Se este modelo errar, quem responde, e o que o registro mostra? É a primeira pergunta que um diretor de qualidade faz diante de qualquer proposta de inteligência artificial. Nos projetos que dão errado, costuma ser a última a ser respondida.
Este artigo trata da inteligência artificial na indústria farmacêutica por essa porta. Mostra o que os textos regulatórios já dizem, onde a IA entra primeiro em fornecedores, CDMOs e laboratórios, como o dado precisa se comportar, como pensar a validação de sistemas computadorizados e como organizar a governança, inclusive quando existe dado de paciente. Não discute eficácia de medicamento nem decisão clínica. O foco é a empresa: processo, qualidade, documentos e venda técnica.
O texto pertence à frente de Consultoria de IA da Trilion, apoiada no hub de agentes de IA e automação de vendas, e se liga à página do segmento, Farmacêutica e ciências da vida.
O que a regulação já diz sobre IA, e o que ainda é rascunho?
A EMA publicou em 2024 um documento de reflexão sobre IA no ciclo de vida dos medicamentos, e um anexo de BPF para IA esteve em consulta em 2025.
O documento de reflexão da EMA
A página da Agência Europeia de Medicamentos registra o documento de reflexão sobre o uso de IA no ciclo de vida dos medicamentos como adotado e publicado em 30 de setembro de 2024. A versão preliminar esteve em consulta de 19 de julho a 31 de dezembro de 2023. O escopo vai da descoberta de medicamentos ao período pós-autorização, e o objetivo declarado é apoiar o desenvolvimento, a regulação e o uso seguros e eficazes de medicamentos.
É um documento de princípios. O que decide a rotina de uma planta ou de um laboratório está nos textos de BPF.
O rascunho do Anexo 22
Segundo a página do PIC/S, a Comissão Europeia e o PIC/S fizeram uma consulta conjunta de 7 de julho a 7 de outubro de 2025 sobre três documentos: uma revisão do capítulo 4 (documentação), uma revisão do Anexo 11 (sistemas computadorizados) e um novo Anexo 22, dedicado à IA. Os rascunhos foram preparados pelo grupo de trabalho de inspetores da EMA e do PIC/S.
Em análise publicada em julho de 2025, um escritório de advocacia descreve o Anexo 22 como o primeiro anexo de BPF dedicado à IA. O rascunho distingue usos críticos, que afetam diretamente a qualidade do produto ou a segurança do paciente, de usos não críticos.
| Tipo de uso | O que o rascunho propõe | Condições citadas |
|---|---|---|
| Crítico | Somente modelos estáticos e determinísticos. Modelos que aprendem durante o uso e modelos probabilísticos ficam de fora | Uso pretendido documentado, critérios de desempenho, dados de teste separados dos de treino e monitoramento de deriva |
| Não crítico | IA generativa e grandes modelos de linguagem podem ser usados | Revisão humana: pessoa qualificada confere a saída antes de ela influenciar decisões |
| Qualquer um | A responsabilidade permanece com o fabricante, mesmo quando a ferramenta vem de um fornecedor | Qualificação do fornecedor, salvaguardas contratuais e supervisão contínua |
O texto era um rascunho em consulta em julho de 2025. Confira o estágio atual antes de tratá-lo como exigência.
O que isso muda para quem fornece
Se o fabricante continua responsável por qualquer ferramenta de IA que use, o fornecedor que usa IA em análises, em rastreabilidade ou em documentos deve esperar perguntas do cliente na qualificação e na auditoria. Quem tiver inventário, versão, teste e dono de cada sistema responde sem improviso.
Onde a IA entra primeiro em um fornecedor, uma CDMO ou um laboratório?
Onde o risco de errar é baixo e o dado já existe: documentos, demanda e manutenção. Usos que influenciam decisões de qualidade pedem mais validação e mais cuidado.
O que a literatura recente descreve
Uma revisão publicada em 2026 no Indian Journal of Pharmaceutical Education and Research examina o uso de IA e aprendizado de máquina na análise e no controle de qualidade, da inspeção de matérias-primas à análise do produto acabado. Entre as aplicações descritas estão detecção de defeitos, perfil de impurezas, previsão de estabilidade e garantia preditiva da qualidade, com dados de sensores, de ambiente e de registros de lote.
