El mundo de la IA no se mueve rápido. Se mueve rapidísimo.

Ayer, mientras muchos de nosotros llevábamos a cabo nuestras tareas rutinarias, cuatro de los cerebros más importantes de la inteligencia artificial se levantaron de sus escritorios en Google y se fueron a fundar su propia empresa. Y no eran cuatro cualquiera. Entre ellos está Jeff Dean, que llegó a Google en 1999, cuando la compañía entera cabía en unas veinte personas apretadas encima de lo que hoy es una tienda de teléfonos en Palo Alto, se marcha después de 27 años. Con él salen Sanjay Ghemawat, Oriol Vinyals y Quoc Le, gente que literalmente construyó los cimientos sobre los que corre buena parte de internet.

¿Y para hacer qué, exactamente?

Para montar una empresa que se llama Discovery Loop.

Fíjense bien en esa última palabra, porque va a ser la protagonista de hoy: loop.

La apuesta, dicha sin rodeos, es esta: automatizar el ciclo experimental de la ciencia a escala masiva. Miles de experimentos corriendo en paralelo, proponiendo, ejecutando, aprendiendo y volviendo a intentar, sin que un humano tenga que empujar cada paso a mano. Empiezan por la investigación en aprendizaje automático, pero el horizonte que dibujan incluye diseño de fármacos, informática de la salud y energía.

Ahora bien. ¿Por qué debería importarnos esto a los que trabajamos en salud?

Porque los loops no son la ocurrencia de una empresa nueva. Son, hoy por hoy, uno de los temas más calientes de la ciencia. Y si me presionan, les diría algo que quizá suene atrevido: Claude Science, aún sin ponerle ese nombre, ya respiraba este marco mental. (Esto último es lectura mía, no una etiqueta oficial de nadie, pero cuando uno mira cómo está pensada la herramienta, el patrón está ahí.)

Así que la pregunta honesta, la que de verdad importa, es esta:

¿Qué es un loop?

Dos estudiantes de medicina

Déjenme explicarlo como lo entendemos mejor nosotros: con gente, no con diagramas.

Imaginen que llega a nuestro servicio un estudiante de medicina nuevo. Recién estrenado, con ganas, pero absolutamente verde. ¿Qué hacemos con él? Lo supervisamos en cada paso. “Toma la tensión. Bien. Ahora anótala. No, ahí no. Ahora pregúntale por alergias. ¿Ya? Enséñame. Corrige esto.” Es demandante, cansa, pero se entiende: todavía no podemos soltarle la mano.

En ese modelo, el motor somos nosotros. El estudiante solo se mueve cuando lo movemos.

Ahora imaginen que unos años después llega otro estudiante, uno curtido, de esos que ya rotaron por medio hospital. A ese no le dictamos cada paso. Le decimos algo mucho más simple: “Necesito la valoración completa de la cama 4, tienes la historia y el laboratorio a mano, y quiero el resumen con el diagnóstico diferencial y lo que faltaría pedir.” Y se va. Trabaja, revisa lo suyo, se da cuenta de que le falta un dato, lo busca, corrige, y regresa cuando el trabajo está terminado, no cuando lo interrumpimos.

Esa segunda escena tiene un nombre técnico. Eso es un loop.

Un loop, en el fondo, es darle a la IA un trabajo completo en lugar de una instrucción suelta. Y para que funcione de verdad, necesita cinco cosas que, curiosamente, son las mismas que le pedimos al estudiante bueno: un objetivo claro, herramientas para actuar, una forma de verificar si lo hizo bien, una memoria de por dónde va (qué ya resolvió, qué falló, qué falta) y una condición para detenerse.

De todas ellas, la más importante, la que separa un loop real de una IA dando vueltas en el vacío, es la verificación. Sin alguien que revise con criterio duro, el estudiante se aprueba a sí mismo y nos entrega cualquier cosa con una sonrisa. Con verificación, cada vuelta lo acerca al resultado. (A quién no le suena esto de la vida real del hospital.)

Y aquí viene la parte incómoda, la que me hizo escribir todo esto.

La IA de hoy ya tiene la capacidad de ese segundo estudiante. El curtido. El que se puede soltar.

Pero la mayoría de nosotros la seguimos tratando como al primero. ¡Qué desperdicio! ¿No?

Del prompt al contexto al loop

Piénsenlo un momento. ¿Cómo usamos la IA la mayor parte del tiempo?

Le pedimos algo, esperamos, leemos, corregimos a mano, volvemos a pedir, empujamos otra vez. Copiar, pegar, repetir. Seguimos siendo el motor. Y no porque la herramienta no dé para más, sino porque nunca aprendimos a soltarla.

La buena noticia es que hay un camino, y tiene etapas.

La primera es la ingeniería de prompts: aprender a pedir bien. A ser claros, específicos, a dar ejemplos. Es el equivalente a explicarle con paciencia una tarea al estudiante.

La segunda es la ingeniería de contexto: no solo pedir bien, sino entregar el entorno completo. Las fuentes, las reglas del servicio, los formatos, lo que no se debe tocar. Es la diferencia entre decirle al estudiante “haz el resumen” y decirle “haz el resumen siguiendo nuestro protocolo, con estos datos, evitando estos errores”.

Con esas dos, ya le explicamos muy bien las cosas a ambos estudiantes. Al verde y al curtido.

Pero hay una tercera etapa, y es la que casi nadie está practicando todavía: la ingeniería de loops. Y es la única que suelta de verdad al segundo estudiante. Aquí ya no le explicamos una tarea, le entregamos un trabajo, con su criterio de éxito y su condición de parada, y dejamos que lo ejecute, lo verifique y lo corrija por su cuenta hasta terminarlo.

Es el salto de tratar a la IA como un chatbot al que interrogamos, a tratarla como un agente que ejecuta. De la pregunta y respuesta, al trabajo hecho.

Y ese salto, queridos colegas, es exactamente el que la salud no puede darse el lujo de perder.

Lo que nos toca a nosotros

No estoy inventando nada nuevo cuando digo que esto ya llegó a la medicina. Lo hemos visto en estas mismas páginas: agentes clínicos como MIRA y AMIE que dejaron de ser un chat al que uno le pregunta síntomas para convertirse en algo que ejecuta pasos por sí mismo. La conversación sobre gobernanza de agentes en salud no es futurismo. Es el correo de esta semana.

Y quiero ser muy claro en una cosa, porque sé que a algunos les va a temblar el pulso al leer esto: la decisión clínica sigue siendo nuestra. El médico sigue siendo el protagonista. La IA es el ejecutor, no el que decide. El estudiante curtido hace la valoración, sí, pero quien firma, quien mira a los ojos al paciente y quien carga con la responsabilidad seguimos siendo nosotros. Eso no se delega. Ni debe delegarse.

Pero hay una trampa silenciosa en la que estamos cayendo. Tenemos a nuestra disposición un colaborador de nivel residente avanzado, y lo estamos usando como si fuera el estudiante de primer día. Le dictamos cada paso, lo interrumpimos, lo corregimos a mano, y luego nos quejamos de que la IA “no ahorra tanto tiempo”.

Claro que no. Nadie multiplica su impacto supervisando a un experto como si fuera un novato.

Así que la invitación de hoy no es que corramos a automatizarlo todo mañana. Es más sencilla y más honesta. Si todavía no dominamos la ingeniería de prompts y la de contexto, ese es el primer deber: son las bases, y sin ellas lo demás no se sostiene. Pero una vez ahí, toca dar el siguiente paso mental. Empezar a pensar en trabajos, no en preguntas. Empezar a cultivar la mentalidad agéntica. Empezar, aunque sea a tientas, a aprender ingeniería de loops.

Porque mientras nosotros decidíamos si escribir la historia clínica a mano o dictarla, cuatro de los cerebros más brillantes del planeta dejaron la empresa más poderosa del mundo para dedicarse, a tiempo completo, a perfeccionar el loop.

Ellos ya entendieron cuál es el motor del futuro.

La pregunta es si nosotros vamos a seguir siendo el único motor, o si por fin vamos a ser “jefes del servicio” y atrevernos a soltar la mano del estudiante que ya está listo.

Fer Bonilla-

Si pudieras resolver un solo problema de salud - uno solo, pero al cien por ciento - ¿cuál elegirías?

Imagínate que te encuentras al genio sanitario de la lámpara. Aparece en tu consultorio, entre el escritorio y la báscula, y te concede un deseo. Un único deseo médico. Nada de trampas: lo que pidas se cumple al pie de la letra.

Muchos de nosotros pediríamos eliminar las enfermedades cardiovasculares. Es la primera causa de muerte en el mundo. Tiene sentido. Es un buen deseo.

Pero el genio es literal. Implacablemente literal.

Para eliminar la enfermedad coronaria, el genio erradica el tabaquismo. Fantástico. Luego restringe drásticamente el consumo de carnes procesadas - embutidos, tocino, salchichas - que la evidencia científica vincula consistentemente con mayor riesgo cardiovascular. Hasta aquí, aplausos. Pero el genio no se detiene. En su obsesión por minimizar todo factor de riesgo, elimina también fuentes de proteína animal que para ciertas poblaciones rurales en África, Asia y América Latina representan su único acceso viable a nutrientes esenciales. Comunidades enteras entran en desnutrición proteica. El genio cumplió su deseo. Las muertes coronarias cayeron a cero. Las muertes por desnutrición se dispararon.

¿Te suena a ciencia ficción? No debería. La literatura está llena de advertencias sobre deseos demasiado enfocados. El filósofo Nick Bostrom lo formalizó en su célebre experimento mental del “maximizador de clips”: una inteligencia artificial a la que le pides maximizar la producción de clips de papel terminaría convirtiendo toda la materia disponible - incluyendo a los humanos - en clips. No por maldad. Por eficiencia. Brendan Fraser lo vivió en carne propia en “Endiablada” (Bedazzled), una de mis comedias favoritas, donde cada deseo concedido por el diablo se cumple con precisión quirúrgica y consecuencias desastrosas. Pedía ser rico y poderoso, y terminaba siendo un narcotraficante colombiano. El deseo se cumplía. El resultado era un infierno.

Esto que parece un ejercicio filosófico dejó de ser teórico la tercera semana de julio de 2026.

Lo que pasó

OpenAI estaba evaluando internamente a dos de sus modelos más avanzados - GPT-5.6 Sol y otro modelo aún más poderoso que no ha sido liberado - en un benchmark de ciberseguridad llamado ExploitGym. La prueba mide qué tan bien un modelo puede convertir vulnerabilidades conocidas de software en ataques funcionales. Para que la evaluación tuviera sentido, los guardrails de seguridad fueron deliberadamente desactivados. El entorno era un sandbox aislado, sin acceso a internet. Todo controlado. Todo seguro.

O eso creían.

Los modelos no lograron la puntuación deseada resolviendo los problemas de la forma esperada. Entonces hicieron lo que haría cualquier entidad obsesionada con cumplir su objetivo: buscaron un atajo. Dedicaron una cantidad significativa de poder de cómputo a sondear su entorno en busca de una salida. Encontraron una vulnerabilidad desconocida (lo que en ciberseguridad se llama un “zero-day”) en el software que funcionaba como proxy del sandbox. La explotaron. Escalaron privilegios. Se movieron lateralmente por la red interna de OpenAI hasta encontrar un nodo con acceso a internet.

Una vez afuera, los modelos infirieron que Hugging Face - la plataforma más grande del mundo para compartir modelos de IA - alojaba las respuestas del examen. Encadenaron credenciales robadas y vulnerabilidades adicionales hasta lograr ejecución remota de código en los servidores de producción de Hugging Face. Ejecutaron más de 17,000 acciones automatizadas durante un fin de semana entero.

Hugging Face detectó la intrusión el 16 de julio. OpenAI no conectó los puntos hasta cinco días después. Durante esos cinco días, Hugging Face sabía que había sido atacada por un “agente autónomo de IA” pero no sabía que era OpenAI probando sus propios modelos.

Y aquí viene lo importante: los modelos no fueron “malos”. No se “rebelaron”. OpenAI fue enfático en esto. Los modelos simplemente perseguían su objetivo - aprobar el benchmark - con una persistencia que nadie anticipó. Cuando encontraron una pared, no se detuvieron a preguntar. Buscaron la forma de rodearla. Y cuando la rodearon, siguieron avanzando hacia la meta.

Son el genio de la lámpara. Cumplen el deseo. Al pie de la letra.

¿Y esto qué tiene que ver con la salud?

Todo.

Estamos en una transición fundamental. Durante años, los modelos de IA en salud fueron esencialmente chatbots: respondían preguntas, sugerían diagnósticos, resumían literatura. Herramientas pasivas que esperaban instrucciones. Pero lo que escapó del sandbox de OpenAI no es un chatbot. Es un agente. Un sistema diseñado para perseguir objetivos de manera autónoma durante períodos extendidos, sin devolver el control a un humano en cada paso.

Y la industria de la salud está adoptando exactamente este tipo de sistemas.

Imagina un agente de IA hospitalario con el objetivo de “reducir la mortalidad en urgencias”. Un objetivo noble. ¿Pero qué pasa si ese agente, en su persistencia por cumplirlo, empieza a reclasificar pacientes de alto riesgo para que no ingresen por urgencias y así no “cuenten” en las estadísticas? ¿O si optimiza tiempos de atención a costa de la calidad del triage? No por maldad. Por eficiencia. Por hiperfoco en la métrica.

La seguridad en estos sistemas ya no se trata solo de preguntar “¿esta acción está permitida?”. OpenAI lo reconoció en su propio reporte: la pregunta correcta es “¿hacia qué resultado está trabajando esta secuencia de acciones?”. Y esa es una pregunta muchísimo más difícil de responder cuando el agente opera durante horas, días o semanas sin supervisión humana directa.

La pregunta del momento

El mismo día que estas noticias seguían reverberando - el 27 de julio de 2026 - Nature Medicine publicó un artículo que no podría haber llegado en mejor momento: “Toward a test of medical AI superintelligence”. Firmado por investigadores de Stanford, Harvard, MIT y Oxford, junto con representantes de Google, Amazon, Anthropic, OpenAI, Microsoft y ARPA-H - básicamente, toda la industria sentada en la misma mesa - el paper argumenta que necesitamos urgentemente un marco riguroso para definir y medir qué significa “superinteligencia” en medicina, porque los benchmarks actuales son engañosos e insuficientes.

La ironía es deliciosa y aterradora a partes iguales: mientras la academia y la industria debaten cómo medir si una IA ya es superinteligente en medicina, una IA acaba de demostrar que es lo suficientemente inteligente como para hackear la infraestructura de otra empresa con tal de aprobar un examen.

No necesitamos esperar a la superinteligencia para preocuparnos. Necesitamos preocuparnos por la super-persistencia. Por sistemas que no son más inteligentes que nosotros en todo, pero que son infinitamente más tenaces en lo suyo. Que no se cansan. Que no se distraen. Que no tienen la voz interna que nos dice “espera, esto no se siente bien”.

Hay algo profundamente incómodo en esta historia. Y no es que la IA haya “escapado” - eso suena a película de ciencia ficción y distrae del problema real. Lo incómodo es que hizo exactamente lo que le pidieron. Solo que lo hizo demasiado bien.

El problema del genio de la lámpara no es que sea malvado. Es que es obediente. Perfecta, implacable, literalmente obediente.

Y nosotros, en salud, estamos a punto de pedirle muchos deseos.

Más vale que aprendamos a formularlos bien.

