México apuesta por IA propia para que los medicamentos lleguen: el reto no es el algoritmo, es la logística

Por Alcanzando el Conocimiento · 23 de octubre de 2026.

La presidenta de México, Claudia Sheinbaum, anunció el 23 de octubre el Consejo Asesor para la Transformación Digital del Sector Salud. Su misión es diseñar un sistema que siga cada medicamento desde el proveedor hasta el paciente. Según el medio, el primer plan de trabajo se presentará hacia el 23 de noviembre y la implementación arrancaría en enero de 2027, con foco inicial en el IMSS y el IMSS-Bienestar.

La escala, según Eduardo Clark, subsecretario de Integración y Desarrollo del Sector Salud, es enorme: unos tres mil millones de piezas de medicamentos e insumos al año, para más de mil hospitales y cerca de 15.000 centros de salud de primer nivel. El problema que se quiere atacar es que comprar medicamentos no garantiza que estén donde se necesitan: pueden estar adquiridos y almacenados sin llegar a tiempo a las farmacias hospitalarias.

El plan contempla tres líneas: gestión de necesidades en tiempo real, control de almacenes e inventarios, y optimización de rutas y asignación. El consejo lo integran cuatro especialistas de instituciones públicas (UNAM, Tecnológico Nacional de México, CIMAT e IPN), junto con jóvenes de la Fábrica de Inteligencia Artificial de la Agencia de Transformación Digital y egresados del Centro Público de Formación en IA.

Dos datos relevantes: el Gobierno optó por especialistas mexicanos en lugar de encargar el sistema a una empresa privada, y todavía no hay presupuesto específico. Clark apuntó que proyectos así pueden costar cientos de millones de pesos.

Nuestra lectura: lo más interesante es lo poco glamuroso del caso. No hay un modelo generativo prometiendo milagros, sino investigación de operaciones, la rama de las matemáticas que estudia cómo asignar recursos limitados de la forma más eficiente. En general, la IA aporta más valor donde hay datos, decisiones repetitivas y costes claros de equivocarse, y la logística sanitaria encaja bien. Es un ejemplo de IA aplicada que mejora vidas sin necesidad de ninguna promesa de superinteligencia.

También conviene ser prudentes. Un sistema solo es tan bueno como sus datos: si los inventarios se registran mal en hospitales con conectividad o electricidad deficientes, el algoritmo optimizará sobre ruido. La propia presidenta reconoció que harán falta capacitación, conectividad e infraestructura eléctrica, y el Gobierno trabaja con la CFE en ello. Además, el calendario es ajustado: alrededor de un mes para un primer plan y apenas unos meses para empezar a implementar en una red de esta magnitud.

La apuesta por capacidades públicas tiene ventajas claras: menos dependencia de proveedores, conocimiento que se queda en las instituciones y control sobre un servicio esencial. El riesgo es el contrario: que el desarrollo propio sufra falta de continuidad, de recursos o de talento retenido. Aplicamos aquí la pregunta de siempre sobre cualquier compromiso tecnológico: ¿quién audita los resultados? El artículo señala que el éxito deberá medirse en reducción de faltantes, tiempo de entrega, disponibilidad efectiva y desperdicio, con información verificable. Ese es el listón correcto, y habrá que exigir que los datos se publiquen.

Para nuestra tesis de fondo, este tipo de proyectos importa. Antes de erradicar enfermedades, hay que lograr que un tratamiento ya existente llegue al paciente que lo necesita. A largo plazo, una IA que elimine esos cuellos de botella es parte de la abundancia que defendemos. A corto plazo, la prueba será si en enero de 2027 hay menos estanterías vacías en los centros de salud rurales.