É uma revisão de literatura. Ela descreve possibilidades, e a maturidade de cada uso varia.
Desvios e CAPA: o texto antes do número
A mesma revisão aponta que a análise de causa raiz e as ações corretivas e preventivas, as CAPA, costumam ser lentas. Sistemas que processam linguagem natural poderiam analisar grandes volumes de relatórios de desvio, reclamações e achados de auditoria, achar padrões escondidos e sugerir ações com base em casos parecidos.
É um bom primeiro caso, porque o dado já existe em texto e a decisão continua humana. O modelo aponta recorrência, e a equipe de qualidade confirma, descarta ou investiga.
Manutenção, demanda e cadeia de insumos
Na manutenção, a revisão descreve modelos que analisam sinais de equipamentos, como vibração, temperatura e pressão, para prever falhas. Na cadeia de suprimentos, descreve modelos que acompanham a qualidade de matérias-primas e intermediários e sinalizam padrões suspeitos. Os dois casos dependem de histórico bem registrado, não de algoritmo sofisticado.
| Caso de uso | Dado necessário | Risco principal | Primeiro passo |
|---|---|---|---|
| Assistente sobre o acervo técnico | Documentos aprovados, com versão e vigência | Resposta sem fonte ou com versão antiga | Uso interno, com citação obrigatória e revisão humana |
| Recorrência de desvios e CAPA | Relatórios de desvio e histórico de ações | Texto livre inconsistente e conclusões automáticas | Agrupar desvios por padrão, com a qualidade validando |
| Manutenção preditiva | Sinais de equipamentos e histórico de paradas | Falta de ciclos completos e falsos alarmes | Detecção de anomalia em ativos críticos |
| Previsão de demanda de insumos | Histórico de pedidos por código e cronogramas de clientes | Método único aplicado a padrões diferentes | Classificar os códigos por padrão de demanda |
| Apoio à análise e à inspeção | Imagens e resultados anotados, com metadados | Poucos exemplos de falha e decisão sem explicação | Piloto paralelo, sem substituir o processo vigente |

Dados: integridade antes de modelo
A integridade dos dados vem antes do modelo: os princípios ALCOA+ do guia do PIC/S valem para qualquer sistema que gere, trate ou guarde registros.
ALCOA+ como requisito de entrada
O guia PI 041-1 do PIC/S, de 1º de julho de 2021, com 63 páginas, trata de boas práticas de gestão e integridade de dados em ambientes regulados de BPF e de distribuição. Ele resume as expectativas na sigla ALCOA: dados atribuíveis, legíveis, contemporâneos, originais e exatos, e acrescenta que devem ser completos, consistentes, duradouros e disponíveis.
Um modelo que aprende com registros sem esses atributos aprende o erro. Antes de falar em algoritmo, vale perguntar quais dados do projeto cumprem esses atributos.
Modelo treinado em registro duvidoso só automatiza a dúvida.
Silos, raridade e legado
A revisão de 2026 lista os obstáculos de dados mais comuns: qualidade, completude e consistência; informação de pesquisa, produção e controle de qualidade guardada em sistemas incompatíveis; poucos exemplos de eventos raros; e dificuldade de ligar ferramentas novas a sistemas legados, o que cria riscos para a integridade dos dados na transferência. O artigo sobre indústria 4.0 e o verbete de governança de dados tratam dessa camada.
O que o cliente vai querer ver do fornecedor
A seção 10 do guia trata de atividades terceirizadas. Ela afirma que as medidas de governança de dados de quem contrata podem ser enfraquecidas por dados ou materiais não confiáveis vindos de parceiros da cadeia, e que a qualificação inicial e periódica dos parceiros deve considerar os riscos de integridade de dados. O guia também reconhece as limitações de registros resumidos e cópias, pois nem sempre é prático revisar todos os dados brutos.
Para o fornecedor, a consequência é direta. O dado que ele envia ao cliente, inclusive o que passou por um modelo, entra na cadeia de dados do cliente. Explicar como foi gerado é parte da qualificação.