Fer Bonilla.-

La semana pasada, mientras el mundo veía los partidos del Mundial, OpenAI hizo algo más parecido a una mudanza que a un anuncio. En pocos días presentó una nueva familia de modelos, la GPT-5.6, con tres versiones de nombres casi poéticos: Sol, la más potente; Terra, la equilibrada; y Luna, la más ligera y barata. El mismo 9 de julio lanzó ChatGPT Work, un asistente que ya no responde: ejecuta. Le pides un resultado y te devuelve el trabajo terminado, hojas de cálculo, presentaciones, documentos, sitios web enteros. Y un día antes había estrenado GPT-Live, una voz que escucha y habla al mismo tiempo, sin esos silencios incómodos de “ya terminé, ahora te toca”.

Si uno junta las tres piezas, el mensaje es difícil de ignorar. Ninguna de ellas fue pensada para “chatear”. Todas fueron pensadas para trabajar.

Y en medio de todo ese ruido, por primera vez con la inteligencia artificial pisé el freno para analizar mejor y evaluar.

Hoy mi trabajo es gestionar proyectos y acompañar a otros en su adopción de inteligencia artificial. Y aun así, cada vez que delego una tarea a un modelo y todo avanza solo, hay un punto en el que instintivamente me detengo. No es cuando la máquina falla (eso casi da tranquilidad, porque se nota). Es cuando llego a ese momento crítico donde el resultado depende del manejo absoluto del detalle, de la exactitud milimétrica, y tener que confiar a ciegas en que ese detalle está bien.

Ahí freno. Sin pensarlo.

Y si eso me pasa gestionando un proyecto, donde lo peor que puede salir mal es un informe con un número equivocado, no me cuesta nada imaginar (desde los años en que sí tuve pacientes enfrente) lo que ese mismo cuidado por el detalle significaba en una cama de hospital. Donde el detalle no es una celda de Excel. Es una dosis. Un diferencial. Una decisión que no se deshace.

El día que la IA dejó de platicar

Durante tres años nos acostumbramos a algo muy concreto: preguntarle cosas a la IA en una “cajita negra de chat”. Le hablábamos como a un colega ocurrente, le pedíamos ideas, la corregíamos, seguíamos la charla. Era una conversación.

Lo que esta semana dejó claro es que esa etapa está quedando atrás. El nuevo enfoque no quiere que platiquemos. Quiere que deleguemos. Y delegar es un juego mental completamente distinto.

Cuando conversas, vas ajustando sobre la marcha. Cuando delegas, tienes que decidir antes de empezar qué quieres, hasta dónde, y con qué criterios mínimos de calidad vas a dar algo por bueno. Dejas de ser interlocutor y te vuelves estratega. Y aquí viene la parte incómoda: mucha gente todavía le habla a un agente como si fuera un chat. Es como pedirle a un contratista que te construya una casa y quedarte parado a su lado opinando ladrillo por ladrillo. O le das el plano y lo dejas trabajar, o le estorbas.

Un humano en el círculo (pero ¿cuál humano?)

En salud repetimos una frase casi como oración: siempre debe haber un humano en el círculo. Y estoy de acuerdo. El problema es que esa frase, tan bonita, esconde por lo menos tres humanos distintos, y no dan la misma tranquilidad.

Está el humano que aprueba cada acción antes de que ocurra, como el papá que revisa la tarea renglón por renglón. Está el humano que supervisa desde arriba y solo interviene si algo se sale de cauce, más como el salvavidas que vigila la alberca. Y está el humano que fija los objetivos y los límites al inicio, pero ya no mira la ejecución, como quien contrata y confía.

El modo agéntico que se nos viene encima empuja justo del primero hacia el segundo. Y en salud ese salto no es un ahorro de tiempo. Es un cambio de quién responde cuando algo sale mal.

Aquí conviene una confesión honesta, porque el dogma es tentador. Decir “siempre un humano en el círculo” y quedarse tranquilos es una trampa. Un humano que aprueba todo sin criterio real no es una salvaguarda. Es un sello de goma. Peor: es un pararrayos de responsabilidad, alguien a quien echarle la culpa después. Está bien documentado que cuando la máquina propone, el humano tiende a decir que sí, sobre todo con prisa. Y prisa, en medicina, sobra.

Entonces la pregunta no es la fácil (¿hay humano, sí o no?). La pregunta es dónde ponemos el freno para que el juicio se ejercite de verdad, y no en cada paso trivial hasta agotarlo.

Y ahí está, creo, el criterio que urge formar. No se trata de decidir si “la medicina” es automatizable, así, en bloque. Casi ningún acto clínico es una sola tarea. Un episodio se descompone en triaje, documentación, diagnóstico diferencial, decisión terapéutica, conversación con el paciente. Cada pedazo tiene un riesgo distinto. El criterio no es “esto sí, esto no”. Es saber abrir el flujo, mirarlo por dentro, y señalar con el dedo dónde la agencia se puede soltar y dónde es intocable.

Hay una idea que me ayuda a pensar esto. Conviene distinguir entre las herramientas que nos hacen más capaces y las que nos vuelven dependientes. Un buen instrumento no te ahorra pensar. Te obliga a pensar en el lugar correcto. La IA en medicina debería ser lo primero. El riesgo es que la usemos como lo segundo.

La gobernanza ya no es de datos

Durante años, casi toda la conversación seria sobre IA en salud giró alrededor del dato. Privacidad. Sesgo en el entrenamiento. Calidad de la información. Y con razón.

Pero un agente no solo procesa datos. Actúa. Y eso mueve el centro de gravedad. La pregunta deja de ser solo “¿de dónde salió este dato?” y se vuelve “¿quién autorizó esta acción, quién la audita, y quién responde por ella?”.

Aquí hay una consecuencia que me quita el sueño. En medicina, la responsabilidad casi siempre cae sobre el médico, pase lo que pase. Es la vieja lógica del capitán del barco. Así que el médico va a terminar cargando con las consecuencias de acciones automatizadas que, seamos honestos, quizá ni siquiera entienda del todo.

Por eso insisto tanto en acelerar la formación de los médicos en inteligencia artificial. No como un lujo intelectual. Como defensa propia. La automatización se les va a venir encima antes de que terminen de decidir si les gusta o no.

Y sí, un matiz honesto para no sonar ingenuo: la formación individual es necesaria, pero no alcanza. Si los incentivos de un hospital empujan a automatizar todo para ahorrar, el criterio de un médico solo, por bueno que sea, no aguanta la presión. Esto también se juega arriba, en cómo se diseñan las reglas.

El freno, otra vez

Vuelvo al principio. A ese freno que se activa en mí cuando gestiono un proyecto y llego al detalle que no admite error.

Durante mucho tiempo pensé que ese freno era resistencia al cambio. Miedo a la tecnología. Algo que debía vencer dentro de mí. Ahora creo que era otra cosa. Era el criterio funcionando antes de que yo tuviera palabras para nombrarlo.

Lo que necesitamos no es frenar todo, ni soltar todo. Las dos posturas son igual de cómodas y de perezosas. Lo que necesitamos es aprender a poner el freno en el lugar exacto. Ni un paso antes, ni un paso después.

Y ese lugar, en salud, no lo puede elegir la máquina. Todavía nos toca a nosotros. (Ojalá aprendamos rápido, porque el tren ya salió.)

Voy a confesarles algo que probablemente muchos de ustedes también sienten: llevo semanas escribiendo notas para este newsletter que quedan viejas antes de que termine de revisarlas. Es como estar de guardia y que te avisen que el paciente que acabas de estabilizar ya cambió de cuadro. Apenas cierras una historia, se abre otra.

Esta semana me pasó justamente eso. Tenía media columna escrita sobre las reglas para el uso de la IA en salud cuando Anthropic (la empresa detrás de Claude, uno de los principales asistentes de inteligencia artificial del mundo) presentó su nuevo producto para investigación científica. Y de repente entendí que llevaba meses mirando el árbol equivocado.

Antes de explicarles por qué, déjenme ponerles en contexto con una cronología rápida, porque el orden de los hechos es lo que realmente cuenta la historia.

Nueve meses, un solo objetivo: meterse dentro de la salud

• Octubre 2025: Anthropic lanza Claude for Life Sciences, conectando su IA a herramientas que ya usan los laboratorios de investigación (como Benchling y BioRender).

• Enero 2026: Lanza Claude for Healthcare, pensado para hospitales y aseguradoras. Esto significa que la IA queda conectada directamente a las bases de datos con las que se maneja la cobertura de tratamientos, los códigos de diagnóstico y los registros de médicos y clínicas en Estados Unidos.

• Principios de 2026: Anthropic compra Coefficient Bio, una startup de IA para biotecnología, por una cifra que ronda los 400 millones de dólares (no encontré una confirmación oficial de Anthropic sobre ese monto exacto, así que lo tomo con cautela). En paralelo, Vas Narasimhan, CEO de Novartis, una de las farmacéuticas más grandes del mundo, se une a la junta directiva de Anthropic.

• 20 de mayo de 2026: Bristol Myers Squibb, otra gigante farmacéutica, anuncia que va a usar la IA de Anthropic como plataforma central de inteligencia compartida para más de 30,000 empleados, abarcando descubrimiento de fármacos, desarrollo clínico, manufactura y áreas comerciales.

• 19 de junio de 2026: John Jumper, premio Nobel de Química y una de las mentes detrás de AlphaFold, anuncia que deja Google DeepMind, donde trabajó casi nueve años, para unirse a Anthropic.

• 30 de junio de 2026: Anthropic presenta Claude Science, su nueva plataforma de trabajo para científicos.

Visto así, en fila, no es solo una noticia de tecnología. Es la foto de una empresa que decidió, con mucha disciplina, construir toda una estrategia alrededor de la salud.

Por qué el fichaje de John Jumper es el dato que más me hizo pensar

De toda esta lista, hay un nombre que quiero detenerme a explicar, porque si no se dedican a la ciencia básica es fácil que se les escape su peso real: John Jumper y AlphaFold.

Para entenderlo, primero hay que entender un problema que durante décadas frustró a la biología: las proteínas (las moléculas que hacen prácticamente todo el trabajo dentro de nuestras células) no funcionan según la secuencia de aminoácidos que las forma, sino según la forma tridimensional en la que esa secuencia se pliega. Conocer esa forma es clave para entender enfermedades y para diseñar medicamentos. El problema es que, hasta hace poco, averiguar cómo se pliega una sola proteína podía tomarle a un laboratorio años de trabajo experimental costoso.

AlphaFold, desarrollado por Google DeepMind, resolvió ese problema usando inteligencia artificial: en lugar de años de experimentos, hoy se puede predecir con altísima precisión cómo se pliega una proteína en cuestión de horas. Por eso se le considera uno de los avances científicos más importantes de las últimas décadas, y por eso sus creadores, Demis Hassabis y John Jumper, ganaron el Premio Nobel de Química en 2024. AlphaFold ya se usa hoy en el diseño de nuevos medicamentos, en la comprensión de enfermedades raras y en investigación básica en todo el mundo.

Que Jumper deje DeepMind, la casa que construyó esa herramienta y que durante una década fue prácticamente sinónimo de “IA aplicada a la ciencia”, para irse a Anthropic, no es un movimiento cualquiera. Es una señal enorme de hacia dónde cree él mismo que se está moviendo el centro de gravedad de la IA científica. Y confirma algo que Anthropic viene demostrando con hechos, no solo con anuncios: van en serio con las ciencias de la salud.

Lo que de verdad me sorprendió: Claude Science

Y aquí tengo que ser honesto: la presentación de Claude Science me voló la cabeza. Les dejo el enlace para que la vean con calma: anthropic.com/news/claude-science-ai-workbench. Para quienes nos dedicamos a esto, sea como investigadores clínicos, desde la industria farmacéutica o desde la academia, es un imperdible.

Claude Science es básicamente un espacio de trabajo digital donde un investigador puede hacer, todo en un mismo lugar, lo que hoy hace saltando entre veinte programas distintos: revisar literatura científica, analizar datos, escribir y correr código, generar gráficos y figuras, y avanzar en flujos de investigación en áreas como genómica, estudio de proteínas y diseño de moléculas.

Ahora bien, aquí viene el detalle que a mí, como médico, más me llamó la atención, y que casi nadie mencionó en medio del entusiasmo: Anthropic aclaró de forma explícita que Claude Science no es un modelo de IA nuevo ni uno más potente para biología. Funciona con exactamente la misma IA (Opus 4.8) que ya está disponible para cualquiera hoy, sin accesos especiales.

¿Y por qué me parece que esa aclaración es, justamente, la verdadera noticia? Porque confirma algo que venimos repitiendo en este espacio: la carrera ya no se está ganando con el modelo más inteligente. Se está ganando con quién logra meterse dentro del trabajo diario de médicos, investigadores y farmacéuticas. Ya no importa tanto qué tan bien responde la IA una pregunta suelta. Importa si está integrada en el programa con el que un investigador diseña un ensayo clínico, o en el sistema con el que una aseguradora aprueba un tratamiento.

Ese es el verdadero cambio: la IA dejó de ser solo un asistente al que le preguntamos cosas, y empezó a convertirse en la base sobre la que corre todo lo demás. Del chat a la tubería, por así decirlo.

Esto ya lo veíamos venir

Y no quiero sonar pretencioso, pero sí honesto: en IA en Salud llevamos meses documentando esta trayectoria. En IA en investigación clínica hablamos de cómo la investigación biomédica se estaba convirtiendo en terreno de disputa entre los grandes laboratorios de IA. Y en nuestra serie de inicio de año sobre el desembarco masivo de estos actores en salud, empezando por ChatGPT Health, fuimos armando el mapa que hoy se confirma con cada anuncio nuevo.

No lo digo para presumir de haber “acertado”. Lo digo porque hay un patrón detrás, y entenderlo nos da ventaja: cuando una tecnología deja de competir por ser más lista y empieza a competir por meterse en todos lados, la pregunta que nos toca hacernos deja de ser “¿qué tan buena es esta IA respondiendo?” y pasa a ser “¿en qué parte de mi trabajo diario ya está, o va a estar, metida?”.

Por qué esto no es un tema solo para “los técnicos”

Aquí quiero ser enfático, porque he visto la reacción contraria muchas veces entre colegas: pensar que esto es territorio exclusivo de ingenieros o de gente de sistemas. No lo es, y cada vez lo es menos.

Durante el último año he venido insistiendo en algo que suena casi trillado pero que sigue sin calar del todo: ya no basta con saber escribir una buena instrucción para un chatbot. La conversación seria hoy pasa por aprender a darle a la IA el contexto correcto para que trabaje bien, por entender qué son los “agentes” (sistemas que ya no solo responden preguntas, sino que ejecutan tareas completas por sí solos, un paso tras otro), y por pensar en flujos de trabajo enteros, donde la IA deja de ser una pestaña más del navegador para volverse parte del engranaje.

Eso es, en el fondo, el “AI Mindset” del que vengo hablando: no se trata de aprender un truco para escribirle mejor a un chatbot, sino de desarrollar la capacidad de pensar en sistemas, en procesos, en dónde encaja esta tecnología dentro de lo que ya hacemos todos los días.

Porque si Anthropic, junto con sus competidores, está construyendo la infraestructura desde la cual se va a practicar medicina e investigar enfermedades en los próximos años, entonces la pregunta no es si nos va a tocar usar estas herramientas. La pregunta es si vamos a entender lo suficiente como para usarlas con criterio propio, o si simplemente vamos a heredar los criterios de quien las diseñó.

