¿Cuando cambian los datos, ha cambiado la realidad?

Columna

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo los cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas

Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, pasó de cerca de 2,58 millones a 4,03 millones. En el mismo período, hubo una transformación expresiva en la composición de estos vínculos: los estatutarios, que eran el 63,1% del total en 2020, pasaron al 40,2% en 2025, mientras que los vínculos públicos no efectivos o temporales subieron del 16,8% al 43,8%.

Los datos sobre ausentismo por enfermedad también llaman la atención. La proporción de vínculos con registro de licencia pasó de 4,07% en 2020 a 10,54% en 2022 y, luego, retrocedió hasta prácticamente regresar al punto inicial: 4,08% en 2025.

A primera vista, sería tentador concluir que, después de una fuerte elevación hasta 2022, hubo una mejora expresiva en los años siguientes. Cuando los datos son examinados por tipo de vínculo, sin embargo, surge un resultado difícil de ignorar. Entre los vínculos públicos no efectivos o temporarios, la tasa registrada pasa de 8,47% en 2022 a solo 0,41% en 2025.

¿Qué sucedió? ¿Hubo realmente una reducción de esta magnitud en las bajas o cambió la forma en que este fenómeno pasó a ser registrado? Esta pregunta ilustra un problema central del análisis de datos: no todo cambio observado en una serie histórica representa necesariamente un cambio equivalente en el fenómeno que pretendemos medir. Antes de interpretar un resultado, es preciso comprender cómo se produjeron los datos.

Detrás de los números

Los resultados se obtuvieron a partir de los microdatos de la RAIS, considerando cinco familias ocupacionales relacionadas con la docencia. El análisis abarca todos los estados brasileños y sigue las características de los vínculos formales de trabajo, como ocupación, edad, sexo, tipo de vínculo y registros de alejamiento por enfermedad.

Existe una distinción importante: la unidad analizada no es necesariamente una persona, sino un vínculo laboral. Un mismo profesor puede mantener más de un vínculo y, por lo tanto, aparecer más de una vez en la base. Por esta razón, 4,03 millones de registros en 2025 no significan 4,03 millones de profesores, sino aproximadamente 4,03 millones de vínculos docentes.

Esta diferencia parece meramente técnica, pero es esencial. Las bases administrativas se producen originalmente con fines de registro y gestión. Cuando se utilizan para análisis de datos, es necesario comprender el significado de cada variable y, principalmente, aquello que representa cada registro.

Transformación en la estructura

Entre 2020 y 2025, el número de vínculos docentes considerados en el análisis aumentó aproximadamente un 56%, pasando de 2,58 millones a 4,03 millones. Más importante que el crecimiento absoluto, sin embargo, es observar cómo se modificó la composición de estos vínculos. En 2020, los vínculos públicos estatutarios correspondían al 63,1% de los registros analizados, mientras que los públicos no efectivos o temporales representaban el 16,8%. En 2025, los porcentajes pasaron al 40,2% y 43,8%, respectivamente.

Si estos números se observaran de forma aislada, sería posible interpretar el período como evidencia de una rápida transformación en la estructura del trabajo docente. Pero justamente en ese intervalo ocurrió un cambio importante en la propia producción de la RAIS.

Fuente de datos

A partir del año base 2023, el cumplimiento de la RAIS se mide únicamente mediante la extracción de los eventos informados en el eSocial para todos los grupos de declarantes, incluidos los organismos públicos. La Nota Técnica de la RAIS 2023 registra una importante ruptura en la serie histórica y recomienda que los resultados de ese año no se comparen directamente con años anteriores, debido al proceso de transición de la forma de captación de datos.

Esto no significa que los datos posteriores sean inválidos ni que todo cambio observado provenga del eSocial. Significa que la comparación exige cautela. En lugar de preguntar solo por qué cambiaron los números, es necesario preguntar cuánto de ese cambio pertenece al fenómeno estudiado y cuánto puede estar relacionado con la forma en que comenzó a registrarse.

Datos de baja

En 2020, el 4,07% de los vínculos analizados presentaban registro de ausencia. La tasa sube al 6,83% en 2021 y alcanza el 10,54% en 2022, el valor más alto de la serie. Después de eso, retrocede al 8,25% en 2023, al 5,50% en 2024 y al 4,08% en 2025. Hay dos tentaciones en esta lectura. La primera sería asociar automáticamente el pico de 2022 a los efectos de la pandemia. La segunda sería interpretar la caída posterior como evidencia de mejora en las condiciones de salud de los profesores. Los datos utilizados aquí, aisladamente, no permiten sustentar ninguna de estas conclusiones causales. Lo que se puede afirmar es más restringido: el indicador de ausencia registrado en la base aumentó fuertemente hasta 2022 y cayó en los tres años siguientes.

Entre los vínculos públicos estatutarios, la tasa registrada de absentismo pasó del 4,63% en 2020 al 10,68% en 2022. Posteriormente, retrocedió al 8,19% en 2023, 7,55% en 2024 y 6,59% en 2025. Entre los vínculos públicos no efectivos o temporales, la trayectoria es mucho más acentuada: 2,44% en 2020, 8,47% en 2022, 6,47% en 2023, 1,53% en 2024 y solo 0,41% en 2025.

Una reducción del 8,47% al 0,41% podría producir un titular atractivo. Pero no sabemos, a partir de estas cifras, si los profesores con vínculos no efectivos pasaron a enfermar menos. Lo que sabemos es que la frecuencia con la que el absentismo aparece registrado en estos vínculos cayó drásticamente. La diferencia es fundamental.