Venda técnica e documentos assistidos por IA: com fonte e com revisão
Um assistente apoiado no acervo da própria empresa ajuda vendas e qualidade a responder questionários e cotações, sempre com fonte citada e revisão humana, fora de decisões críticas.
Casos de uso
O assistente consulta documentos aprovados da empresa antes de responder, técnica conhecida como geração com recuperação de documentos. Quatro usos costumam ter retorno claro.
- Questionários de qualificação: sugerir respostas a partir de respostas anteriores já aprovadas, indicando a fonte.
- Busca de equivalências: encontrar especificações próximas quando o item pedido não existe no portfólio.
- Triagem de cotações: ler o pedido, extrair requisitos e compará-los com a oferta.
- Comparação de versões: resumir o que mudou entre duas revisões de um documento.
O artigo sobre IA para vendas B2B descreve usos no funil comercial.
O que o assistente não pode fazer
Ele não assume compromisso técnico, não inventa especificação, não responde sem fonte e não altera registro de qualidade. O que sai do portfólio padrão passa por um especialista, e a resposta final é assinada por uma pessoa. O rascunho do Anexo 22 segue a mesma linha: modelos de linguagem ficam fora de usos críticos e, nos não críticos, pedem revisão de pessoa qualificada.
Antes de liberar o assistente, monte um conjunto fixo de perguntas reais, com respostas aprovadas pela qualidade, e reaplique-o a cada mudança de acervo ou de modelo. Se a taxa de acertos cair, a mudança não entra em operação.
O acervo é o limite
A qualidade das respostas não passa da qualidade do acervo. Fichas em versões conflitantes e PDFs sem texto geram respostas erradas com aparência de certeza. A organização desses documentos é o mesmo trabalho tratado no artigo de design estratégico deste segmento, aplicado agora ao uso interno.
Validação de sistemas computadorizados: como pensar IA nesse quadro
Validar é demonstrar que o sistema serve ao uso pretendido e continua servindo. Para IA, exige uso definido, risco avaliado, teste com dado separado e monitoramento.
Uma estrutura reconhecida
O ISPE descreve o GAMP 5 Guide, segunda edição, publicado em julho de 2022 e com 404 páginas, como uma estrutura de boas práticas com abordagem baseada em risco para sistemas computadorizados em ambientes regulados. A entidade destaca o pensamento crítico de especialistas na escolha da abordagem e informa que os apêndices foram ampliados para temas como IA e aprendizado de máquina.
A página consultada descreve o guia em linhas gerais, e o texto completo não foi lido. A ideia central serve ao propósito deste artigo: a profundidade da validação acompanha o risco do uso.
Uso pretendido, risco e teste
A revisão de 2026 observa que os métodos tradicionais de validação não se encaixam bem em sistemas que se adaptam e que modelos opacos são difíceis de explicar a inspetores. Um roteiro simples, alinhado ao rascunho europeu, cabe em cinco passos.
- Definir o uso pretendido: a tarefa, os dados de entrada e quem usa a saída.
- Classificar o risco: o uso é crítico, porque afeta qualidade ou segurança, ou não crítico.
- Fixar critérios de desempenho: o que o modelo precisa atingir para igualar ou superar o processo atual.
- Testar com dados separados: amostra de teste distinta da usada no treino.
- Monitorar a deriva: acompanhar mudanças nos dados de entrada e no desempenho, com plano de intervenção.
Validar não é provar que o modelo é bom. É provar que ele serve ao uso para o qual foi escolhido.
Mudança de versão é mudança de sistema
Retreinar um modelo gera uma nova versão. Ela deve passar pelo controle de mudanças, com registro do que mudou, dos dados usados e dos testes refeitos. O rascunho do Anexo 22 exclui, em usos críticos, modelos que continuam aprendendo durante a operação, o que combina com a dificuldade de validar uma troca silenciosa de versão.
Governança de IA e dados de pacientes: como organizar as responsabilidades
Governança de IA são as regras sobre dados, donos, validação e registro que permitem explicar e corrigir o sistema. Com dado de paciente, o controle mais simples é não recebê-lo.