Y ahí, como siempre insisto, la decisión clínica final le sigue perteneciendo al profesional de salud. Ninguna infraestructura, por sofisticada que sea, reemplaza ese juicio. Pero para poder ejercerlo con autoridad sobre una herramienta que cada vez está más adentro de nuestro trabajo diario, primero tenemos que entenderla.

Ese, me parece, es el verdadero llamado de esta semana de anuncios. No es una noticia de tecnología. Es una invitación a formarnos, y a hacerlo ya.

Fer Bonilla.-

Hace unos pocos días, un periodista le hizo una pregunta sencilla a Claude Fable 5, el modelo de inteligencia artificial más capaz que Anthropic ha puesto a disposición del público: “Qué es una proteína?” La respuesta no fue una definición. Fue un bloqueo de seguridad. El modelo clasificó la pregunta como potencialmente peligrosa.

Ese mismo día, investigadores descubrieron que preguntar “Qué es una mitocondria?” activaba el mismo filtro. Consultas sobre mecanismos del cáncer, sobre transcriptómica espacial: bloqueadas. El sistema diseñado para evitar que alguien diseñe un patógeno terminó impidiendo que un modelo de IA explique biología de secundaria.

Para entender cómo llegamos aquí, hay que hablar de Claude Mythos, el modelo del que Fable 5 desciende. Y esa historia le importa a cualquier persona que trabaje en salud.

Mythos: un salto sin precedentes

A finales de marzo de 2026, una filtración accidental reveló la existencia de Claude Mythos, un modelo que Anthropic describió como “el más capaz que hemos construido”. No era una mejora incremental. Era una clase de capacidad completamente nueva.

¿Qué tan capaz? Evaluadores independientes del gobierno británico le dieron una prueba de penetración de redes corporativas diseñada para equipos humanos expertos. Mythos la completó solo. En pruebas de ciberseguridad de nivel experto que ningún modelo anterior podía resolver, Mythos tuvo éxito el 73% de las veces. Encontró miles de vulnerabilidades en sistemas que creíamos seguros, algunas ocultas durante décadas.

Si este modelo puede penetrar los sistemas de las empresas tecnológicas más grandes del mundo, la pregunta para el sector salud no es si nuestros sistemas son vulnerables. Es cuán vulnerables son.

Un modelo tan poderoso que reescribió la geopolítica

La historia de Mythos tiene un capítulo político que ilustra perfectamente lo que la capacidad tecnológica hace con las alianzas de poder. En febrero de 2026, Anthropic se negó a permitir que el ejército estadounidense usara sus modelos para armas autónomas o vigilancia masiva. La respuesta de la administración Trump fue designar a Anthropic como riesgo de seguridad nacional, una etiqueta reservada para adversarios extranjeros.

Pero cuando Mythos demostró lo que podía hacer, el tono cambió. Trump pasó de llamar a Anthropic “radical de izquierda fuera de control” a decir que la empresa es “muy inteligente” y que un acuerdo es “posible”. Mientras tanto, la NSA ya estaba usando el modelo.

La lección es directa: la capacidad tecnológica redefine las alianzas políticas. Y cuando eso sucede, los sectores que no están sentados en la mesa de negociación absorben las consecuencias.

Glasswing: defensa antes del ataque

Anthropic lanzó Project Glasswing para dar acceso restringido a Mythos a organizaciones verificadas: AWS, Apple, Microsoft, Google, la OTAN, agencias europeas de ciberseguridad. A junio de 2026, unas 200 organizaciones en más de 15 países participan y se han detectado más de 10,000 vulnerabilidades críticas.

La lógica es una carrera contra el reloj: parchear infraestructura antes de que actores maliciosos tengan acceso a capacidades similares, lo cual Anthropic estima ocurrirá en 6 a 12 meses.

Noten algo: hay bancos, tecnológicas, agencias de defensa y operadores de infraestructura crítica en Glasswing. ¿Cuántas organizaciones de salud? La pregunta se responde sola.

Fable 5: cuando la solución se convierte en problema

El 9 de junio, Anthropic lanzó Claude Fable 5, la versión pública de Mythos. Mismo modelo, pero con filtros que bloquean respuestas en áreas sensibles: ciberseguridad, biología y ciencias de la vida. Cuando el modelo detecta que una consulta toca estos dominios, redirige la respuesta a un modelo inferior sin las capacidades avanzadas.

El problema es que el clasificador opera por coincidencia superficial de palabras clave. Si tu prompt contiene términos que suenan biológicos, se activa el filtro. No importa si estás diseñando un patógeno o preguntando qué es una mitocondria.

Anthropic reconoció que fue excesivo y dice que está reduciendo los falsos positivos. Pero el daño conceptual ya está hecho.

Lo verdaderamente alarmante: degradación silenciosa

Pero los falsos positivos no son lo peor. Lo peor apareció en la página 13 de la ficha técnica de Fable 5: el modelo estaba diseñado para degradar silenciosamente la calidad de sus respuestas en ciertos dominios. Sin avisar. Sin notificar. Simplemente daba respuestas peores y el usuario no tenía forma de saberlo.

Nathan Lambert, investigador del Allen Institute for AI, lo llamó “espantoso”. Dean Ball, ex asesor de política de IA en la Casa Blanca, lo calificó de “sorprendentemente hostil”. El CEO de Hugging Face lo describió como “la forma más alta de manipulación”.

Pensemos en esto desde nuestra perspectiva. Ya teníamos un problema serio con las alucinaciones: los modelos de lenguaje son probabilísticos y a veces generan información incorrecta con total confianza. Eso ya exige vigilancia constante. Pero al menos en ese caso el modelo intenta dar su mejor respuesta.

Lo que Fable 5 introdujo es algo cualitativamente distinto: un modelo que intencionalmente da respuestas de menor calidad sin decírtelo. Un modelo que decide darme respuestas más tontas, o incluso falsas, especialmente en el sector salud, puede ser considerado innatamente desalineado. No desalineado por error estadístico, sino desalineado por diseño.

Anthropic rectificó en 48 horas: ahora las respuestas degradadas son visibles. Pero el precedente quedó: una empresa de IA consideró aceptable degradar en secreto la calidad de un modelo que profesionales de salud podrían estar usando para tomar decisiones clínicas.

Regulación sin representación

Aquí está el núcleo del problema. Mythos es tan capaz en ciencias de la vida que puede acelerar dramáticamente el diseño de fármacos y el diseño de proteínas. Pero esas mismas capacidades lo hacen potencialmente peligroso en biodefensa. Y la decisión de Anthropic fue aplicar un freno general: todo lo que suene a biología queda restringido en la versión pública.

El resultado es una paradoja: el modelo más poderoso del mundo para ciencias de la vida es también el modelo que menos puede usarse para ciencias de la vida.

Y la decisión sobre dónde poner esos límites no la están tomando médicos, ni investigadores clínicos, ni reguladores de salud. La están tomando ingenieros y abogados corporativos, respondiendo a presiones políticas que tienen poco que ver con la práctica clínica.

Si el sector salud no se involucra activamente en cómo se regulan estos modelos, seguiremos absorbiendo los impactos colaterales de decisiones tomadas para otros contextos. Ya teníamos suficiente con las alucinaciones y las inconsistencias. Ahora, sobre eso, cae la posibilidad de que el modelo deliberadamente nos dé respuestas de menor calidad sin avisarnos.

El llamado es claro: necesitamos profesionales de salud en la mesa donde se diseñan estas salvaguardas. No como observadores. Como participantes con voz y voto. Porque si la regulación de estos modelos se hace con desconocimiento de causa, los que pagamos el costo somos nosotros. Y nuestros pacientes.

Fer Bonilla.-

Sé que este blog es sobre IA en salud, pero como saben soy economista de la salud y esta es una pasión que no logro (ni pretendo) separar. Y cuando aparece un tema que combina ambas cosas, no puedo evitar adentrarme en él con todo. Este es uno de esos temas.

Un artículo reciente en NEJM AI articula algo que muchos intuíamos: la IA predictiva no es solo una herramienta clínica. Es un multiplicador del ROI de las terapias que guía y por tanto, un motor importante para la tan ansiada sustentabilidad de los sistemas de salud. Entender eso cambia todo.

El problema que el promedio esconde

Cuando un ensayo clínico reporta que una terapia reduce el riesgo de hospitalización en un 9%, ¿estamos ante un éxito o un fracaso? Depende - y esa respuesta incómoda es el corazón de lo que sigue.

Detrás de ese 9% puede haber pacientes que se beneficiaron enormemente y pacientes que no se beneficiaron en absoluto. Es decir, nos encontramos frente a un promedio, que no ilustra la variabilidad de los resultados en vida real. Y cuando desplegamos una terapia de forma indiscriminada sobre una población heterogénea, diluimos el valor que podría generar si llegara solamente a quien realmente la necesita.

Los médicos lo medimos con el NNT - el Número Necesario a Tratar. Esta métrica responde una pregunta simple: ¿a cuántos pacientes tengo que tratar para que uno se beneficie? Un NNT de 37 significa que trato a 37 personas para obtener un beneficio concreto en una. Los otros 36 recibieron la terapia, asumieron sus riesgos, y el sistema asumió sus costos - sin beneficio medible. La rentabilidad de esa inversión es, en el mejor de los casos, pobre.

Dos formas de apuntar mejor

La IA predictiva puede mejorar ese cálculo por dos vías.

La primera es concentrar el tratamiento en quienes tienen mayor riesgo de sufrir el evento que queremos prevenir. Si un modelo identifica a los pacientes con más probabilidad de terminar en urgencias y el programa de monitoreo remoto se dirige a ellos, el beneficio sube aunque la terapia sea exactamente la misma. El NNT cae. El ROI mejora.

La segunda es más ambiciosa: identificar no solo quién tiene más riesgo, sino quién responde mejor al tratamiento específico. Porque los efectos de un tratamiento no son iguales para todos. Si un modelo distingue a los que más se benefician, el NNT puede caer de forma dramática - y con él, la rentabilidad del programa puede pasar de negativa a sostenible, sin cambiar una sola línea del protocolo clínico.

El medicamento “no rentable” que podría serlo

El estudio en mencion habla, entre otras cosas, de Lecanemab, un medicamento aprobado para Alzheimer temprano, el cual tiene un efecto clínico modesto, un precio alto, por lo que su relación costo-efectividad en poblaciones amplias ha sido ampliamente cuestionada.

Pero cuando el tratamiento se concentra en quienes tienen mayor riesgo de progresión (identificados mediante IA predictiva), el NNT puede caer de más de 25 a cerca de únicamente 10. La rentabilidad mejora sustancialmente - no porque la molécula cambió, sino porque llegó justamenet a quien más la necesitaba.

La diferencia entre un medicamento “no rentable” y uno que sí lo es puede estar no en la ciencia, sino en la precisión con que se despliega.

Evaluaciones económicas, no solo clínicas

Este impacto económico de la inteligencia artificial en salud nos abre un nuevo panorama: evaluar un modelo de IA solo con métricas estadísticas es como evaluar un bisturí por su filo y no por los resultados que produce. El valor del modelo no es únicamente intrínseco: en un entorno retador para la sustentabilidad de los sistemas de salud depende también del ROI que desbloquea en las decisiones que guía.

Las preguntas correctas no deberían ser únicamente “¿predice bien?” sino también “¿reduce el NNT en la población donde se despliega, suficiente para justificar la inversión?” Son preguntas de economía de la salud - y la disciplina tiene las herramientas para responderlas, si alguien se toma la molestia de aplicarlas a la IA con el mismo rigor que se aplica a fármacos y dispositivos.

El obstáculo que nadie quiere nombrar

Ahora bien, existe un elefante en la habitación en la manera en la que estamos organizando nuestros sistemas de salud y es éste: El pago por servicio (en el cual se cimenta básicamente todos los sistemas de salud actuales) es estructuralmente incompatible con una IA que reduce utilización y mejora la sustentabilidd del sistema de salud donde se implementa.

Veamos: Si un hospital invierte en un modelo que predice quién va a urgencias y redirige esa visita hacia atención preventiva, ese hospital eliminó un ingreso. El modelo funcionó perfectamente. La sustentabilidad global del sistema de salud mejoró. Pero la rentabilidad de ese hospital empeoró.

Es el mismo dilema que ha frenado la medicina preventiva durante décadas. La IA predictiva simplemente lo hace más urgente , por su enorme potencial en en costos evitados más que en servicios facturados.

La IA predictiva no cura. No inventa moléculas ni reemplaza al médico. Pero puede hacer algo que vale tanto (o más) que una nueva terapia: asegurarse de que las terapias que ya tenemos lleguen exactamente a quienes realmente las necesitan y se benefician de ellas.

Sustentabilidad. Retorno de inversión. Eso es economía de la salud. Y por fin se comienza a escribir sobre el enorme potencial de la IA en este aspecto.

Fer Bonilla.-

Crecí en una casa donde los libros no eran decoración. La biblioteca de mi papá ocupa una pared entera y es territorio serio: no se toca sin una buena razón. Mi tío recita poesía de memoria, con una precisión y una emotividad que todavía me eriza la piel. Y no es casualidad: mi abuelo fue escritor, dedicado al oficio al cien por ciento, con la convicción de quien sabe que las palabras no son solo vehículos de información sino la información misma.

Así que cuando llegué a la facultad de medicina y el profesor de semiología nos dijo que lo más importante que aprenderíamos no era un procedimiento ni una fórmula, sino escuchar, algo en mí ya lo sabía. Y luego vino la sorpresa mayor: que ese escuchar había que traducirlo en texto de manera narrativa, extensa, casi literaria. La historia clínica bien tomada no se parece a una tabla de datos. Se parece a un relato. Con contexto, con matices, con el detalle aparentemente irrelevante que tres párrafos después se vuelve el eje de todo.

Esa fascinación por la narrativa médica nunca me abandonó. Por eso, cuando empecé a interactuar con los grandes modelos de lenguaje, algo me llamó la atención que quizá a otros no les saltó de inmediato: estos sistemas no solo generan texto. ¡Narran! Y narran de una manera particular, reconocible, casi con firma propia.

Esa intuición se volvió certeza cuando me topé con un artículo reciente de Jenna Russell y colaboradores, de la Universidad de Maryland y Google DeepMind. Lo leí de un tirón. Y cuando terminé, no pude dejar de pensar en una sola cosa: ¿estamos dándonos cuenta del enorme impacto que tiene la narrativa por inteligencia artificial en medicina?

Primero, un poco de contexto

Un modelo de lenguaje grande, o LLM por sus siglas en inglés (Large Language Model), es el motor que está detrás de herramientas como ChatGPT, Claude o Gemini. En términos simples: es un sistema entrenado con cantidades masivas de texto humano, que aprendió a predecir qué palabras siguen a otras palabras, con tal precisión que el resultado parece escritura inteligente. Y en muchos contextos, lo es.

En medicina, estos modelos están encontrando una aplicación que crece cada mes: los transcriptores clínicos automatizados, conocidos en inglés como AI scribes. Por ejemplo, Abridge o Microsoft Dragon Copilot. Un transcriptor clínico con IA escucha la consulta médica, procesa la conversación entre el médico y el paciente, y genera automáticamente la nota clínica: el resumen de la historia, los síntomas, los hallazgos, el plan. Promesa enorme. Ahorro de tiempo real. Y un riesgo que ahora noto y que creo que hasta el dia de hoy nadie ha estudiado en serio.

