Medicare rediseña pagos para la era de la IA: qué significa y por qué importa

Un cambio de incentivo: de tiempo con el médico a resultados medibles

En abril, el programa ACCESS (Advancing Chronic Care with Effective, Scalable Solutions) de Medicare seleccionó a 150 participantes para probar, durante 10 años, un nuevo modelo de pago centrado en resultados. A partir del 5 de julio el experimento comenzará a operar a escala federal en Estados Unidos. Lo novedoso no es solo la duración ni la lista de condiciones cubiertas —diabetes, hipertensión, enfermedad renal crónica, obesidad, depresión y ansiedad— sino la estructura misma del pago: las organizaciones reciben una cantidad predecible por manejar condiciones calificadas y solo obtienen el pago completo cuando los pacientes alcanzan metas de salud concretas, como reducción de presión arterial o menos dolor crónico.

Ese esquema rompe con la práctica tradicional de Medicare, que reembolsa según tiempo y actividades clínicas. Y abre, por primera vez, un camino claro para que agentes autónomos de IA (que monitorizan entre las visitas, coordinan recursos o hacen seguimiento) sean remunerados dentro del sistema público.

Pair Team: un caso práctico de atención integrada y IA

Pair Team es una de las organizaciones escogidas. Fundada en 2019, se especializa en pacientes con condiciones crónicas que además enfrentan inseguridad de vivienda, falta de alimentos o dificultades de transporte. Su punto de partida es que no pueden mejorarse los resultados clínicos sin abordar esos determinantes sociales.

Hoy la empresa emplea alrededor de 850 profesionales clínicos y, según su fundador Neil Batlivala, genera ingresos por encima de nueve cifras y ha recaudado cerca de 30 millones de dólares de inversores como Kleiner Perkins. Su modelo está respaldado por evidencia revisada por pares que muestra alta adherencia de pacientes y reducciones significativas en visitas evitables a emergencias y hospitalizaciones.

El reto histórico fue la escalabilidad: ofrecer acompañamiento social y clínico intensivo con equipos humanos es costoso. La respuesta de Pair Team fue integrar un agente de voz con IA llamado Flora, desplegado hace aproximadamente nueve meses como interfaz primaria con el paciente. Flora está disponible 24/7, realiza ingresos, coordina derivaciones y mantiene el vínculo entre visitas clínicas. Para pacientes en situación de vulnerabilidad, esas conversaciones no son solo check-ins: funcionan como acompañamiento y, en muchos casos, como intervención.

Por qué ACCESS potencia la innovación con IA en sectores regulados

Los diseñadores de ACCESS provienen del ecosistema emprendedor: Abe Sutton y Jacob Shiff, del CMS Innovation Center, aportaron una visión influida por experiencia en startups y venture capital. Eso se refleja en decisiones explícitas del programa: pagos por resultado, inscripción directa desde el paciente y un énfasis en la competencia entre soluciones.

Para empresas que ya habían apostado a la automatización y la IA como infraestructura principal, ACCESS representa una oportunidad para desplegar modelos escalables sin depender de reembolsos por tiempo clínico. Para organizaciones más centradas en servicios humanos intensivos, el incentivo económico obliga a buscar mayor automatización.

Riesgos y límites: datos sensibles, vulnerabilidades y finanzas

No todo es optimismo. PARTICIPANTES en ACCESS compartirán con la infraestructura federal conversaciones profundamente sensibles sobre vivienda, salud mental y enfermedades crónicas. El Gobierno federal tiene antecedentes de filtraciones y exposiciones de datos, incluidas credenciales como números de seguridad social; eso genera riesgos reales para poblaciones vulnerables.

También existen riesgos financieros. El historial de programas de innovación del CMS es mixto: un análisis de la Oficina de Presupuesto del Congreso de 2023 señaló que el Innovation Center aumentó el gasto federal durante su primera década en lugar de producir los ahorros proyectados. Además, los pagos por paciente por mes en ACCESS resultaron menores a lo que muchos participantes esperaban, lo que hace que la ecuación financiera solo cierre para organizaciones que han automatizado la mayor parte de la interacción con pacientes.

Batlivala interpreta esa presión económica como un diseño intencional: tarifas de reembolso bajas incentivan operaciones ‘AI-first’ y lean, condicionando a los actores a construir soluciones eficientes y escalables.

Implicaciones para América Latina

Aunque ACCESS es un programa de Medicare en Estados Unidos, su diseño plantea lecciones relevantes para los sistemas de salud en América Latina:

• Modelos de pago por resultados y por episodios de atención podrían acelerar la adopción de IA y automatización en la región, especialmente en sistemas públicos con recursos limitados.
• Las poblaciones vulnerables en Latinoamérica enfrentan determinantes sociales similares: inseguridad alimentaria, vivienda inestable y barreras de acceso. Soluciones que integren atención clínica con abordaje social —apoyadas por IA conversacional para seguimiento— podrían mejorar adherencia y reducir uso innecesario de servicios urgentes.
• Sin embargo, los riesgos de privacidad y la capacidad de proteger datos sensibles son quizá más pronunciados en contextos con marcos regulatorios emergentes. Cualquier adopción debería ir acompañada de estándares claros de seguridad, gobernanza de datos y controles de auditoría.

Para tomadores de decisión en la región, ACCESS funciona como un laboratorio a gran escala: los resultados, adopciones y fracasos ofrecerán evidencia valiosa sobre la eficacia clínica, la economía de los modelos y los riesgos regulatorios.

Qué deberían considerar los líderes y gestores de salud

1. Reexaminar incentivos: los pagos por actividad dificultan la incorporación de agentes automatizados. Consideren pilotear modelos basados en resultados en poblaciones definidas.
2. Gobernanza y privacidad: implementar controles robustos antes de ampliar soluciones que manejan conversaciones íntimas y datos sociales.
3. Escalabilidad con validación clínica: priorizar pruebas controladas y evidencia revisada por pares para validar que la automatización no degrade la calidad de la atención.
4. Alianzas público-privadas: el diseño de ACCESS sugiere que combinar experiencia regulatoria y agilidad emprendedora puede acelerar la innovación si se establece supervisión adecuada.

Conclusión

ACCESS representa una apuesta audaz: cambiar la lógica de reembolso para crear espacio operativo para la IA en salud a escala federal. Para empresas como Pair Team, que ya integraron la automatización con un enfoque en determinantes sociales, el programa es una oportunidad natural. Pero el equilibrio entre innovación, protección de datos y sostenibilidad financiera será determinante. Los responsables de políticas y ejecutivos en América Latina deberían observar este experimento con atención: puede ofrecer tanto una hoja de ruta como lecciones sobre lo que evitar al intentar incorporar IA en los sistemas de salud públicos y privados.