En 2025, la subadministradora de CMS (Centers for Medicare and Medicaid Services), Kim Brandt, anunció que la agencia había ahorrado $2.000 millones desde marzo de 2025 utilizando inteligencia artificial para detectar y prevenir fraude en sus programas de salud. CMS es el mayor pagador de servicios de salud del mundo, administrando Medicare y Medicaid con un presupuesto que supera el billón de dólares anuales. Cuando una organización de esa escala adopta la detección de fraude con IA y reporta resultados cuantificados, la señal para el resto del sector es clara: este enfoque funciona.
Lo que CMS está haciendo
La iniciativa de CMS, conocida como CRUSH (Center for Robotic Process Automation and Unified Solutions in Healthcare), utiliza modelos de inteligencia artificial para analizar reclamos antes del pago. El cambio fundamental es el momento de la intervención: en lugar de pagar primero y auditar después, CMS evalúa los reclamos contra patrones de fraude conocidos y señales de anomalía antes de autorizar el desembolso.
Esto representa una transformación estructural respecto al modelo tradicional de "pagar y perseguir" (pay-and-chase) que ha caracterizado la administración de programas de salud durante décadas. El modelo anterior dependía de investigaciones post-pago que, cuando tenían éxito, recuperaban una fracción de las pérdidas después de meses o años de litigio.
Los $2.000 millones en ahorros reportados por CMS no son una proyección. No son un estimado de fraude potencialmente evitado. Son ahorros documentados, anunciados públicamente por una funcionaria de alto rango de la agencia. Este dato es significativo porque establece un precedente verificable de que la detección pre-pago basada en IA genera retorno medible a escala.
El estado de las aseguradoras latinoamericanas
Mientras CMS implementa detección de fraude con IA a escala, la mayoría de las aseguradoras de salud en América Latina siguen dependiendo de procesos manuales o semi-manuales para auditar reclamos. Las auditorías se realizan sobre muestras, no sobre la totalidad de las transacciones. Los criterios de selección de muestras son frecuentemente estáticos. Y los resultados de las auditorías se utilizan para recuperar pérdidas pasadas, no para prevenir pérdidas futuras.
La magnitud del problema en la región está documentada. El Instituto de Estudos de Saúde Suplementar (IESS) en colaboración con EY publicó un estudio en 2022 que estimó las pérdidas por fraude y desperdicio en planes de salud brasileños entre R$30.000 y R$34.000 millones anuales. Esta cifra incluye fraude propiamente dicho, pero también desperdicio operativo — tratamientos innecesarios, duplicaciones, y falta de adherencia a protocolos clínicos.
Los datos de nuestros propios análisis en la región confirman esta tendencia. El 43,4% del gasto farmacéutico muestra anomalías detectables, representando $5,1 millones anuales por cada 50.000 asegurados. La mayoría de estas anomalías no son fraude criminal, sino ineficiencias sistémicas que un proceso de auditoría por muestreo nunca capturará en su totalidad.
El movimiento regulatorio
No es solo CMS. Los reguladores en América Latina están moviéndose hacia supervisión basada en datos. En Brasil, la Agência Nacional de Saúde Suplementar (ANS) ha emitido las Resoluções Normativas 656 a 659, que refuerzan los requisitos de reporte de datos y establecen marcos para supervisión más granular de las operadoras de salud. La dirección regulatoria es clara: los reguladores van a pedir más datos, más transparencia, y mayor capacidad de detección.
Las aseguradoras que ya estén implementando detección automatizada de anomalías estarán mejor posicionadas para cumplir con estos requisitos. Las que sigan dependiendo de procesos manuales enfrentarán una doble presión: por un lado, las pérdidas operativas que no están detectando; por otro, los requisitos regulatorios que no podrán cumplir con sus procesos actuales.
Qué se puede aprender de CMS
Hay lecciones concretas del enfoque de CMS que aplican directamente al contexto latinoamericano.
La detección pre-pago es estructuralmente superior a la auditoría post-pago. Esto no es una opinión. CMS probó ambos modelos durante décadas y está migrando activamente al pre-pago. La razón es simple: es más barato prevenir un pago fraudulento que intentar recuperarlo después.
La cobertura total supera al muestreo. CMS analiza la totalidad de los reclamos, no muestras. Cuando se analiza el 100% de las transacciones, los patrones de fraude coordinado que se ocultan en el volumen se vuelven visibles. Inspector AI opera bajo el mismo principio: cada evento de dispensación se evalúa contra docenas de reglas de detección antes de la autorización.
Los ahorros son medibles desde el primer año. Los $2.000 millones de CMS fueron reportados dentro del primer año de implementación a escala. Esto no significa que cualquier aseguradora verá ahorros comparables — CMS opera a una escala que no tiene equivalente — pero sí confirma que el retorno es medible y que no requiere años de maduración para materializarse.
Lo que no se debe extrapolar
Es importante ser precisos sobre lo que el dato de CMS demuestra y lo que no. Demuestra que la detección de fraude con IA funciona a escala y genera ahorros cuantificables. No demuestra que cualquier implementación generará un retorno específico, ni que los modelos de CMS sean directamente trasladables al contexto regulatorio y operativo de cada país latinoamericano.
Las aseguradoras en la región operan en marcos regulatorios diferentes, con estructuras de datos distintas y con tipos de fraude que tienen características locales. La tecnología es transferible; los modelos específicos deben calibrarse al contexto local.
El momento de actuar
La pregunta para las aseguradoras latinoamericanas ya no es si la detección de fraude con IA funciona. CMS ha respondido esa pregunta con $2.000 millones en evidencia. La pregunta ahora es cuánto tiempo tomará adoptar un enfoque que el mayor pagador de salud del mundo ya validó.
Los reguladores se están moviendo. Las pérdidas están documentadas. La tecnología existe y está probada. Lo que falta, en muchos casos, es la decisión de implementar.
Para evaluar la exposición al fraude y desperdicio en sus datos de reclamos, solicite un análisis gratuito.