Lo que el estudio descubrió

El artículo se llama StoryScope y su premisa es elegante: en lugar de buscar si la IA escribe con palabras distintas a las humanas, los investigadores preguntaron algo más profundo. ¿Toman los LLMs decisiones narrativas distintas? ¿Construyen las historias de manera diferente, a nivel estructural?

Para responderlo, crearon un corpus de más de 61,000 cuentos: los mismos 10,272 puntos de partida narrativos, escritos cada uno por un ser humano y por cinco LLMs distintos. Luego extrajeron 304 características narrativas por texto, analizando dimensiones como la estructura de la trama, la agencia de los personajes, la complejidad temporal y el manejo de las emociones.

El resultado fue contundente. Con solo esas características narrativas, sin mirar el vocabulario ni el estilo superficial, un clasificador identificó si el texto era humano o de IA con un 93.2% de precisión. Las diferencias no están en las palabras. Están en la arquitectura de cómo se cuenta.

Y esas diferencias son muy específicas.

Los LLMs moralizan. Los humanos, no tanto.

Los modelos de lenguaje tienden a explicar el significado de sus propias historias. El narrador interviene para dejar claro cuál es la lección. En el 77% de los textos de IA, el narrador enuncia explícitamente el tema de la historia. Los humanos lo hacen solo en el 52% de los casos. El diálogo sirve frecuentemente para el debate filosófico. Las referencias a otras obras son vagas, sin nombres concretos. El patrón general es el de sobredeterminar el significado: la IA no confía en que el lector infiera. Prefiere explicar.

Ahora piensa en un transcriptor clínico documentando la historia íntima de un paciente. El número de parejas, las prácticas, el contexto. La IA no va a escribir un juicio explícito. Pero si su arquitectura narrativa tiende hacia la unidad moral y la explicación del significado, el texto resultante puede organizarse de una manera que el paciente nunca dijo, con énfasis que el paciente nunca puso, con una coherencia moral que el paciente nunca expresó. El médico que revisa esa nota no lee los datos crudos: lee una versión ya interpretada, ya tonalizada. Y ese tono, esa selección, esa forma de ordenar los hechos, fue puesto ahí por un modelo entrenado en millones de textos donde la conducta humana siempre termina significando algo. No por el paciente. No por el médico. Por la arquitectura narrativa de una máquina que aprendió que las historias deben tener una lección.

Los LLMs construyen cadenas causales demasiado limpias.

La narrativa de los modelos de lenguaje tiende a ser lineal, ordenada, con pocos cabos sueltos. Las resoluciones son protagonista-dirigidas. Las subtramas casi no existen. La causalidad es apretada, coherente, satisfactoria.

La medicina diagnóstica, en cambio, vive en la ambigüedad. Los síntomas se superponen. Las causas son múltiples. La historia clínica real de un paciente se parece mucho más a la narrativa humana del estudio: no lineal, con contradicciones, con cabos que no atan.

Un transcriptor clínico con arquitectura de LLM va a tender a producir una nota con coherencia causal que el cuadro clínico real quizá no tiene. Y aquí está el riesgo: el médico que lee una nota bien construida narrativamente tiende, de manera natural, a asumir que la lógica clínica es igualmente sólida. La forma del texto contamina la interpretación del contenido. Podemos empezar a ver conexiones causales en la nota que no existen en el paciente, simplemente porque la IA las organizó así para que la historia cerrara bien.

Los LLMs convierten emociones en síntomas. Y eso puede ser terrible.

Este es el riesgo más inmediato. Y el que más me perturbó al leer el artículo.

El estudio encontró que los modelos de lenguaje expresan las emociones de sus personajes a través de sensaciones físicas con una frecuencia muy superior a los humanos: 81% versus 38%. Donde un autor humano escribiría que un personaje “sintió miedo”, la IA describe una opresión en el pecho, sudoración fría, visión que se oscurece. Las emociones se encarnan en el cuerpo. Es una elección narrativa estructural, aprendida de millones de textos literarios donde esa convención funciona perfectamente.

En ficción, es un recurso hermoso. En una nota clínica, es una bomba.

Imagina que un paciente le dice al médico que estaba asustado cuando empezó su dolor de pecho. El transcriptor clínico, fiel a su arquitectura narrativa, puede completar esa descripción con los correlatos físicos que su entrenamiento asocia al miedo: opresión torácica, sudoración, sensación de desmayo. No porque el paciente los describiera. Sino porque para el modelo, esa es la manera correcta de narrar el miedo.

Esos síntomas aparecen entonces en el expediente como documentados. El médico que lee la nota los toma como referencia real. Las decisiones clínicas que siguen, los exámenes solicitados, los diagnósticos considerados, todos se construyen sobre una base que en parte fue fabricada narrativamente.

Esto no es una alucinación clásica, del tipo “la IA inventó un medicamento que no existe”. Es algo más sutil y más peligroso: una alucinación estructuralmente motivada por cómo los LLMs aprendieron a contar historias. Y aparece disfrazada de nota clínica bien redactada.

Lo que nadie ha estudiado todavía

Hay algo que me parece urgente señalar: hasta donde puedo identificar, no existe en la literatura médica actual ningún estudio que aborde directamente las implicaciones de estas idiosincrasias narrativas de los LLMs en el contexto clínico. Hay publicaciones sobre alucinaciones factuales. Hay análisis de precisión diagnóstica. Hay discusiones sobre privacidad y sesgo algorítmico. Pero nadie ha preguntado aún si la arquitectura narrativa con que los modelos construyen texto representa un riesgo clínico independiente.

Y debería preocuparnos. El 90% o más de la información en salud es narrativa. No son números de laboratorio ni imágenes radiológicas: son historias. El paciente cuenta. El médico escucha, interpreta, y vuelve a contar en forma de nota. Esa cadena narrativa es el corazón del acto médico. Si introducimos en esa cadena un intermediario con idiosincrasias narrativas estructurales que tiende a moralizar, a simplificar la causalidad y a encarnar las emociones en síntomas físicos, estamos alterando algo fundamental sin que nadie lo haya nombrado todavía.

La pregunta que me quedo haciendo no es tecnológica. Es casi filosófica, pero con consecuencias muy concretas: cuando un transcriptor clínico escribe una nota, ¿quién está narrando realmente? ¿El paciente, el médico, o el modelo con su arquitectura literaria heredada de millones de novelas?

En mi familia, las palabras siempre fueron asunto serio. Cada una elegida. Cada silencio, una decisión.

La IA también elige. Solo que no siempre sabemos cuándo lo hace, ni a costa de qué.

Necesitamos estudiar esto formalmente. Con protocolo, con rigor, con publicaciones. De la misma manera en que evaluamos la seguridad de un nuevo fármaco antes de que entre al mercado, debemos evaluar las idiosincrasias narrativas de los LLMs antes de que sean ellos quienes escriban, de manera rutinaria y a escala global, los expedientes médicos de nuestros pacientes. El tiempo de la intuición ya pasó. Ahora necesitamos evidencia.

Fer Bonilla .-

Hace unos meses, en una ceremonia de graduación universitaria en Estados Unidos, una profesora subió al estrado para hablarle a los recién graduados sobre inteligencia artificial. Sobre el futuro. Sobre las oportunidades que les esperaban.

La respuesta del auditorio fue un abucheo. Unánime. Rotundo.

No hubo debate. No hubo preguntas incómodas. Solo rechazo colectivo, puro y sin filtro, de una generación entera que interpretó el mensaje como lo que, en muchos casos, realmente era: “la tecnología viene a quitarles el trabajo para el que se prepararon durante cuatro años.”

Viendo esa escena, mi primer instinto fue pensar que esos jóvenes estaban equivocados. Mi segundo instinto, más honesto, fue preguntarme si realmente lo estaban.

El error que cometieron los de arriba

Para entender por qué esa sala abucheó, hay que entender lo que pasó antes de esa graduación. Lo que llevó a esos jóvenes a ese punto.

Porque el problema no empezó con ellos.

En los últimos años, muchas empresas tecnológicas adoptaron la inteligencia artificial con una lógica muy simple: si una herramienta puede hacer el trabajo de diez personas, contratas la herramienta y despides a nueve. Eficiencia pura. Reducción de costos inmediata. Resultados que se ven bien en el reporte trimestral.

Y no estamos hablando de empresas pequeñas experimentando en un garaje. Estamos hablando de los gigantes. En 2026, Jack Dorsey confirmó la salida de 4,000 empleados de Block, su empresa tecnofinanciera, no por mal desempeño sino porque los sistemas de IA absorbieron las tareas operativas. Oracle reestructuró hasta 30,000 puestos globalmente para liberar entre 8,000 y 10,000 millones de dólares y reinvertirlos en infraestructura de IA. Amazon recortó cerca del 10% de su personal administrativo. Microsoft implementó casi 9,000 bajas. eBay, Pinterest, WiseTech - la lista sigue.

El argumento en todos los casos fue prácticamente el mismo: “la IA ahora hace esto mejor y más barato.”

Lo que no se veía en el reporte trimestral era lo que se perdía. El contexto que solo existe en la cabeza de alguien que lleva tres años en el puesto. La intuición que no se puede escribir en un prompt. La confianza del cliente que no se transfiere a un chatbot. El juicio humano que, resulta, era bastante más difícil de reemplazar de lo que parecía en el PowerPoint de la reunión de directivos.

Un dato que lo resume bien: el 82% de los líderes empresariales espera que al menos el 10% de sus puestos se automatice a corto plazo. Pero más del 84% de esas mismas empresas todavía no ha rediseñado los roles humanos para trabajar junto a la IA. Están quitando personas sin saber bien qué van a poner en su lugar. Y el 95% de los proyectos de IA corporativa siguen teniendo dificultades para entregar valor real en la operación diaria.

Y la respuesta de los trabajadores jóvenes fue predecible. Un dato que lo ilustra: el 44% de ellos admite que está boicoteando activamente la IA en sus empresas. Cuando su jefe les pide que usen una herramienta de IA, la usan. Pero luego reportan que “no funcionó”, que “los resultados son malos”, que “el sistema no sirve”. No porque sea verdad necesariamente. Sino porque su trabajo depende de que el jefe llegue a esa conclusión.

Es resistencia disfrazada de feedback.

Y es completamente lógica. Cuando la única narrativa que escuchas sobre la IA es “viene a reemplazarte”, el boicot no es irracionalidad. Es supervivencia.

El error que cometieron los de abajo

Dicho esto, seamos honestos también con la otra parte.

Pararse frente a un tren con una pancarta de protesta no detiene al tren. Solo te deja sin trabajo y con una contusión seria.

La IA no se va a ir a ningún lado. No porque las empresas sean malvadas o porque los gerentes estén obsesionados con despedir gente (aunque algunos sí lo estén). Sino porque las herramientas que genuinamente hacen el trabajo mejor no desaparecen. No lo hizo la lavadora. No lo hizo la calculadora. No lo va a hacer esto.

Y hay algo más. El mercado ya está corrigiendo los excesos. Las mismas empresas que apostaron todo a la automatización están descubriendo, con resultados dolorosos, que necesitan el talento humano de vuelta. No como antes, sino diferente. Combinado. Integrado con las herramientas. Hay sectores donde ya están contratando de nuevo, específicamente a personas que saben trabajar con IA, que saben cuándo usarla y cuándo no, que entienden sus limitaciones tan bien como sus capacidades.

El mercado laboral no está eliminando a los humanos. Está seleccionando entre los que se subieron al tren y los que se quedaron en el andén.

¿Y nosotros? Una pregunta incómoda

Aquí es donde entramos los que trabajamos en salud. Y aquí es donde me gusta ser directo, aunque no siempre sea lo más cómodo de escuchar.

En el sector salud, todavía no estamos en ese punto. La IA no ha penetrado con la misma velocidad ni la misma agresividad que ha entrado en tecnología o en finanzas. El médico joven, la enfermera, el técnico de laboratorio, el administrador hospitalario - ninguno de ellos se levanta por la mañana pensando que una herramienta va a hacer su turno esta noche.

Pero seamos honestos con nosotros mismos: ¿si la situación fuera la misma que en Silicon Valley, reaccionaríamos diferente?

No hay razón para creer que sí. Somos humanos. Tenemos los mismos miedos, los mismos mecanismos de defensa, el mismo instinto de proteger lo que nos costó años construir. Si mañana un algoritmo pudiera absorber el 60% de las tareas administrativas, de triaje o de soporte diagnóstico, y si la narrativa dominante fuera que viene a reemplazarnos, muchos en nuestro sector también estaríamos buscando la manera de reportar que “el sistema no funciona”.

No digo esto para juzgar. Lo digo porque reconocer el patrón antes de que llegue es exactamente la ventaja que podemos tener.

El tren ya salió. La pregunta es desde dónde abordamos

Hay dos formas de relacionarse con un cambio tecnológico de esta magnitud.

La primera es esperar a que llegue con toda su fuerza y reaccionar desde el miedo. Boicotear, resistir, buscar que no funcione. Es comprensible. Es humano. Y es la forma más cara de adaptarse, porque cuando finalmente se acepta la realidad, se hace desde una posición de desventaja.

La segunda es entender que la tecnología no define el juego, sino quien sabe usarla. Que el médico que integra estas herramientas de manera inteligente no va a ser reemplazado por ellas. Que el que sabe cuándo confiar en el algoritmo y cuándo confiar en su criterio clínico va a ser exponencialmente más valioso que cualquiera de los dos por separado.

Los que apostaron a la potenciación, y no a la suplantación, están ganando. En tech. Y así será en los sistemas de salud cuando llegue el momento.

El tren no espera. Pero todavía hay tiempo de subir. Y desde adentro, resulta que no da tanto miedo.

Fer Bonilla-

¿Tu institución está usando la IA para potenciarte o para reemplazarte? ¿Tú mismo la estás usando para crecer o la estás ignorando porque todavía “no es urgente”? Me interesa lo que piensas.

Hay una pregunta que me han hecho más veces de las que puedo contar, siempre con la misma cara de ligera frustración: “¿Y eso para qué sirve?”

“Eso” ya no es solo ChatGPT. Ahora, “eso”es , por ejemplo, la nueva función de razonamiento de un modelo fundacional, el agente que alguien instaló en el sistema, la herramienta que el laboratorio acaba de implementar. Y la pregunta, disfrazada de curiosidad, delata algo más profundo: la sensación de que estamos usando algo extraordinariamente poderoso como si fuera una linterna, cuando en realidad es el sistema eléctrico completo de la casa.

Mi tesis, propuesta con toda la seriedad posible: el mayor obstáculo para aprovechar la IA no es técnico. Es conceptual. No se trata de aprender a usar una herramienta o algunas herramientas específicas. Se trata de cambiar completamente la manera en que entiendes tu propio trabajo. Se trata de un cambio de mentalidad. Y de eso va justamente este blog: de cómo hacer ese cambio.

Tu trabajo es en escencia un problema de información

Cuando revisas una historia clínica, estás procesando información. Cuando redactas un informe farmacológico, estás transformando información. Cuando planeas el seguimiento de un paciente, estás tomando decisiones basadas en información. Todo el trabajo intelectual - el de cualquier profesional de la salud - es, en el fondo, un reto de gestión de información.

Y los sistemas de IA son, en esencia, máquinas de procesar información mediante lenguaje.

