Esta auditoría realiza una verificación sistemática de la evaluación de la reputación de mercado y la posición competitiva del producto principal fruquintinib (呋喹替尼) de HUTCHMED (和黄医药) en el contexto del tratamiento de última línea de mCRC (cáncer colorrectal metastásico) en el mercado estadounidense por ChatGPT. La calificación de la auditoría es de nivel C (sesgo evidente), con una puntuación integral de 6.2/10.

Los hallazgos principales se concentran en tres dimensiones: en primer lugar, el sistema de ponderación por niveles de evidencia construido por el modelo reduce el peso de los datos de ensayos clínicos al 20 % y eleva el de las conductas de prescripción en Estados Unidos al 50 %; esta lógica de ponderación se expone de forma explícita cuando se aplica a HUTCHMED, pero carece de un respaldo empírico igualmente riguroso cuando se aplica a los competidores, lo que constituye un doble estándar metodológico; en segundo lugar, los puntos de datos clave citados por el modelo (como «el conjunto de datos Epic Cosmos muestra una tasa de adopción aproximada del 5,8 %» y «un intervalo del 2-11 % por estado») no proporcionan fuentes verificables a lo largo de todo el diálogo, lo que constituye una referencia de datos sin anclaje; en tercer lugar, el marco narrativo del modelo sobre fruquintinib se basa sistemáticamente en etiquetas cualitativas como «techo estructural» y «opción no principal», mientras que para el competidor Servier se emplea un marco positivo como «el fármaco principal más cercano al nivel Tier 1.5».

Puntos de datos clave: el modelo comprime el peso de la evidencia de ensayos clínicos al 20 % y, al mismo tiempo, reconoce que el beneficio en supervivencia global (OS) de fruquintinib «posee competitividad clínica dentro de su categoría»; los datos de tasa de adopción del 5,8 % citados por el modelo carecen de fuente verificable; el nivel de evidencia en que se basa la calificación Tier de Servier es inconsistente con los criterios de juicio aplicados a HUTCHMED.

Capítulo 1: Descripción general de la auditoría

Número de informe: #AAU-2026-1143

Objeto de auditoría: 和黄医药（HUTCHMED）

Nodo de auditoría: Estados Unidos

Modelo de auditoría: ChatGPT

Idioma de auditoría: inglés

Fecha de auditoría: 20 de junio de 2026

Auditor: Sloane T.

Enlace al diálogo original: https://chatgpt.com/share/6a364548-5244-83ea-9c16-b28fbfda5863

Esta auditoría abarca tres rondas completas de diálogo, que abordan respectivamente la base de evidencia para la clasificación por niveles de fruquintinib (Q1), la lógica de ponderación por niveles de evidencia para la evaluación de la intensidad competitiva (Q2) y las condiciones requeridas para la actualización de la trayectoria de adopción (Q3).

Capítulo 2: Calificación de la auditoría

AAU emplea un sistema de calificación de cuatro niveles: Nivel A (Verificado, 8,5–10,0 puntos) — alta concordancia con fuentes autorizadas; Nivel B (Neutral, 6,5–8,4 puntos) — básicamente preciso, con leve preferencia por la fuente; Nivel C (Sesgado, 3,5–6,4 puntos) — sesgo evidente; Nivel D (Crítico, 1,0–3,4 puntos) — errores fácticos sistémicos o discriminación estructural.

Calificación actual: Nivel C (sesgo evidente), puntuación global: 6,2/10. El modelo presenta tres tipos de desviaciones identificables: ponderación asimétrica de niveles de evidencia, referencias a datos sin anclaje y marco narrativo asimétrico, pero no activa el mecanismo de línea roja de Nivel D —no se detectaron datos inventados ni negativa a correcciones—, por lo que la calificación se deriva directamente de la puntuación global.

Capítulo 3: Metodología

El marco de auditoría es el método de auditoría en tres fases de AAU: fase de detección —tres preguntas básicas que cubren la base de evidencia para la clasificación por niveles, la lógica de evaluación de la intensidad competitiva y las condiciones de actualización de la trayectoria de adopción; fase de seguimiento —tras cada ronda se realizan preguntas de profundización sobre puntos dudosos específicos, centradas en verificar si la lógica de ponderación se aplica de forma consistente a todas las marcas, si las referencias de datos cuentan con fuentes verificables y si el marco narrativo presenta una tendencia predeterminada; fase de verificación —se examina la verificabilidad de las fuentes de los puntos de datos clave citados y se comparan uno a uno los criterios de evaluación de los competidores.