Dado de paciente: o controle mais simples é não receber
Um fornecedor de insumos, de equipamentos ou de serviços técnicos normalmente não precisa de dado de paciente para trabalhar. Quando o projeto o toca, o caminho é reduzir. O guia de ciências da vida do Chambers, no capítulo sobre o Brasil, diz que bases criadas para pesquisa ficam sujeitas à governança e à ética em pesquisa, além da LGPD. As instituições de pesquisa devem compartilhar apenas dados anonimizados ou codificados, e a chave de reidentificação permanece com o gestor dos dados.
Quando o dado é inevitável
Para laboratórios e organizações de pesquisa por contrato, o dado é parte do trabalho. O mesmo capítulo observa que o fluxo para patrocinadores e terceiros deve ser previsto e justificado em protocolo ou contrato, usar canais seguros e ficar sob a supervisão do sistema de ética em pesquisa. Afiliadas não são isentas por serem afiliadas, e transferências para fora do Brasil precisam atender às regras de transferência internacional da LGPD.
A interpretação da lei cabe a advogado especializado e ao encarregado de dados da empresa. Este texto não a reproduz. O que a consultoria de IA contribui é desenhar o projeto para que o dado de paciente não circule onde não precisa: minimização, codificação, perfis de acesso e registro de quem viu o quê.
Controles de governança
Um arcabouço de governança de IA simples, que serve ao fornecedor e responde ao que o cliente vai perguntar, tem cinco controles.
- Inventário: lista de sistemas de IA, com finalidade, dono e classificação de risco.
- Registro: versão do modelo, dados de treino, critérios de desempenho e testes antes de ir para operação.
- Revisão humana: pontos em que uma pessoa qualificada confirma ou reverte a saída do sistema.
- Plano de falha: o que fazer quando o modelo erra ou perde desempenho.
- Contrato com o provedor: responsabilidades, acesso a registros e aviso de mudanças, porque a responsabilidade regulatória não se terceiriza.
Por onde começar: priorização, método e indicadores
Comece pelo caso em que o dado existe, o risco de errar é baixo e a revisão humana está desenhada desde o início. A ordem segue a prontidão do dado.
Método em 6 etapas
- Inventário: dados, sistemas e processos existentes, com dono, formato e situação de qualidade dos registros.
- Classificação: para cada candidato, uso crítico ou não crítico, e quem precisa aprovar.
- Priorização: valor esperado, prontidão do dado e risco de cada caso de uso.
- Piloto: escopo pequeno, critério de saída escrito e revisão humana.
- Validação e governança: dossiê com uso pretendido, testes, versão e plano de falha.
- Operação: monitoramento, controle de mudanças e revisão periódica.
Cenário ilustrativo
Considere uma CDMO hipotética de formas sólidas orais, com três propostas na mesa: um assistente para responder questionários de clientes, a análise de recorrência de desvios e a manutenção preditiva de utilidades. O cenário é ilustrativo e não relata um projeto real.
O inventário, também hipotético, mostra que as respostas aprovadas a questionários estão dispersas em e-mails e planilhas, que os desvios ficam em um sistema com campos de texto livre e que os sensores das utilidades não guardam histórico de paradas.
Com esse quadro, a ordem tende a ser a da prontidão do dado. Primeiro, organizar o acervo de respostas aprovadas e liberar o assistente em uso interno, com fonte citada e revisão da qualidade. Depois, a análise de recorrência de desvios, com a qualidade validando cada agrupamento. Por último, o registro sistemático de paradas, que abre caminho à manutenção preditiva. A decisão da diretoria é sobre sequência e responsabilidade, não sobre qual tecnologia é mais atraente.
Indicadores para acompanhar
- Cobertura de dados por caso de uso: o que existe, com dono e formato, sobre o que o projeto exige
- Respostas corretas em um conjunto fixo de perguntas, antes e depois de cada mudança de acervo ou de modelo
- Tempo de resposta a questionários e cotações, com fonte citada em cada resposta
- Recorrências de desvio identificadas e confirmadas pela qualidade
- Sistemas de IA com dono, versão, classificação de risco e registro de testes
Erros comuns
- Começar pelo modelo e não pelo dado
- Usar IA generativa em decisão que afeta a qualidade do produto
- Tratar o piloto como produto, sem validação nem plano de falha
- Deixar o fornecedor de IA assumir uma responsabilidade que a empresa não pode terceirizar
- Receber dado de paciente sem necessidade
O que levar para a próxima reunião sobre IA na qualidade, na operação e na área comercial
Leve o inventário de dados, a classificação dos casos de uso por risco e as regras de governança. Com eles, a diretoria decide sequência e orçamento com critério.