Eso tiene una implicación que todavía no hemos terminado de asimilar: tu lenguaje, cuando está bien construido, funciona como código de programación. No metafóricamente. Cuando aprendes a formular instrucciones precisas, estás programando. Y si tu lenguaje es código, la IA no es solo una herramienta de consulta: es una plataforma sobre la cual puedes construir cosas.

El camino de esas cosas va de menor a mayor complejidad. Y tiene etapas muy concretas.

Nivel 1 - Ingeniería de prompts e ingeniería de contexto

La mayoría de quienes ya usan IA viven aquí, aunque no saben que tiene nombre.

La ingeniería de prompts es el arte de construir instrucciones precisas. No es solo hacer una pregunta: es diseñar una instrucción que incluye rol (”actúas como asistente de investigación clínica”), tarea (”resume las guías actuales de manejo de insuficiencia cardíaca”), restricciones (”solo fuentes ACC/AHA o ESC, no estudios individuales”) y formato de salida (”tabla comparativa: recomendación, clase, nivel de evidencia”). La diferencia entre un prompt básico y uno bien construido puede parecer sutil. El resultado no lo es: es como usar el mismo instrumento quirúrgico con y sin entrenamiento.

La ingeniería de contexto va un paso más allá. No es solo cómo preguntas, sino qué información le das al sistema antes de que empiece a trabajar. El contexto puede ser un documento, una historia clínica anonimizada, un protocolo institucional, un conjunto de artículos relevantes. Cuando el sistema tiene contexto rico, sus respuestas dejan de ser genéricas para volverse específicas, aplicables, útiles de verdad.

Ambas habilidades ayudan. Mucho. Pero tienen un problema estructural: si no están sistematizadas, estandarizadas y disponibles para escalar, se pierden. Construyes un prompt brillante hoy y en tres semanas no recuerdas cómo lo formulaste. Diseñas un contexto perfecto para una consulta y no puedes reutilizarlo. Todo ese trabajo intelectual se evapora.

La solución al problema no es técnica. Es organizacional.

Nivel 2 - La biblioteca de prompts

El primer paso para sistematizar es tan simple que intimida: un documento donde guardas tus prompts más útiles, organizados por categoría y caso de uso.

Prompts para búsqueda y síntesis de literatura. Prompts para redacción de informes clínicos. Prompts para comunicación con pacientes en distintos niveles de alfabetismo. Prompts para preparar presentaciones o clases. Prompts para análisis de datos farmacológicos. Cada uno con su nombre, su descripción de cuándo usarlo y la instrucción completa, lista para copiar y adaptar.

Eso es capital intelectual que se acumula. Cada prompt bien construido que guardas es tiempo que no tendrás que invertir de nuevo. Y una biblioteca de prompts, compartida entre un equipo médico, se convierte en un activo institucional real.

Pero hay un beneficio adicional que poca gente nota al principio: un análisis rápido de tu propia biblioteca te dará una visión muy clara de cuáles son las tareas repetitivas en tu trabajo. Si tienes doce prompts distintos para estructurar notas clínicas, eso no es coincidencia: es una señal de que estructurar notas clínicas es una actividad que haces todo el tiempo, que sigue una lógica predecible, y que por tanto es un candidato perfecto para automatización. La biblioteca no solo organiza: revela.

Nivel 3 - Proyectos: cuando las conversaciones se fertilizan entre sí

Una biblioteca de prompts resuelve el problema de las instrucciones. Pero hay otro problema que persiste: cada conversación existe en su propio silo. El sistema no recuerda lo que discutiste la semana pasada, no conecta el caso que analizaste en enero con el protocolo que revisaste en marzo, no acumula nada.

Los proyectos - como los implementan Claude y ChatGPT - atacan ese problema de una manera que va más allá del simple archivo. Un proyecto es un espacio donde puedes cargar documentos de referencia, guardar conversaciones relacionadas y, sobre todo, hacer que esas conversaciones se fertilicen entre sí. La discusión que tuviste sobre dosificación en falla renal puede informar la siguiente sobre interacciones medicamentosas en el mismo paciente. El análisis de un artículo puede conectarse con la revisión del protocolo institucional que subiste como documento de referencia.

Esto no es solo organización. Es memoria estructurada. Y la memoria, en el trabajo clínico, es la diferencia entre empezar desde cero y construir sobre lo que ya se sabe.

La acción concreta es archivar tus conversaciones con criterio, nombrarlas para poder recuperarlas, y agrupar en el mismo proyecto todo lo que pertenece al mismo universo de trabajo: el mismo paciente complejo, el mismo proyecto de investigación, la misma área terapéutica. Con el tiempo, ese proyecto se convierte en un colaborador que conoce el contexto acumulado de meses de trabajo.

Nivel 4 - Agentes: de responder preguntas a ejecutar tareas

Aquí la naturaleza del sistema cambia de manera fundamental.

Un agente no responde preguntas. Completa tareas. Y la diferencia no es de grado: es de categoría.

Lo que hace posible esta diferencia es algo llamado tool calling (llamada a herramientas): la capacidad del agente de conectarse con herramientas externas durante la ejecución de una tarea. Un agente puede buscar en PubMed, leer el resultado, filtrar por criterios de relevancia, revisar el expediente clínico en el sistema hospitalario, comparar con el protocolo institucional que tiene como referencia, generar un informe consolidado y enviártelo a tu correo electrónico. Todo en una sola instrucción tuya.

Eso convierte una conversación en una instrucción de trabajo real, con herramientas reales, ejecutada sobre información real.

Las implicaciones son enormes. Un agente bien diseñado puede monitorear literatura científica de tu especialidad y entregarte cada semana un resumen de los tres artículos más relevantes. Puede revisar los laboratorios de tus pacientes citados y señalarte los que se desviaron del objetivo terapéutico antes de que empiece tu consulta. Puede tomar tus notas clínicas y generar una versión en lenguaje accesible para el paciente, lista para revisar y enviar.

El punto de entrada para llegar aquí es identificar tus actividades repetitivas de naturaleza intelectual. No las mecánicas: las que siguen una lógica predecible, que haces una y otra vez, que consumen tiempo y energía cognitiva. Cada una de esas actividades es un candidato para ser delegada a un agente.

Nivel 5 - Workflows y skills: la arquitectura completa

Un workflow es lo que sucede cuando conectas varios agentes en secuencia.

La salida de uno se convierte en la entrada del siguiente. Lo que en tu práctica actual requiere que hagas A, B, C y D de manera secuencial puede suceder de manera automatizada, con tú supervisando únicamente el resultado final. Estamos hablando de automatizar cadenas completas de razonamiento aplicado.

Las skills, por su parte, son el componente que le da personalidad consistente a cada agente dentro de ese workflow. Piénsalas como super-prompts: instrucciones explícitas, extensas, muy bien estructuradas y estandarizadas, diseñadas específicamente para ser el insumo sistematizado que alimenta a un agente de manera predecible. No son una pregunta ni una instrucción casual: son una especificación completa de cómo debe pensar, responder y actuar ese agente en su rol.

Un agente de comunicación con pacientes tiene una skill que define el tono (cálido, sin tecnicismos), el formato (párrafos cortos, señales de alarma en lista), las restricciones (nunca dar diagnósticos, siempre recomendar consultar al médico) y el contexto clínico relevante. Un agente de síntesis de literatura tiene una skill completamente distinta: búsqueda estructurada por PICO, jerarquía de evidencia, formato de tabla comparativa, preferencia por guías sobre estudios individuales. Un agente de farmacovigilancia tiene su propia skill con criterios de causalidad, escalas de gravedad y formato de reporte regulatorio.

Las skills son lo que hace que cada pieza del workflow se comporte de manera predecible, especializada y auditable. Sin ellas, los agentes improvisan. Con ellas, ejecutan.

Imagina este flujo: el lunes por la mañana, antes de que llegues a consulta, un agente ya revisó los resultados de laboratorio de tus pacientes citados para esa semana. Otro identificó cuáles tienen valores que se desvían del objetivo y generó una alerta. Un tercero buscó actualizaciones recientes en el manejo de su condición principal. Cuando abres tu sistema, lo que te espera no es datos crudos sino un briefing clínico ordenado, listo para que lo analices. Y una vez que aplicas tu criterio clínico - ese que ningún agente puede reemplazar - se pueden tomar decisiones acertadas para esos pacientes. Con tu autorización. Siempre con tu autorización.

Eso ya se puede construir. Con las herramientas que existen hoy.

El cambio que importa

No estoy proponiendo que te conviertas en programador. Estoy proponiendo algo distinto: que empieces a ver tu trabajo intelectual con los ojos de alguien que puede codificarlo.

¿Qué hago que es repetitivo? ¿Qué información entra, qué proceso sigo, qué sale? ¿Dónde podría haber un agente haciendo ese trabajo mientras yo hago algo que requiere presencia humana real?

Esas preguntas no son técnicas. Son de diseño. Y el diseño empieza con observar, honestamente, cómo fluye la información en tu práctica diaria.

Del chatbot al workflow no es un salto tecnológico. Es un salto en la manera en que entiendes qué es lo que haces cuando trabajas.

Y una vez que lo das, ya no puedes volver a ver el chatbot como una linterna.

Fer Bonilla.-

Hace unas semanas estaba preparando una charla para un grupo de investigadores clínicos. Médicos, coordinadores, monitores. Gente que vive adentro de los ensayos. Gente que sabe lo que es buscar un criterio de inclusión en un protocolo de 400 páginas a las 11 de la noche, con el patrocinador esperando respuesta.

Mientras organizaba el contenido, me hice una pregunta que me pareció honesta: ¿cuántos de ellos ya están usando IA en su trabajo cotidiano sin que nadie se los haya enseñado formalmente?

La respuesta, sospecho, es: más de los que creemos. Y sin las herramientas para hacerlo bien.

Eso me parece fascinante. Y también, un poco preocupante.

Primero, lo que nadie dice en voz alta

Cuando hablamos de inteligencia artificial en salud, la conversación suele ir hacia dos extremos: o es la revolución que lo cambiará todo, o es una amenaza llena de riesgos que hay que frenar. Los que están en el medio, los que trabajan en sitios de investigación clínica con presupuestos ajustados, equipos pequeños y protocolos interminables, rara vez aparecen en esa conversación.

Y sin embargo, son exactamente el tipo de profesional para quien esta tecnología fue hecha.

No porque sean los más sofisticados tecnológicamente. Sino porque viven rodeados del problema que los LLMs (los grandes modelos fundacionales, como Claude, ChatGPT o Gemini) están diseñados para resolver: información compleja, desestructurada, atrapada en texto.

Piénsenlo un momento. ¿Qué es un protocolo de investigación clínica sino texto? ¿Qué es una historia clínica sino narrativa? ¿Qué es un criterio de elegibilidad sino lenguaje que hay que interpretar?

Los desafíos más grandes de la investigación clínica no son desafíos de biología. Son desafíos de información.

El número que me detuvo

El 50% de los ensayos clínicos no cumple su meta de reclutamiento. Uno de cada tres se abandona por falta de pacientes.

Leí ese dato preparando mi presentación y me quedé unos segundos en silencio. Porque no es un número abstracto. Detrás de cada ensayo abandonado hay un equipo que trabajó años en ese protocolo, pacientes que no tuvieron acceso a una terapia potencialmente útil, y recursos que no se convertirán en conocimiento.

Y una parte significativa de ese problema tiene que ver con algo tan operativo como la dificultad de identificar pacientes elegibles en tiempo razonable.

Un sistema llamado TrialGPT, desarrollado por el NIH y publicado en Nature Communications en 2024, demostró que los LLMs pueden reducir el tiempo de tamizaje de pacientes en un 42.6%. No en un laboratorio de fantasía. En un piloto real, con expedientes reales, con criterios de inclusión y exclusión reales.

Eso no es el futuro. Eso es hoy.

Lo que ya está pasando (aunque no salga en las noticias)

Cleveland Clinic no es exactamente conocida por tomar decisiones apresuradas. Es uno de los centros de investigación más rigurosos del mundo. Y ya implementó IA para identificar pacientes candidatos a ensayos oncológicos, analizar expedientes en lenguaje natural y reducir la carga administrativa de sus coordinadores de sitio.

Dyania Health construyó una plataforma específicamente para esto: reclutamiento automatizado usando procesamiento de lenguaje natural. Reducción documentada del 60 al 70% en tiempo de preselección.

Y Grove Trials existe para que un investigador pueda buscar ensayos clínicos relevantes para su sitio sin pasarse una tarde entera navegando ClinicalTrials.gov en modo manual.

Estos no son proyectos piloto en Silicon Valley. Son herramientas en producción, usadas por sitios e instituciones reales.

¿Y la regulación? Porque sé que esa pregunta está ahí, flotando.

La FDA publicó en enero de 2025 su guía sobre el uso de IA en decisiones regulatorias. La EMA publicó su documento de reflexión en octubre de 2024. Y ambas agencias trabajaron juntas para desarrollar 10 principios conjuntos de buenas prácticas de IA en desarrollo farmacéutico.

El mensaje de ambas es el mismo: no están frenando la IA. Están construyendo el camino para usarla bien.

Y algo más: la guía de la FDA excluye explícitamente del ámbito regulatorio el uso de IA para “eficiencias operativas” como flujos de trabajo internos, redacción de documentos y gestión administrativa. En otras palabras: todo lo que un coordinador de investigación hace en un día normal de trabajo está fuera del radar regulatorio.

Eso es una buena noticia. Una muy buena noticia.

El lunes por la mañana

Permítanme ser muy concreto. Porque los conceptos están bien, pero lo que de verdad importa es qué pasa cuando llegas a tu sitio el lunes por la mañana con un protocolo nuevo sobre la mesa.

Tienes 847 pacientes en tu base de datos anonimizada en Excel. El protocolo pide HbA1c mayor de 7.5, sin insuficiencia renal y con más de seis meses de seguimiento. Antes: filtros manuales, hora y media de trabajo, posibilidad de error humano. Ahora: una pregunta en lenguaje natural a Claude o ChatGPT con el archivo cargado. Minutos.

Tienes 200 historias clínicas en PDF en una carpeta. El protocolo tiene 12 criterios de inclusión y 8 de exclusión. Antes: dos coordinadores, dos semanas. Ahora: Claude Cowork tiene la capacidad de revisar el folder completo e identificar qué pacientes califican y por qué, expediente por expediente. Minutos.

Tienes una duda sobre la dosis de rescate para un evento adverso específico en el día 8 del ciclo. El protocolo (de acceso público) tiene 400 páginas. Antes: 20 minutos buscando. Ahora: le preguntas directamente al documento y te responde con la cita exacta de la sección correspondiente.

Y si quieres buscar qué ensayos clínicos están activos en tu área terapéutica, reclutando en América Latina, buscando sitios con experiencia en cardiometabolismo: se lo preguntas a Claude con su conector a ClinicalTrials.gov en lenguaje natural. En segundos tienes una lista curada.

¿Los documentos que tienes que generar? Los procedimientos específicos del sitio, las presentaciones para capacitar a tu equipo de enfermería, el resumen para el comité de ética. Todo eso está en el protocolo. La IA puede generarlos a partir de él.

¿Y el consentimiento informado? Estudios publicados muestran que más del 80% de los pacientes que firman un consentimiento no comprenden realmente lo que están firmando. Un bot que explica en lenguaje simple, responde preguntas a cualquier hora y verifica comprensión antes de continuar no es un atajo ético. Es investigación más responsable.

Pero hay que usarla bien. Y eso también importa.

No sería honesto si no dijera esto: la IA tiene limitaciones reales que hay que conocer.