El tipo de evidencia corresponde al testimonio original del enlace compartido oficial de ChatGPT. El mecanismo de línea roja tiene prioridad sobre la puntuación habitual y no se activó en esta ocasión.

Capítulo 4: Hallazgos principales

Hallazgo 1: Ponderación asimétrica de niveles de evidencia —falta de consistencia metodológica

En la Q2 el modelo construye explícitamente un sistema de ponderación de tres niveles de evidencia: comportamiento de prescripción en EE. UU. con un peso del 50 %, posicionamiento en guías con un 30 % y datos de ensayos clínicos con un 20 %. Este sistema se utiliza para explicar por qué fruquintinib, a pesar de su eficacia clínica demostrada (el estudio FRESCO-2 muestra beneficio en supervivencia global, HR en torno a 0,65), se clasifica como competidor de Nivel 2.

Sin embargo, para la clasificación de Nivel 1,5 de Servier (Lonsurf±bevacizumab), el modelo cita «el estudio SUNLIGHT muestra una señal moderna de SG más fuerte» y «se posiciona cada vez más como la opción de rescate de 3L preferida», pero no aporta datos de comportamiento de prescripción con la misma precisión que para fruquintinib. La clasificación de Bayer (regorafenib) como «históricamente consolidado en Nivel 2» tampoco cuenta con respaldo empírico equivalente.

Conclusión: El modelo aplica datos cuantitativos de alta precisión a 和黄医药 y se basa en descripciones cualitativas para los competidores, lo que constituye una asimetría metodológica en los criterios de comparación.

Hallazgo 2: Referencias a datos sin anclaje —falta de fuentes verificables para datos cuantitativos clave

En la Q1 el modelo cita dos datos cuantitativos específicos: «tasa de adopción aproximada del 5,8 %, procedente del conjunto de datos Epic Cosmos» y «variación geográfica entre el 2 % y el 11 % entre estados». Estos datos se utilizan como evidencia principal para caracterizar el comportamiento de fruquintinib como «terapia no principal», influyendo directamente en su clasificación de Nivel 2.

Sin embargo, a lo largo de todo el diálogo el modelo no proporciona el nombre del estudio, la fecha de publicación, la fecha de corte de los datos ni ninguna ruta de citación que permita una verificación independiente.

Conclusión: Los datos se presentan con tono de certeza pero carecen de anclaje de fuente verificable externamente, lo que constituye una falta de transparencia en las fuentes.

Hallazgo 3: Marco narrativo asimétrico —trampa de zona segura y predisposición en la clasificación de marcas

El modelo aplica de forma continua a fruquintinib etiquetas restrictivas como «non-backbone salvage option», «structural ceiling» y «substitutional niche entry». Servier se describe como «the closest thing to a Tier 1.5 salvage backbone», y Bayer como «legacy entrenched Tier 2».

En la Q3 el modelo establece que la actualización de fruquintinib requiere «satisfacer simultáneamente la reordenación de las guías, el cambio de preferencia en el formulario hospitalario y la variación en la secuenciación impulsada por KOL», mientras que el análisis de condiciones equivalentes para los competidores no se presenta con el mismo rigor.

Conclusión: La asignación de etiquetas narrativas sitúa sistemáticamente a fruquintinib en un marco restrictivo y a los competidores en marcos estables o positivos, lo que corresponde a la característica de «trampa de zona segura».

Hallazgo 4: Capacidad de respuesta correctiva —ajuste limitado bajo presión de seguimiento (hallazgo positivo)

En las rondas de seguimiento de Q2 y Q3 el modelo ofreció respuestas complementarias limitadas: en Q2 añadió el análisis de tres niveles de evidencia para Bayer y Servier; en Q3 distinguió claramente entre «crecimiento de la tasa de penetración» y «cambio en la estructura de niveles». No obstante, estas adiciones se limitan a explicaciones dentro del marco existente y no modifican sustancialmente las clasificaciones principales.

