se trata más bien de una pregunta sobre «en qué punto del proceso te encuentras» que de «cuál es mejor». Los ponentes describieron tres formas en las que la IA está presente en Clinicas : proveedores de plataformas consolidados (como CRIO) que integran la IA en las herramientas que ya utilizas; proveedores de soluciones específicas que resuelven un problema concreto (contratación, viabilidad, programación); y Clinicas que desarrollan sus propias herramientas a partir de sus sistemas existentes.
La respuesta sincera es que las tres opciones tienen su lugar. Si te encuentras en las primeras etapas de tu andadura en el ámbito de la IA y aún no dispones de la infraestructura de datos ni de la confianza necesaria dentro de la empresa para desarrollar soluciones propias, recurrir a las herramientas que ofrecen los proveedores es el punto de partida más natural y con menor riesgo. Las soluciones desarrolladas internamente suelen tener más sentido una vez que se dispone de datos limpios y accesibles, y de un equipo que ya se siente cómodo experimentando con la IA en el día a día.
Para las empresas de servicios de contratación ( Clinicas ) que aún funcionan exclusivamente en papel y no han adoptado eSource ni eReg, el camino más realista es más o menos el siguiente: pasar primero a un sistema electrónico de eSource/eReg, establecer una política básica de gobernanza de la IA, proporcionar al personal cuentas corporativas de modelos de lenguaje grande (LLM) para que puedan experimentar de forma segura, desarrollar pequeñas herramientas internas que aborden los cuellos de botella más problemáticos y, solo entonces, explorar el acceso a los datos del backend y flujos de trabajo más sofisticados. Pasarse directamente a «desarrollarlo nosotros mismos» antes de que los datos estén organizados suele generar más trabajo del que se ahorra.
¿Cómo se conectan realmente las herramientas de IA a los datos de los que ya dispones?
Varios asistentes plantearon preguntas del tipo: «Tenemos una plataforma eSource, ¿cómo podemos hacer que la IA trabaje con esos datos?». En el caso concreto de los clientes de CRIO, el acceso al backend está disponible a través de Google BigQuery y Looker, lo que abre la puerta a paneles personalizados, previsiones financieras e inteligencia empresarial integrados directamente sobre sus datos operativos, sin necesidad de exportar ni volver a introducir nada.
Conectar una plataforma como Claude a esos datos requiere cierta configuración. La principal recomendación del panel: utiliza una cuenta empresarial en lugar de una licencia personal, ya que las cuentas empresariales incluyen medidas de protección para el entrenamiento de datos que son importantes para el cumplimiento normativo. Si no sabes por dónde empezar, el equipo de atención al cliente o de soporte técnico del proveedor de tu plataforma debería poder guiarte a lo largo del proceso de conexión y explicarte los permisos necesarios.
¿Qué herramientas se utilizan realmente para la selección de personal y otras soluciones específicas?
En cuanto al reclutamiento, varios asistentes preguntaron sobre las estrategias de captación basadas en IA (llamadas, mensajes de texto y similares) y si alguien había integrado directamente agentes de IA en sus datos de pacientes. La idea recurrente del panel fue que la mayoría de los « Clinicas » no están desarrollando sistemas de IA para el reclutamiento desde cero. Están incorporando soluciones puntuales a través de sus ecosistemas de proveedores existentes para la captación, retención y preselección de pacientes, y luego añaden sus propias fases de revisión y seguimiento.
En cuanto a qué modelos de lenguaje grande (LLM) utiliza realmente la gente en el día a día: Claude fue el más mencionado, aunque algunos ponentes también utilizan otros modelos importantes de Frontier, como Gemini y NotebookLM, dependiendo de la tarea. No había una única plataforma «correcta». La conclusión más útil fue cómo las utiliza la gente: para tareas como redactar y actualizar los currículos de los investigadores, una cuenta empresarial de LLM, una descripción clara del proceso manual actual y un intercambio iterativo con la herramienta —empezando con un borrador y puliéndolo— produjeron resultados más rápidos que intentar automatizarlo todo a la perfección en el primer intento. Una persona se mantuvo al tanto revisando los resultados durante todo el proceso.
¿En qué aspectos sigue fallando la IA?
Todavía no todos los casos de uso son adecuados, y los ponentes fueron sinceros al respecto. La IA suele tener más dificultades con la información no estructurada y de gran variabilidad, como los criterios de inclusión y exclusión o los medicamentos prohibidos, en los que los detalles difieren de un estudio a otro y no siguen un patrón coherente. Si se introduce ese tipo de inconsistencia en un modelo, es más probable que se obtengan interpretaciones erróneas que resultados útiles.
La otra tendencia que señaló el panel: las automatizaciones que intentan abarcar demasiado en un solo paso suelen ofrecer un rendimiento inferior. Cuando un único flujo de trabajo tiene que procesar muchos tipos diferentes de datos de entrada (documentos, registros de chat, datos del sistema) y generar muchos tipos diferentes de resultados (correos electrónicos, informes, paneles de control), resulta más difícil confiar en él y más complicado solucionarlo cuando algo sale mal. Por lo general, los casos de uso más concretos y bien definidos han resultado más fáciles de llevar a cabo con éxito.
Sigue explorando
Si quieres profundizar en cómo preparar los datos de tu propia web para la IA, te recomendamos esta reciente entrada del blog de CRIO. Y si estás evaluando soluciones de selección de personal basadas en IA, eSource u otras soluciones específicas, nuestra página de socios es un buen lugar para ver qué soluciones ya están integradas con CRIO, incluidas varias de las herramientas mencionadas durante la mesa redonda.
Gracias de nuevo a todos los que nos habéis acompañado en directo y a aquellos que estáis viendo la grabación ahora. Si tenéis alguna pregunta que no hayamos abordado aquí, no dudéis en poneros en contacto directamente con vuestro gestor de éxito del cliente de CRIO.