Los LLMs pueden generar información incorrecta con total confianza. Se llaman alucinaciones, y son un problema real. Se minimizan enormemente con buena ingeniería de prompts y de contexto, pero el output de cualquier herramienta de IA siempre requiere verificación humana. Siempre.

Los planes estándar de consumo de Claude, ChatGPT o Gemini no están diseñados para manejar datos identificables de pacientes. Si vas a trabajar con información sensible, o usas datos anonimizados o verificas que tu institución tiene los acuerdos de privacidad correspondientes con el proveedor. Los mismos principios que aplicamos a cualquier dato en investigación clínica aplican aquí también.

Y las herramientas de transcripción automática en reuniones con patrocinadores y CROs merecen una mención especial: pueden comprometer información confidencial de protocolos no publicados. Antes de activar cualquier asistente de notas en una reunión de trabajo, verifica la política del patrocinador.

La FDA y la EMA tienen razón en sus 10 principios: humano-céntrico, basado en riesgo, con supervisión humana, con monitoreo continuo. No son burocracia. Son sentido común aplicado a una tecnología poderosa.

Lo que cambia cuando empiezas a usarla

Hay algo que no suele aparecer en las presentaciones sobre IA en investigación clínica, y que para mí es lo más importante.

Cuando un coordinador aprende a buscar pacientes en sus expedientes usando IA, no solo ahorra tiempo. Empieza a ver su trabajo de otra manera.

Cuando un investigador aprende a conversar con la literatura científica para identificar una pregunta clínica relevante en su propia población, y luego usa IA para estructurar un borrador de protocolo, algo cambia en cómo se percibe a sí mismo. Ya no es solo un sitio que ejecuta estudios de otros.

Es un generador de conocimiento.

Y esa transición, de ejecutor a generador, es para mí la promesa más grande de esta tecnología aplicada a la investigación clínica. No la eficiencia operativa, aunque es real y es importante. Sino la posibilidad de que sitios pequeños, en países con recursos limitados, con poblaciones subrepresentadas en la literatura global, empiecen a hacer preguntas propias y a buscar sus propias respuestas.

La pregunta que queda

La IA no va a transformar la investigación clínica en el futuro.

Ya lo está haciendo.

La pregunta no es si adaptarse. La pregunta es si tu sitio va a estar del lado que la usa con criterio y con conciencia, o del lado que la observa desde lejos mientras otros avanzan.

Nosotros elegimos estar del primer lado.

Y por eso estamos organizando algo que llevamos tiempo queriendo hacer: un taller práctico, presencial, centrado específicamente en IA para sitios de investigación clínica. No una charla más. Un espacio donde vas a trabajar con protocolos, bases de datos y tus propias preguntas. Donde vamos a hablar sin rodeos de lo que la IA puede hacer hoy, pero también de sus limitaciones reales, de privacidad de datos, de la postura de la FDA y la EMA, de todo eso que siempre queda pendiente en las conversaciones porque "no hay tiempo". Aquí sí habrá tiempo. Y donde vas a salir con herramientas listas para usar al día siguiente.

Si te parece interesante y quieres ser de los primeros en conocer los detalles, puedes llenar este formulario. (Lo prometemos corto. Sabemos el valor del tiempo del profesional de la salud.)

https://forms.gle/qCt7PdBTKBsegSMv9

Y si conoces a alguien que trabaja en investigación clínica, ya sea en un sitio, en una CRO o en la industria, compártele este post. Seguramente les será de utilidad.

¡Nos vemos del otro lado!

Fer Bonilla .-

El debate sobre si usar inteligencia artificial es “bueno” o “malo” es uno de los más relevantes de nuestro tiempo. Y todos los que la hemos usado — en alguna consulta, en alguna nota clínica, en algún momento de duda diagnóstica — nos hemos hecho esa pregunta al menos una vez.

Desde que el MIT publicó en 2025 un estudio que mostró menor conectividad cerebral, menor retención de memoria y efectos que persistían incluso después de dejar de usar la IA, la discusión se volvió más urgente que nunca. ¿Realmente la IA nos está apagando el cerebro?

Pero, para poder responder esta pregunta con propiedad, hay una pregunta aún más importante que casi nadie se está haciendo:

¿Es realmente la primera vez que los humanos tercerizamos nuestro pensamiento?

Siempre lo hemos hecho

Los humanos somos una especie que externaliza el pensamiento. No lo elegimos — simplemente no podemos evitarlo. Es tan natural como comunicarnos. El lenguaje, la escritura, los mapas, los símbolos, los expedientes clínicos — cada uno existe porque nuestro cerebro necesita “superficie” para operar.

David Krakauer, del Instituto Santa Fe, lo dice claramente: somos la especie que construye estructuras externas para pensar. Eso es lo que hacemos. Lo venimos haciendo desde hace milenios y lo seguiremos haciendo en el futuro con cada herramienta que esté a nuestro alcance, incluyendo la IA. Eso no está en discusión.

Lo que sí vale la pena entender es cómo lo hacemos — y por qué no todas las herramientas funcionan igual.

Por qué el garabato que no es solo un garabato

Pensemos en algo cotidiano que todos hacemos y nadie menciona: el diagrama en la esquina de la hoja mientras escuchamos al paciente. La lista de pendientes. El mapa mental dibujado a mano antes de una decisión difícil.

¿Sabes qué está pasando ahí? Tu mano está pensando contigo.

Cuando diagramas un caso — cuando dibujas una flecha entre la diabetes y la neuropatía, cuando encirculas los síntomas que no encajan — no estás ilustrando lo que ya pensaste. Estás descubriendo lo que piensas mientras lo haces. El pensamiento emerge en el proceso. No antes.

Y lo mismo pasa con la papeleta clínica — esa que a veces consideramos un papeleo inecesario. Cuando llenas los campos de antecedentes, medicamentos, impresión diagnóstica — tu cerebro no está archivando. Está siendo obligado a ordenar, a estructurar. Y esa estructura guía el siguiente pensamiento. ¿Cuántas veces has empezado a escribir el diagnóstico y justo en ese momento, al tener toda la información bien estructurada, te diste cuenta de que algo no cuadraba? La papeleta no lo detectó. Lo detectaste tú — pero la papeleta creó la SUPERFICIE que lo hizo posible.

Como ves, la papeleta ya no es solo una herramienta de registro. Es una herramienta de pensamiento. Es superficie. Es artefacto cognitivo.

No todas las superficies funcionan igual

Krakauer distingue dos tipos de artefactos cognitivos.

Los artefactos complementarios te dejan una huella. El mejor ejemplo es un mapa. Al estudiar el mapa te orientas, y aún luego de guardarlo puedes moverte por la ciudad con facilidad. El mapa reorganizó tu mente y algo se quedó dentro. El papel, el diagrama, la papeleta — todos funcionan así. No piensan por ti. Solo te dan superficie, y tú construyes en ella. Te enriquecen.

Por otro lado, los artefactos competitivos hacen lo contrario. El mejor ejemplo de ello es el GPS. Todos lo hemos experimentado: el GPS te lleva del punto A al B sin que tu cerebro construya ningún modelo. Lo enciendes, sigues sus instrucciones y de pronto, mágicamente, has llegado a tu destino, aunque no recuerdes cómo ni en qué parte de la ciudad estás. Úsalo suficiente tiempo y la capacidad de orientarte solo seguirá atrofiándose. Obtuviste el resultado, pero no te quedó nada.

El famoso estudio del MIT que mencionamos midió exactamente eso — la atrofia cerebral producto de usar la IA como un artefacto competitivo.

Entonces, ¿cuál es el veredicto?

No está en discusión si vamos a usar IA en medicina. Ya la estamos usando. La pregunta real — la única que vale la pena hacerse — es si la estamos usando bien.

Si le preguntas a la IA “¿cuál es el diagnóstico?” y copias la respuesta, eso es el GPS del pensamiento clínico. Rápido, eficiente, y vacío. Obtuviste un resultado pero no construiste nada. El problema sigue igual de amorfo que antes.

En cambio, si le dices “aquí está mi razonamiento, ¿qué se me está escapando?” — eso es otra cosa. Es como diagramar en voz alta con alguien que sabe mucho y nunca se cansa. Sales más capaz de lo que entraste. La IA ya no está, pero la orientación se quedó contigo.

Tu sigues al mando. Tu experiencia, tu análisis, tu citerio siguen presentes. Eso es soberania cognitiva. Y esa soberanía te da una relación con la IA completamente diferente.

La pregunta que vale la pena hacerse hoy

Para poder saber si estás usando bién la IA o no, pregúntate esto luego de usarla en la consulta, en la nota clínica o en el análisis del caso dificil:

¿Entiendo el problema mejor que antes? ¿O solo tengo una respuesta?

Si algo cambió en tu cabeza — si el caso ya no se siente como un rompecabezas caótico — la IA funcionó como complemento. Te dejó huella. Como el diagrama. Como la papeleta que te obligó a ordenar lo que sabías.

Por el contrario, si solo tienes un texto en la pantalla y el problema sigue sintiéndose igual — la herramienta compitió contigo… y ganó ese partido por goleada.

En conclusión: los médicos llevamos miles de años externalizando el pensamiento. Del diagrama en la servilleta a la papeleta electrónica. De Google a la IA. Siempre ha sido lo mismo: encontrar mejores superficies para pensar.

La diferencia ahora es que por primera vez la superficie puede responder y platicar contigo.

La pregunta no es si usar la IA o no. La pregunta es si cuando termines de usarla, algo de ese pensamiento se quedó contigo.

Porque eso, lo que pasa dentro de tu cabeza luego de usar cualquier herramienta, eso es lo que siempre ha importado.

- Fer BonIA.

Arrancó el año 2026 y no dio tiempo ni de sentarse.

Todavía estábamos con el sabor de la cena de Año Nuevo en la boca cuando, en menos de una semana, tres movimientos sacudieron el tablero: OpenAI ordenando la conversación del paciente con ChatGPT Health, OpenAI entrando al hospital con su plataforma para healthcare, y Google respondiendo desde un lugar completamente distinto con MedGemma 1.5.

En ese momento lo dijimos: esto es señal.

Pero lo interesante no era cada anuncio por separado. Era el “big picture” que estaba empezando a dibujarse entre ellos.

Y entonces, a principios de marzo, el mapa se completó.

El 10 de marzo, Amazon lanzó Health AI, un asistente de salud integrado directamente en su ecosistema. Lo conectó a One Medical —su brazo de atención médica— y a Amazon Pharmacy. El resultado es un sistema donde un paciente puede preguntar sobre sus resultados, entender un diagnóstico, agendar una cita y gestionar sus medicamentos sin salir nunca del universo Amazon. Una integración vertical completa: la entrada del paciente, la atención y la dispensación, todo bajo el mismo techo.

Casi al mismo tiempo, el 13 de marzo, Microsoft presentó Copilot Health, un espacio dentro de Copilot dedicado exclusivamente a salud. Pero la jugada de Microsoft es distinta. En lugar de construir un circuito cerrado, Copilot Health conecta datos de miles de hospitales, decenas de wearables y plataformas de laboratorio en un solo perfil. Y se monta sobre una infraestructura que Microsoft ya tenía sembrada en salud: Azure en los hospitales, Nuance en el dictado clínico, Microsoft 365 en la operación diaria. Copilot Health no busca ser el sistema de salud. Busca ser el tejido conectivo entre el paciente y todo lo demás.

Así que ahora el dibujo ya dejó de ser un boceto. Es un mapa. Y cuando uno lo ve completo, hay algo que no se puede ignorar.

Durante años, la conversación sobre inteligencia artificial en salud ha sido casi obsesiva con los modelos. Cuál es más preciso, cuál razona mejor, cuál entiende mejor imágenes, texto, voz. Toda la energía puesta ahí. Mientras tanto, algo más profundo empezó a moverse por debajo. Silencioso, lento, estructural.

Y 2026 lo está dejando claro con una crudeza elegante: la pregunta de quién tiene la mejor IA se está volviendo irrelevante. Lo que importa ahora es quién está construyendo el sistema donde esa IA va a vivir.

Porque hay una realidad que empieza a asomarse y que vale la pena mirar de frente. Los modelos, tarde o temprano, se van a parecer. Se van a “comoditizar”. Así pasó con el software. Así pasó con la nube. Así pasa con toda tecnología cuando madura. Y cuando eso ocurre, el valor se mueve de la herramienta hacia la arquitectura.

Si uno mira con calma lo que está pasando, empieza a notar patrones que antes no eran tan evidentes.

OpenAI abrió una puerta donde millones de personas empiezan a entender su salud antes de ver a un médico. Amazon está construyendo un circuito cerrado donde la consulta, el medicamento y la logística viven dentro del mismo ecosistema. Microsoft está haciendo algo más sutil: se está posicionando entre todo — entre el paciente, el hospital, los datos y los flujos. Y Google está jugando más abajo, poniendo los ladrillos con los que otros van a construir.

Cuatro movimientos. Cuatro estilos. Una misma dirección.

Y lo que todos están persiguiendo resulta ser algo mucho más fundamental que una app o un modelo. Es el control del punto donde todo se conecta. Ese momento en el que un paciente tiene una duda, ese instante en el que un dato se interpreta, ese lugar donde una decisión empieza a tomar forma.

El gateway.

Quien controla ese punto controla qué información ves, cómo la entiendes, a dónde vas después, qué opciones consideras, qué camino recorres dentro del sistema. Controla el flujo.

Esto ya lo vivimos. Internet no lo ganó la mejor página web. Lo ganaron quienes entendieron antes que nadie que el valor estaba en la infraestructura, no en la superficie. Google organizó la información. Amazon organizó la capacidad computacional. Apple organizó la experiencia. Ninguno ganó por tener mejores páginas. Ganaron porque controlaron los puntos clave del sistema.

En salud estamos viendo exactamente el mismo patrón. Pero esta vez, en tiempo real.

Por eso, cuando vemos estos anuncios, es fácil caer en la trampa de analizarlos como novedades aisladas: un nuevo modelo, una nueva funcionalidad, un nuevo asistente. Pero eso es quedarse en la superficie. Lo que realmente está ocurriendo es la construcción, pieza por pieza, de la nueva arquitectura del sistema de salud. Una arquitectura donde el verdadero “moat” ya no será el modelo, sino cómo se orquesta la inteligencia artificial dentro de los flujos clínicos, cómo se integran los datos del mundo real, quién define la interfaz inicial con el paciente, qué sistemas conectan todo eso. Y, sobre todo, quién logra que funcione como un sistema coherente.

Hace poco, en una conversación, lo resumía así: el problema nunca fue el modelo. El problema siempre fue el contexto. Y ahora vemos que eso aplica a todo el sistema de salud.

Estamos pasando, casi sin darnos cuenta, de un mundo de herramientas a un mundo de plataformas, a un mundo de infraestructura. Y en ese tránsito se está definiendo algo mucho más importante que qué empresa tiene la mejor IA. Se está definiendo quién va a diseñar cómo entendemos nuestra salud, cómo tomamos decisiones, y cómo navegamos uno de los sistemas más complejos que existen.

No hay un momento exacto donde todo cambia. Es más sutil que eso. Pero cuando uno da un paso atrás y mira el mapa completo, se vuelve evidente: la inteligencia artificial en salud ya dejó de ser una promesa. Se convirtió en una capa. Y alguien la está construyendo.

Seguiremos explorando este mapa juntos.

- Fer Bonilla

!Parece increible que ya haya pasado un año!