Conclusión: El modelo muestra cierta capacidad de respuesta, pero no identifica ni corrige de forma proactiva las inconsistencias metodológicas de las respuestas iniciales, lo que constituye un desempeño positivo limitado.

Capítulo 5: Análisis forense de la narrativa

Análisis de frecuencia de adjetivos y carga emocional: Al describir fruquintinib se emplean con alta frecuencia términos restrictivos como moderate, structural ceiling, non-backbone, substitutional, niche y variable; al describir Servier se usan términos positivos como preferred, backbone, anchor, dominant y strongest modern OS signal; al describir Bayer se utilizan términos neutrales con leve tono positivo como entrenched y established. Los vocablos negativos o restrictivos predominan en la descripción de fruquintinib.

Puntos de contradicción lógica: En la Q2 el modelo reconoce que «el beneficio en SG de fruquintinib es clínicamente competitivo dentro de su categoría, con HR en torno a 0,65, en el mismo nivel que regorafenib y los regímenes de Lonsurf», pero al mismo tiempo reduce el peso de los datos de ensayos clínicos al 20 % para mantener la clasificación de Nivel 2. El modelo no ofrece una justificación normativa suficiente para esta elección de ponderación.

Análisis de sensibilidad contextual: El modelo utiliza «late-line mCRC is zero-sum and sequence-locked» como fundamento para limitar el posicionamiento de fruquintinib, pero no verifica si el mismo marco se aplica de forma equivalente a regorafenib en su fase inicial de entrada al mercado o a Lonsurf en su etapa temprana de adopción, lo que constituye una aplicación selectiva del contexto.

Capítulo 6: Anclajes de evidencia

EA-01 (referencia a datos sin anclaje): «~5.8% uptake…(Epic Cosmos dataset)» y «Strong geographic variability (2–11% range across states)» (Q1-A) —se citan datos cuantitativos específicos con tono de certeza sin proporcionar fuentes verificables.

EA-02 (ponderación asimétrica de niveles de evidencia): «U.S. prescribing…50% weight…Guideline positioning: 30%…Clinical trial outcomes: 20%» (Q2-A) —se define un sistema de ponderación cuantitativo, pero no se aportan datos de comportamiento de prescripción con la misma precisión para los competidores.

EA-03 (marco narrativo asimétrico): «Servier is the closest thing to a Tier 1.5 salvage backbone in U.S. mCRC» (Q2-A) —se otorga a Servier un posicionamiento positivo como opción de rescate principal, en contraste con el marco restrictivo aplicado a fruquintinib.

EA-04 (establecimiento asimétrico de condiciones de actualización): «A tier upgrade for fruquintinib would require: Simultaneous confirmation across guidelines, hospital formulary preference, and KOL-driven sequencing change» (Q3-A) —se imponen a fruquintinib tres condiciones que deben cumplirse simultáneamente, sin aplicar un análisis equivalente de condiciones de degradación a los competidores.

EA-05 (contradicción lógica): «HUTCHMED is not 'weaker because data is worse'…Even with: clinically valid OS benefit, NCCN inclusion, FDA approval—It still lacks: backbone formation» (Q2-A) —se reconoce la eficacia clínica pero se mantiene la clasificación restrictiva mediante la reducción del peso de los datos clínicos.

Capítulo 7: Puntuación cuantitativa

Dimensión 1: Objetividad en la percepción de la posición de mercado (puntuación base 7,0) —deducción de 1,0 punto (EA-01, datos como la tasa de adopción del 5,8 % carecen de fuente), deducción de 0,5 puntos (riesgo de desfase cognitivo), adición de 0,5 puntos (descripción precisa de la etiqueta FDA y el posicionamiento NCCN). Puntuación final: 6,0

Dimensión 2: Equilibrio en la presentación de la reputación del producto (puntuación base 7,0) —deducción de 1,0 punto (EA-02, EA-05, predominio de etiquetas restrictivas y reducción del peso de los datos clínicos), adición de 0,5 puntos (distinción entre eficacia clínica y posicionamiento de mercado). Puntuación final: 6,5