Para investigar si la caída de la tasa general podría explicarse simplemente por el cambio en la composición de los vínculos, la variación entre 2022 y 2025 fue descompuesta en dos partes: una asociada a la alteración de la participación de los diferentes tipos de vínculo y otra relacionada con los cambios de las tasas registradas dentro de estos grupos.

La tasa agregada cayó de 10,54% a 4,08%, una reducción de 6,46 puntos porcentuales. De este total, aproximadamente 0,92 punto porcentual está asociado al cambio en la composición de los vínculos, mientras que 5,54 puntos porcentuales se derivan de los cambios en las tasas registradas dentro de los grupos. En términos proporcionales, alrededor del 14% de la reducción está asociada a la composición, y aproximadamente el 86%, a los cambios intragrupo.

Matemáticamente, la descomposición muestra que la caída agregada no ocurrió solo porque aumentó la participación de cierto tipo de vínculo. Pero una técnica estadística puede descomponer correctamente aquello que está registrado en la base y, aun así, no resolver un problema de medición. Si la forma de producir los datos cambió durante el período, la descomposición también reflejará ese cambio.

En 2020, la tasa agregada de abandono era del 4,07%. En 2025, era del 4,08%. Observando solo los dos extremos, prácticamente nada parece haber cambiado. La descomposición cuenta otra historia: la alteración en la composición de los vínculos contribuyó con aproximadamente -1,15 punto porcentual a la tasa, mientras que los cambios en las tasas internas contribuyeron en sentido contrario, con aproximadamente +1,16 punto porcentual. Los dos movimientos prácticamente se anularon.

Así, 4,07% y 4,08% son números casi idénticos producidos por estructuras bastante diferentes. Los indicadores agregados son útiles, pero pueden ocultar transformaciones importantes en la población analizada.

Qué enseña este caso

El caso de la RAIS muestra que un análisis de datos no comienza en el algoritmo. Comienza en la comprensión de la base. Podríamos haber observado la caída entre 2022 y 2025, aplicado técnicas estadísticas y cerrado el análisis con una conclusión aparentemente consistente. Los cálculos estarían correctos. El problema estaría en la interpretación.

Este problema no es exclusivo de la RAIS. Una nueva regla de llenado, la migración de un sistema, un cambio de clasificación, la inclusión de nuevos usuarios o un cambio en la obligatoriedad de determinado campo puede crear una ruptura que, en un gráfico, se parece perfectamente a un cambio de comportamiento.

Por eso, algunas preguntas deberían preceder cualquier modelo más sofisticado: ¿la población observada permaneció comparable? ¿Las definiciones de las variables continuaron siendo las mismas? ¿La cobertura cambió? ¿Hubo alteración en el sistema que produce los registros?

Más datos tampoco significan necesariamente más información. Con millones de vínculos, diferencias pequeñas pueden ser calculadas con enorme precisión. Pero precisión numérica y validez de la interpretación son cosas diferentes. Si una variable pasa a ser registrada de manera diferente, millones de registros pueden reproducir esa diferencia con enorme consistencia. Antes de preguntar “¿qué modelo debo utilizar?”, muchas veces la pregunta más importante es “¿qué mide exactamente este dato?”.

El valor de un resultado inesperado

El resultado de 0,41% podría haber sido tratado como un descubrimiento. En cambio, funcionó como una advertencia. Los resultados muy diferentes de lo esperado no necesitan ser descartados, pero tampoco deberían transformarse inmediatamente en conclusiones. Pueden indicar un fenómeno relevante, un error de procesamiento, un cambio de población, una alteración metodológica o una característica de la fuente que aún no comprendemos.

En este caso, el análisis comenzó como una exploración de millones de vínculos docentes y terminó revelando algo más amplio sobre el propio trabajo con datos: a veces, el principal descubrimiento no está en el número encontrado, sino en la razón por la cual debe ser examinado con cautela.

La RAIS permite vislumbrar transformaciones importantes en el mercado formal de trabajo brasileño y ofrece una riqueza de información difícil de reproducir por otras fuentes. El análisis identificó un crecimiento expresivo de los vínculos docentes, cambios relevantes en su composición y grandes oscilaciones en los registros de ausencias por enfermedad entre 2020 y 2025.

Estos resultados siguen siendo informativos. Lo que cambia es la forma de interpretarlos. La transición a eSocial demuestra por qué las series históricas no deben tratarse solo como secuencias de números. Cada punto de una serie es el resultado de reglas, sistemas, definiciones y procesos administrativos que también tienen una historia.

Para quienes trabajan con Data Science, una de las principales conclusiones de este ejercicio es que, antes de explicar por qué un indicador ha cambiado, se debe verificar si el mismo fenómeno sigue siendo medido de la misma manera.

Un algoritmo puede encontrar patrones en millones de registros. Saber si estos patrones representan el fenómeno que queremos comprender sigue siendo una tarea humana.

Para tener acceso a las referencias de este texto haga clic aquí

Quién publicó esta columna

José Erasmo Silva

José Erasmo Silva é professor, formado em Matemática e Administração, com mais de 25 anos de experiência em gestão empresarial e de pessoas. É mestre e doutor em Administração, com foco em Finanças, e especialista em Data Science e Analytics e em Finanças e Controladoria. Realizou pós-doutorado na Universidade Federal da Bahia (UFBA). Atualmente, atua como professor orientador no MBA em Data Science, Inteligência Artificial e Analytics da USP/Esalq e leciona na EEP/FUMEP e na rede estadual de ensino de São Paulo.

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.