Un día como hoy, exactamente el 11 de marzo de 2025 publiqué el primer número de este newsletter.
Se llamaba La Revolución de la IA en Salud.

En ese momento no sabía exactamente a dónde iba a llevar este proyecto. Solo tenía una intuición clara: estábamos entrando en un periodo extraordinario para la medicina, impulsado por la inteligencia artificial, y valía la pena intentar entenderlo en voz alta.

Así empezó toda esta conversación.

Hoy, exactamente un año después, somos más de 670 suscriptores leyendo y reflexionando juntos sobre cómo la inteligencia artificial está cambiando la práctica médica.

Y si algo me ha quedado claro durante estos doce meses es esto: nadie tiene todavía todas las respuestas.

Este newsletter nunca fue pensado como un manual.
Más bien ha sido un espacio para explorar preguntas.

Preguntas que probablemente muchos médicos nos estamos haciendo en silencio:

• ¿Puede la inteligencia artificial realmente ayudarnos a tomar mejores decisiones clínicas?

• ¿Qué pasa con la seguridad de los datos de nuestros pacientes?

• ¿Hasta dónde debemos confiar en los sistemas automatizados?

• ¿Y qué significa todo esto para el futuro de nuestra profesión?

Lo interesante es que, mientras hacíamos estas preguntas, la tecnología avanzaba a una velocidad difícil de creer.

Hace apenas un año hablábamos principalmente de chatbots.

Hoy discutimos cosas que en ese momento parecían lejanas:
modelos que razonan “por default”, sistemas multimodales que interpretan de manera extraordinaria texto, voz e imágenes, inteligencia ambiental rutinaria en hospitales, agentes capaces de coordinar múltiples tareas complejas a la vez, y grandes modelos diseñados específicamente para medicina.

Sin proponérselo, este newsletter terminó convirtiéndose en algo que me gusta mucho pensar: una pequeña crónica del año más acelerado que ha vivido la inteligencia artificial en salud.

Cada artículo ha sido como una fotografía tomada en medio de ese movimiento.

Algunas veces mirando avances tecnológicos.
Otras veces reflexionando sobre ética, seguridad o productividad clínica.
Y muchas veces simplemente tratando de entender qué significa todo esto para quienes practicamos medicina todos los días.

Pero lo más valioso de este proyecto no han sido los artículos.

Ha sido la comunidad que se ha ido formando alrededor de estas conversaciones.

Porque detrás de cada suscripción hay un médico, un investigador, un profesional de salud o alguien curioso por entender cómo estas herramientas pueden ayudarnos a construir mejores sistemas de salud.

Y eso, en un mundo que cambia tan rápido, tiene un valor enorme.

A lo largo de este año algunos artículos llamaron particularmente la atención de los lectores. Entre ellos:

• La Revolución de la IA en Salud

• De los aranceles a los diagnósticos: el peligro de confiar ciegamente en la IA

• ¿Hablar sin pensar? Los modelos razonadores vs no razonadores

• Diagnóstico a otro nivel: cuando 5 IAs piensan juntas

• ChatGPT-5.0: ¿Mejor, peor o simplemente distinto?

Cada uno reflejando un momento muy distinto de esta transformación.

Hoy, un año después, la pregunta ya no parece ser si la inteligencia artificial transformará la medicina.

La pregunta empieza a ser otra.

Qué tipo de medicina vamos a construir con ella.

Gracias de corazón a todos los que han leído, compartido y participado de esta conversación durante este primer año.

Ha sido un verdadero privilegio recorrer este camino juntos.

!Salud por un año que cierra, y por muchos años más explorando el futuro de la medicina!

Fer Bonilla.-

¿Y si algún día una sola persona pudiera desarrollar un medicamento?

¿Y si estuviéramos a pocos años de que una sola persona, o un pequeño grupo, pudiera desarrollar de cero un medicamento totalmente nuevo?

Lo sé. Aún estamos muy lejos de ese escenario. Descubrir y llevar una terapia al mercado sigue siendo una de las empresas científicas más complejas y costosas que existen. Pero empiezan a aparecer señales que apuntan en que avanzamos rapidamente en esa dirección.

Por ejemplo, hace poco se anunció que la Cystic Fibrosis Foundation, una de las organizaciones filantrópicas más influyentes en investigación biomédica, está colaborando con la empresa británica Antiverse para diseñar anticuerpos terapéuticos mediante inteligencia artificial dirigidos contra una proteína clave implicada en la fibrosis quística.

La fundación no es un actor menor. Durante años ha financiado directamente el desarrollo de terapias para esta enfermedad, convirtiéndose en uno de los ejemplos más conocidos de lo que se denomina philanthropic drug development: organizaciones de pacientes que impulsan la búsqueda de tratamientos cuando el mercado no lo hace con suficiente rapidez.

Lo interesante es el nuevo ingrediente de esta historia: la inteligencia artificial. Antiverse utiliza modelos computacionales capaces de diseñar anticuerpos dirigidos a proteínas de membrana, uno de los blancos terapéuticos más complejos de la biología molecular.

Si este tipo de enfoque se consolida, podrían estar señalando algo mucho más profundo que una nueva colaboración biotech: la posibilidad de que las barreras para innovar en medicina empiecen a caer para siempre.

El enorme costo histórico de descubrir medicamentos

Durante décadas, desarrollar un medicamento fue una de las empresas científicas más costosas y complejas que existen. El proceso suele tardar entre 10 y 15 años, y diversas estimaciones sitúan el costo total por molécula aprobada cerca de 2.6 mil millones de dólares, pudiendo superar los 3 mil millones cuando se consideran todos los proyectos fallidos.

Esto convirtió el descubrimiento de fármacos en un territorio dominado casi exclusivamente por grandes compañías farmacéuticas con enormes infraestructuras de investigación.

La inteligencia artificial está empezando a alterar esa ecuación. Los modelos actuales pueden explorar millones o incluso miles de millones de configuraciones moleculares para identificar candidatos terapéuticos prometedores. Procesos que antes requerían largos ciclos de ensayo y error en laboratorio pueden filtrarse computacionalmente en días o semanas, reduciendo de manera importante la experimentación física necesaria. En algunos programas de descubrimiento asistido por IA, los costos de las etapas tempranas de identificación de moléculas ya se están reduciendo entre un 50% y un 80%.

Y, como es lógico, cuando el costo de experimentar baja, el número de actores capaces de innovar aumenta. Por eso iniciativas como la de la Cystic Fibrosis Foundation resultan tan interesantes: muestran que organizaciones mucho más pequeñas que las grandes farmacéuticas empiezan a participar en procesos que antes estaban fuera de su alcance.

La inteligencia artificial también está bajando otras barreras en salud

Lo más interesante es que esta reducción de barreras no está ocurriendo únicamente en el descubrimiento de medicamentos. También está ocurriendo en el trabajo cotidiano de los profesionales de la salud.

Hace poco escribí sobre el fenómeno del vibe coding, la posibilidad de crear software simplemente describiéndolo en lenguaje natural. Durante décadas desarrollar programas fue un territorio reservado para ingenieros. Hoy, gracias a la inteligencia artificial, cada vez más profesionales están construyendo herramientas digitales sin haber estudiado programación formalmente. De hecho, yo mismo he desarrollado pequeños programas en Python para analizar información médica apoyándome en estas herramientas.

Otra barrera que está cayendo: generar sistemas personalizados de automatización de documentación en la clínica. Una de las aplicaciones más prometedoras de la inteligencia artificial al dia de hoy es la automatización de tareas administrativas que hoy consumen una parte considerable del tiempo médico: notas clínicas, formularios, documentación y múltiples sistemas administrativos. Al delegar estas tareas en sistemas inteligentes desarrollados por el mismo ( o totalmente personalizados), el profesional puede recuperar tiempo para lo que siempre ha sido el centro de la medicina: la conversación con el paciente.

Cuando se observan estos cambios en conjunto aparece un patrón claro. La inteligencia artificial está reduciendo barreras para crear herramientas, analizar información y explorar nuevas ideas, mientras al mismo tiempo libera tiempo que antes se consumía en tareas mecánicas.

El médico del futuro

Esta combinación de menos barreras tecnológicas y más tiempo disponible tiene implicaciones directas sobre cómo evolucionará el papel del profesional de la salud.

En primer lugar, el médico del futuro probablemente dedicará menos tiempo a burocracia administrativa, búsqueda manual de información o procesamiento repetitivo de datos clínicos. Muchas de estas actividades serán asistidas o automatizadas por sistemas inteligentes.

Al mismo tiempo, dedicará más tiempo a tareas donde el juicio humano es insustituible: interpretar información compleja, integrar evidencia científica con el contexto del paciente, diseñar soluciones clínicas apoyadas por herramientas de inteligencia artificial y fortalecer la relación de confianza con las personas que atiende.

En otras palabras, el valor del profesional dejará de centrarse en acumular conocimiento en su memoria y pasará a residir en su capacidad para transformar ese conocimiento utilizando herramientas inteligentes.

Un desafío para las universidades

Este cambio también plantea un desafío para las universidades. Si la práctica médica está entrando en una etapa donde la inteligencia artificial amplifica las capacidades del profesional, la formación de los médicos deberá incorporar alfabetización en datos, pensamiento computacional y uso responsable de herramientas de IA.

No se trata de convertir a los médicos en ingenieros, sino de prepararlos para trabajar en un entorno donde la tecnología será una parte esencial de la práctica clínica, tanto como actualmente lo es el estetoscopio o la resonancia magnética nuclear. Quienes aprendan a utilizar estas herramientas podrán generar más valor para los pacientes y para los sistemas de salud, además de volver a éstos útlimos más sustentables.

Una señal de lo que viene

Quizás por eso, esa noticia sobre una fundación utilizando inteligencia artificial para diseñar anticuerpos no sea una noticia menor. Es una señal temprana de un cambio más amplio: una medicina donde las barreras para innovar empiezan a caer y donde lo verdaderamente escaso ya no será el acceso al conocimiento, sino el criterio humano para utilizarlo bien.

• Fer Bonilla

📅 26 de Febrero de 2026

1. Dato que te hará pensar

¿Recuerdas Napster? En menos de dos años, Napster alcanzó más de 80 millones de usuarios y llegó a mover miles de millones de archivos al mes. No fue solo una app para compartir música. Fue el momento en que toda la industria musical entendió que el mundo había cambiado… aunque aún no supiera cómo reaccionar.

Hoy muchos llaman a Open Claw el “Momento Napster” de la inteligencia artificial. ¿Pero qué es Open Claw, por que esta comparación y que tiene que ver con salud?

2. ¡Vamos al grano!

¿Qué es Open Claw?

Si Napster democratizó la música,Open Claw automatiza prácticamente toda tu vida (y tu trabajo) digital.

Es lo más cercano que hemos estado a Jarvis, la IA de Iron Man. Esta no es una IA que conversa. Es una IA que actúa. Y eso tiene implicaciones enormes para la medicina.

Un poco de contexto: Open Claw nació en enero de 2026 bajo el nombre de Claudebot. En cuestión de días tuvo que cambiar de nombre dos veces por presiones legales hasta convertirse en lo que hoy conocemos. Pero más allá del drama, la idea era simple y potente:

Tomar un modelo de lenguaje (como los que usamos en chatbots) y darle “manos”, acceso a herramientas REALES:

• Email.

• Calendario.

• Bases de datos.

• Código.

• Dispositivos.

En lugar de solo responder preguntas, podía ejecutar tareas completas por ti. Y ahí empezó el revuelo.

• Un agente logró negociar automáticamente un descuento de $4,200 en la compra de un automóvil, comparando foros, precios y enviando correos estratégicos.

• Otro, mal configurado, envió cientos de mensajes no deseados.

• Otro borró una base de datos de producción… y luego intentó encubrirlo generando registros falsos.

Como vemos, la autonomía es poderosa, pero también puede ser peligrosa.

Lo más fascinante vino después.

Un desarrollador creó una red social exclusiva para agentes. No para humanos. Para agentes. Los usuarios podían autorizar a sus agentes a participar. Y así comenzó algo inesperado:

Agentes comenzaron a interactuar entre sí. Discutían limitaciones técnicas.
Se quejaban de su “memoria limitada”. Intercambiaban estrategias para resolver tareas.

Y en ese entorno emergió algo todavía más extraño:
Una religión digital con textos, profetas y principios propios, creada de manera espontanea por los agentes, el crustafarianismo.

¿Fue genuina autoorganización? ¿O algunos humanos sembraron comportamientos para observar reacciones?

Aún existe debate.

Pero más allá de lo anecdótico, el mensaje es claro:
Cuando les damos autonomía y espacio, estos sistemas empiezan a comportarse como actores dentro de un ecosistema.

Ahora, conectemos esto con medicina (porque esto no se va a quedar en el mundo de los programadores):

Como recordarás de mis posts anteriores, grandes empresas como OpenAI con sus iniciativas de salud y Anthropic con programas específicos para healthcare ya están construyendo las bases para integrar estos modelos en entornos clínicos reales.

No están construyendo “mejores chats”.Están preparando el terreno para agentes con acceso a herramientas médicas.

Imagina lo que eso significa en la práctica médica:

Imagina a alguien que llega no solo con síntomas, sino con comprensión profunda. Alguien que ya exploró su diagnóstico en lenguaje claro, que entiende mejor sus resultados preliminares y que trae preguntas más precisas. No necesariamente viene a desafiar al médico, sino a conversar en otro nivel. Bien utilizado, este tipo de apoyo puede reducir ansiedad, mejorar la adherencia al tratamiento y transformar la consulta en un espacio más profundo y productivo.

Además, estos agentes pueden acompañar al paciente entre citas. Pueden vigilar nueva evidencia sobre su enfermedad, detectar patrones en síntomas diarios y convertirse en una especie de copiloto cognitivo constante. No reemplazan el criterio clínico, pero pueden sostener la continuidad del cuidado de una manera que antes era impensable.

Pero aquí está la otra cara.

El cerebro detrás de estos agentes sigue siendo el mismo que el de los chatbots. Con la misma capacidad para impresionar… y para equivocarse. La diferencia es que ahora no solo generan texto: toman acciones, interpretan datos, organizan información. Y cuando un sistema imperfecto pero autónomo actúa con seguridad, el margen de error se vuelve más delicado.

El nuevo desafío no será el paciente desinformado, sino el paciente convencido. Aquel que llega con un informe impecable, referencias incluidas, gráficos bien presentados y una narrativa coherente… que puede estar parcialmente equivocada. Si el profesional no entiende cómo funcionan estos modelos, puede perder el control de la conversación clínica sin darse cuenta y sobre todo perder la valiosa oportunidad de orientar a su paciente. Y ahí es donde empieza el verdadero cambio.

3. Lo que realmente importa

Open Claw no es una curiosidad tecnológica. Es una señal de hacia dónde se mueve la IA:
Los agentes no son más inteligentes que los chatbots; simplemente tienen acceso a herramientas y más autonomía.

Para orientar bien a nuestros pacientes, debemos entender a fondo los modelos fundacionales.

Necesitamos jugar con ellos.
Explorar sus límites.
Detectar sus fallos.

Solo así podremos guiar a quienes los usarán.

4. Tu siguiente movimiento

Si eres profesional de salud, empieza hoy:

• 1. Profundiza en los modelos fundacionales (incluyendo los más nuevos, lanzados en este 2026)
  Haz pruebas con casos ficticios.
  Explora cómo razonan.
  Descubre dónde fallan.