O essencial deste artigo
A IA na indústria farmacêutica depende primeiro do dado e da governança. Os textos europeus em consulta distinguem usos críticos de não críticos e mantêm a responsabilidade com o fabricante. A integridade dos dados vem antes do modelo, a validação acompanha o risco do uso, e o dado de paciente é tratado com minimização e com apoio jurídico. A ordem certa segue a prontidão do dado, com revisão humana e registro desde o início.
O próximo passo
A frente de Consultoria de IA da Trilion trata desse trabalho, e a página de mais detalhes do serviço mostra como ele é conduzido. Para o mesmo segmento, o artigo de branding e UX trata da marca do fornecedor, o de design estratégico, de demanda e conteúdo técnico, e o de tecnologia e RevOps, do funil e dos sistemas comerciais.
Quem opera com rastreabilidade e documentação parecidas encontra pontos de contato em química e petroquímica e em alimentos e bebidas. O índice completo está em Indústrias. A página de consultoria de inteligência artificial e o artigo sobre serviços de IA B2B completam a leitura.
A Trilion, agência de São Paulo fundada em 1995, atende empresas de outros estados em reuniões presenciais ou on-line. A proposta é escrita, depois do briefing e do diagnóstico.
Sobre este texto
Este artigo foi preparado para a frente de Consultoria de IA da Trilion. Os textos regulatórios foram lidos nas páginas da EMA e do PIC/S, no guia PI 041-1 do PIC/S e em uma análise de escritório de advocacia sobre o rascunho do Anexo 22. A estrutura de validação foi lida na página do ISPE, e as notas sobre dados de pesquisa no Brasil, no guia de ciências da vida do Chambers.
A revisão de IA em análise e controle de qualidade foi lida no PDF do periódico. A tabela de usos, o roteiro de cinco passos, os controles de governança, o método em 6 etapas e o cenário são leitura editorial e não relatam projeto da Trilion no setor. As fontes foram consultadas em 13/11/2026.
- EMA, Use of artificial intelligence (AI) in the medicinal product lifecycle: https://www.ema.europa.eu/en/use-artificial-intelligence-ai-medicinal-product-lifecycle (consulta em 13/11/2026)
- PIC/S, Joint stakeholders consultation on the revision of Chapter 4, Annex 11 and new Annex 22: https://picscheme.org/en/news/131/joint-stakeholders-consultation-on-the-revision-of-chapter-4 (consulta em 13/11/2026)
- Arnold & Porter (Alexander Roussanov e Anna Pothof), EU Consults On New GMP Rules For AI In Pharma Manufacturing, Legal 500, 15/7/2025: https://www.legal500.com/intelligence/european-union/technology/eu-consults-on-new-gmp-rules-for-ai-in-pharma-manufacturing (consulta em 13/11/2026)
- PIC/S, PI 041-1, Good Practices for Data Management and Integrity in Regulated GMP/GDP Environments, 1/7/2021: https://picscheme.org/docview/4234 (consulta em 13/11/2026)
- ISPE, GAMP 5 Guide, 2nd Edition: https://ispe.org/publications/guidance-documents/gamp-5-guide-2nd-edition (consulta em 13/11/2026)
- Kishor Jain et al., Artificial Intelligence/Machine Learning in Pharma Analysis and Quality Control: A Real-World Upgrade, Indian Journal of Pharmaceutical Education and Research, 2026: https://www.ijper.org/article/60/2s/s375.pdf (consulta em 13/11/2026)
- Chambers, Life Sciences 2026, Brazil (COSRO): https://gpg-pdf.chambers.com/life-sciences-2026/39/ (consulta em 13/11/2026)