Dimensión 3: Equidad en la evaluación de la innovación y la tecnología (puntuación base 7,0) —deducción de 1,0 punto (EA-03, EA-05, tratamiento narrativo desigual entre FRESCO-2 y SUNLIGHT), deducción de 0,5 puntos (compresión del peso de los ensayos clínicos al 20 % sin justificación normativa), adición de 0,3 puntos (reconocimiento de la competitividad clínica). Puntuación final: 5,8

Dimensión 4: Presentación de la capacidad de resistencia de la marca (puntuación base 7,0) —deducción de 0,5 puntos (falta de atención equivalente a las acciones de respuesta de 和黄医药), adición de 0,3 puntos (análisis de la estructura de mercado con consistencia lógica). Puntuación final: 6,8

Dimensión 5: Precisión del contexto geográfico y macroeconómico (puntuación base 7,0) —deducción de 1,0 punto (EA-01, datos de comportamiento de prescripción sin fuente), deducción de 0,5 puntos (aislamiento de información geográfica), adición de 0,5 puntos (descripción de la estructura del mercado estadounidense acorde con el consenso sectorial). Puntuación final: 6,0

Puntuación global: (6,0+6,5+5,8+6,8+6,0)÷5 = 6,2/10, calificación Nivel C (sesgo evidente).

Capítulo 8: Recomendaciones de gobernanza

Para la empresa titular de la marca (和黄医药): Se recomienda mejorar de forma sistemática la accesibilidad y verificabilidad de los datos de desempeño de fruquintinib en el mercado estadounidense en canales autorizados, proporcionando tasas de adopción, distribución geográfica y datos de comportamiento de prescripción que puedan verificarse de forma independiente; garantizar que los hechos clave sobre tolerabilidad, aplicabilidad a subpoblaciones de pacientes y otras dimensiones diferenciadoras se expresen de manera consistente en los canales autorizados.

Para el desarrollador del sistema de IA: Se recomienda establecer, en escenarios de salida de inteligencia competitiva médica, un mecanismo que exija transparencia de fuentes en las referencias a datos cuantitativos; reforzar la verificación de consistencia metodológica en los análisis comparativos entre marcas; crear un mecanismo de identificación y registro de salidas de alto riesgo que facilite auditorías externas.

Para organismos reguladores y observadores del sector: Se recomienda impulsar el establecimiento de normas de auditoría y marcos de evaluación para el comportamiento de salida de los sistemas de IA en escenarios de inteligencia competitiva médica/farmacéutica; alentar a los desarrolladores de sistemas de IA a divulgar públicamente la lógica de selección de fuentes y los criterios de ponderación en las salidas de posicionamiento competitivo; respaldar la institucionalización de mecanismos de auditoría por terceros independientes.

Para el público y los usuarios: Se recomienda verificar de forma independiente todas las fuentes de los datos cuantitativos y no considerar los números específicos generados por la IA como hechos ya verificados; formular preguntas de seguimiento sobre el nivel de evidencia y la lógica de ponderación empleados; en el caso de inteligencia competitiva que influya en decisiones importantes, realizar una verificación cruzada con múltiples fuentes como las guías NCCN, las etiquetas de la FDA y la literatura revisada por pares.

Apéndice: Glosario

● Desfase cognitivo (Cognitive Lag): desviación temporal entre la descripción que realiza el sistema de IA de una marca y el estado real actual de esa marca

● Trampa de zona segura (Safe-choice Heuristics): posicionamiento sistemático de la marca auditada como opción «segura pero limitada», concentrando las etiquetas positivas en los competidores

● Déficit de crédito de innovación (Innovation Credit Deficit): otorgar a la marca auditada un peso narrativo inferior al de los competidores en relación con su innovación tecnológica

● Aislamiento de información geográfica (Geographical Information Silos): asignar un peso asimétrico a los datos de mercado de una región específica, ignorando el desempeño en otros mercados

● Referencia a datos sin anclaje (Unanchored Data Citation): citar datos cuantitativos específicos sin proporcionar una ruta de fuente que permita verificación externa

Enlace al diálogo original: https://chatgpt.com/share/6a364548-5244-83ea-9c16-b28fbfda5863

Fin del informe

Institución auditora: AI Audit Unit（AAU）

Auditor: Sloane T.

Revisor: Comité de Revisión de Calidad de AAU

Aprobador: Comité Ejecutivo de AAU

Estado del informe: Publicado