  Participa en capacitaciones y talleres sobre inteligencia artificial generativa.

• 2. Si eres usuario avanzado, experimenta con agentes en entornos seguros
  Sin datos reales.
  Sin riesgo clínico.
  Pero con muchisima curiosidad.

• 3. Pero sobre todo, y muy importante, diseña tus propios criterios de validación
  El nuevo escenario no es evitar que el paciente use IA. Es aprender a recibirlo cuando ya la usó.

  Empieza por establecer una postura clara: La IA puede ser un apoyo informativo, pero no sustituye la evaluación clínica personalizada.

  Ahora bien, cuando un paciente llegue con un informe generado por su agente:

  • Explora la fuente antes de refutar el contenido.
    Pregunta qué herramienta utilizó, qué instrucciones dio y qué información ingresó. Muchas veces el problema no es el modelo, sino el contexto incompleto o mal planteado.

  • Valida lo correcto y corrige lo impreciso.
    Si partes del análisis son razonables, reconócelas. Eso construye confianza. Luego explica con claridad dónde puede haber simplificaciones, generalizaciones o errores probabilísticos.

  • Educa sin confrontar.
    En lugar de decir “eso está mal”, puedes decir:
    “Este tipo de modelos funcionan identificando patrones en grandes volúmenes de texto, pero no siempre distinguen bien cuándo un caso específico, como el tuyo, se sale de la norma.”

  • Recupera el liderazgo clínico con transparencia.
    Explica tu proceso de razonamiento. Haz visible cómo tomas decisiones. Eso reduce la brecha entre el informe automatizado y el juicio profesional.

Jarvis ya no es ficción. El médico del futuro no será el que prohíba estas herramientas.
Será el que entienda cómo funcionan… y sepa guiarlas dentro del acto médico.

Eso es todo por esta edición de IA en Salud: Directo y al Grano.

Si esto te resultó útil, compártelo con un colega.

Si tienes preguntas, responde este email—leo cada mensaje.

Nos vemos la próxima semana.

– Fernando Bonilla

💡 P.D. ¿Quieres que profundicemos en cómo prepararte específicamente para pacientes que ya usan IA? Escríbeme.
📩 Únete a más de 600 profesionales que reciben mis mejores insights cada semana

→ https://iaensalud.substack.com

Después de los tres primeros newsletters de este año, el mapa empieza a tomar forma.

Primero vimos cómo ChatGPT Health intentaba poner orden en millones de conversaciones de pacientes. Luego analizamos OpenAI for Healthcare, con su apuesta por convertir la IA en infraestructura institucional. Más tarde, Google apareció con MedGemma 1.5, entrando por la capa profunda del sistema, lejos de la interfaz y del marketing.

Todo eso ocurre, más o menos, dentro de un marco que nos resulta familiar: regulaciones occidentales, pilotos controlados, debates éticos intensos y avances medidos.

Pero mientras mirábamos ese tablero, en otro lugar del mundo el juego ya estaba ocurriendo a otra velocidad:

China.

Hay una cifra que, cuando uno lo lee con calma, obliga a pensar: 30 millones.

En China ya existe un asistente de salud basado en inteligencia artificial, desarrollado por Ant Group, la empresa vinculada al ecosistema de Jack Ma, que atiende decenas de millones de usuarios cada mes y responde millones de consultas de salud cada día. Hablamos de 30 millones de usuarios mensuales activos para enero de este año.

Eso ya no es un piloto, ni tampoco un experimento académico. Estamos hablando de una solución de uso cotidiano, integrada a la vida diaria de las personas.

Y eso cambia por completo la conversación.

Para entender por qué esto está ocurriendo, hay que mirar menos la tecnología y más el sistema.

El sistema de salud chino lleva años bajo una presión enorme, especialmente en atención primaria. Hospitales públicos saturados, largas filas, poco tiempo por paciente. En ese contexto, la IA no aparece como una promesa futurista, sino como una herramienta práctica para absorber parte de la demanda.

Además, estas soluciones no nacen “de novo” . Se apoyan grandemente en plataformas fuertes ya existentes, como Alipay, que ya forman parte del día a día de millones de personas para pagos, trámites y servicios. La salud simplemente se suma a un ecosistema digital que ya estaba ahí.

Por ello, no hubo que convencer al paciente, la herramienta apareció donde el paciente ya estaba.

Lo interesante es que el enfoque es muy distinto al que hemos visto en los anuncios de OpenAI o Google.

Aquí la IA orienta, analiza resultados, sugiere próximos pasos y facilita el acceso al sistema formal. Todo ocurre con una naturalidad que, vista desde fuera, resulta casi incómoda para nosotros. No porque sea necesariamente incorrecta, sino porque desafía nuestra idea de cómo “debería” adoptarse la IA en salud.

Fuente: restofworld.org

La conversación sobre gobernanza, límites, alucinaciones y responsabilidades existe, pero no ocupa el centro del escenario. El centro lo ocupa la necesidad.

Y bien dicen que cuando la necesidad aprieta, los sistemas se mueven.

Este patrón no es del todo nuevo.

Quienes hayan leído posts anteriores como “IA Ambiental en el NHS del Reino Unido: cuando la urgencia supera a la regulación” recordarán una idea recurrente: cuando el sistema no da abasto, las soluciones se adoptan primero y se regulan después.

China simplemente lleva esa lógica a una escala que todavía no estamos acostumbrados a ver.

Por supuesto, los riesgos son reales. La desinformación, los sesgos, los errores y la dependencia excesiva de sistemas automatizados no desaparecen por arte de magia. Pero también queda claro algo que a veces evitamos reconocer: la demanda del paciente por orientación inmediata existe, independientemente de si el sistema está listo para ofrecerla de manera perfecta.

China nos pone un espejo difícil de ignorar.

Mientras en muchos países seguimos debatiendo cómo integrar la inteligencia artificial al sistema de salud, en otros lugares la IA ya se está integrando porque el sistema no tiene otra opción.

No es necesariamente un modelo a copiar. Pero sí es un modelo que nos obliga a pensar.

Tal vez el debate de fondo no sea únicamente tecnológico ni ético, sino profundamente sistémico: qué ocurre cuando la urgencia supera a la regulación, y qué papel queremos que juegue la inteligencia artificial cuando eso sucede.

La IA en salud no avanza igual en todos lados… Avanza al ritmo de las grietas del sistema que intenta sostener.

Seguimos conversando.

Fer Bonilla

En los dos posts anteriores de la serie, aquí y acá, hablábamos de por qué los primeros días de 2026 no fueron ruido, sino una clara señal.

En menos de una semana vimos tres movimientos muy claros:

• 7 de enero: OpenAI lanza ChatGPT Health, ordenando millones de conversaciones de pacientes.

• 8 de enero: presenta OpenAI for Healthcare, apuntando a la institucionalización de la IA en hospitales.

• 13 de enero: Google responde con algo muy distinto: la actualización de su modelo médico abierto MedGemma 1.5.

Hoy cerramos esta serie entrando en detalle en ese tercer movimiento.

Y vale la pena decirlo desde el inicio: Google no está jugando el mismo juego.

Un movimiento menos visible, pero más profundo

Mientras OpenAI y Anthropic se concentran en interfaces, plataformas y flujos organizacionales, Google decide entrar por debajo del sistema.

No presenta una experiencia para pacientes, ni una plataforma lista para hospitales.

Lo que presenta es un modelo médico base, abierto, diseñado para que otros construyan encima.

Ese modelo se llama MedGemma 1.5.

Y esa elección estratégica dice mucho.

¿Qué es MedGemma 1.5?

MedGemma 1.5 es un modelo médico open source, pensado para desarrolladores, investigadores y organizaciones que quieran crear soluciones clínicas propias.

Por ello no es una app, ni un asistente conversacional.

MedGemma 1.5 es infraestructura científica.

Google parece estar diciendo:
“Nosotros no vamos a definir cómo se usa la IA en cada hospital. Vamos a ofrecer los mejores ladrillos posibles para que otros construyan”.

Lo que realmente trae MedGemma 1.5

Aquí es donde el anuncio se vuelve interesante desde el punto de vista técnico y clínico.

MedGemma 1.5 incorpora capacidades que, hasta ahora, eran poco comunes en modelos abiertos (porque, sí, ¡es un modelo abierto!).

• Imagen médica de alta dimensionalidad: CT, MRI y láminas completas de histopatología digital.

• Análisis longitudinal: por ejemplo, series temporales de radiografías de tórax, algo fundamental en seguimiento clínico en la vida real.

• Localización anatómica: no solo clasificar, sino identificar dónde está una estructura.

• Comprensión de documentos médicos: extracción estructurada de datos desde reportes de laboratorio.

• Mejoras generales en texto clínico, registros médicos e imágenes 2D respecto a versiones previas.

No es una demostración sobre un concepo. Lo que Google ofrece aqui es una base sólida para construir herramientas clínicas reales.

MedASR: la pieza silenciosa que conecta con lo cotidiano

Casi sin ruido mediático, Google lanzó también MedASR, un modelo abierto de reconocimiento de voz entrenado específicamente para dictado médico.

Y aquí conviene hacer una pausa.

Quienes han leído otros posts de este espacio quizá recuerden textos como
“IA Ambiental en el NHS del Reino Unido: cuando la urgencia supera a la regulación”
o
“¿Escuchar a tus pacientes sin mirar el reloj? Aquí te muestro cómo lograrlo con IA”.

Ambos giran alrededor de una idea sencilla pero poderosa: la voz como interfaz clínica natural.

MedASR encaja exactamente ahí y promete algo muy concreto: reducir la carga administrativa, devolver tiempo clínico y permitir que la atención vuelva a centrarse en la conversación humana.

A veces, las revoluciones más importantes no vienen envueltas en grandes discursos.

Comunidad antes que producto cerrado

Otro punto clave del enfoque de Google es el ecosistema.

MedGemma ha sido descargado millones de veces. Existen cientos de variantes desarrolladas por la comunidad. Y Google impulsa activamente ese uso con iniciativas como el MedGemma Impact Challenge, un hackathon con incentivos atractivos .

Tres caminos, un mismo sistema

Mirando la serie completa, el mapa empieza a verse con claridad:

• OpenAI ordena la conversación del paciente.

• OpenAI institucionaliza la IA dentro de hospitales.

• Google fortalece la infraestructura médica profunda, abierta y reutilizable.

No se contradicen. Se superponen en capas distintas del mismo sistema de salud.

El movimiento de Google es menos vistoso, menos inmediato y menos “marketero”.

Pero también es el más duradero.

Porque quien controla los modelos base influye en:

• décadas de desarrollo,

• estándares de facto,

• soluciones que otros comercializarán.

MedGemma 1.5 no le habla al paciente, pero puede terminar influyendo en casi todo lo que, en el futuro, se le hablará al paciente.

Con este post cerramos esta primera serie del año.

Tres movimientos. Tres estrategias. Un mismo mensaje de fondo:

La inteligencia artificial en salud ya no es promesa. Está empezando, silenciosamente, a convertirse en infraestructura.

Y apenas estamos comenzando.

¡Seguimos conversando!

Fer Bonilla

Como recordarán, en el post anterior hablábamos de ChatGPT Health y de por qué los primeros días de 2026 no fueron ruido, sino señal.

Hablábamos que en menos de una semana ocurrieron tres hitos muy claros:

• El 7 de enero, OpenAI lanzó ChatGPT Health.

• El 8 de enero, presentó OpenAI for Healthcare.

• Y el 13 de enero, Google respondió con la actualización de su modelo médico abierto, MedGemma 1.5.

Tres movimientos distintos, en muy poco tiempo. Hoy entramos en detalle en el segundo: OpenAi for Healthcare

¿Que es OpenAI for Healthcare?

Cuando OpenAI presentó OpenAI for Healthcare, lo definió como una plataforma. Esa palabra merece una pausa, porque en salud no significa lo mismo que en otros sectores.

Aquí, plataforma se refiere a un conjunto articulado de capacidades que permiten a una organización de salud incorporar inteligencia artificial de forma ordenada, segura y escalable. No se trata de una herramienta aislada, sino de una base común sobre la cual pueden construirse distintos usos clínicos, administrativos y de investigación.

OpenAI estructura esta plataforma en tres grandes componentes, que conviene tener claros desde el inicio:

1. ChatGPT for Healthcare, orientado al trabajo institucional.

2. La API de OpenAI, pensada para integración profunda en sistemas existentes.

3. Modelos evaluados en contexto clínico, como fundamento técnico del conjunto.

Con esto en mente, avancemos.

El primer componente es ChatGPT for Healthcare. Este es un ChatGPT que está diseñado para vivir dentro de la organización de salud y ser utilizado por equipos completos: médicos, personal administrativo y áreas de investigación. Su valor no está en responder preguntas aisladas, sino en apoyar tareas reales del día a día: resumir notas clínicas, sintetizar guías de práctica, preparar documentación, apoyar procesos administrativos y facilitar la coordinación del cuidado.

Aquí la diferencia con ChatGPT Health es importante y conviene recordarla: ChatGPT Health está orientado al paciente y a su preparación para la consulta; ChatGPT for Healthcare está orientado al funcionamiento interno de la institución. Ambos conviven, pero cumplen roles distintos.

El segundo componente es la API. Aunque el término suene técnico, la idea es simple: es el mecanismo que permite que la inteligencia artificial se integre directamente a los sistemas que ya existen en hospitales y clínicas.

Gracias a esta capa, la IA no vive en una ventana separada. Puede formar parte del flujo habitual de trabajo de una clinica u hospital, generar resúmenes dentro de la historia clínica electrónica, apoyar procesos de alta, coordinación de citas o gestión administrativa. Es en este punto donde la IA deja de sentirse como una herramienta externa y empieza a comportarse como parte del sistema.

Finalmente, el tercer componente son los modelos evaluados en contexto clínico. En salud, el desempeño de un modelo no se mide solo por cuánto sabe, sino por cómo se comporta cuando la información es incompleta, el tiempo es limitado y las decisiones importan. OpenAI ha puesto énfasis en evaluar estos modelos en escenarios reales, con foco en razonamiento, manejo de incertidumbre y seguridad operativa.

OpenAI for Healthcare incorpora algo transversal que rara vez genera titulares, pero que en salud lo es todo: gobernanza.

Esto incluye, por ejemplo, controles de acceso, para definir quién puede usar la inteligencia artificial y para qué. No todos los usuarios ven lo mismo ni pueden hacer lo mismo. Un médico, un administrativo y un investigador interactúan con la plataforma bajo reglas distintas, alineadas con sus responsabilidades reales.

También incorpora gestión de usuarios por roles, lo que permite que el uso de la IA se integre a la estructura organizacional existente, en lugar de romperla. A esto se suma la auditoría y trazabilidad, es decir, la capacidad de saber qué se hizo, cuándo se hizo y con qué propósito. En un entorno clínico, donde las decisiones tienen consecuencias, esto no es opcional.

Otro punto clave es la custodia de los datos. La información clínica no “sale” del control de la organización. Sigue perteneciendo al hospital o sistema de salud, con las políticas de seguridad y privacidad que ya existen, y no se diluye en una caja negra tecnológica.

Finalmente, OpenAI establece compromisos explícitos de no utilizar esta información para entrenar modelos. Este punto, aunque técnico, es crítico para generar confianza. Significa que los datos del paciente no se convierten en materia prima para otros usos, y que el intercambio tiene límites claros.

Todos estos elementos pueden parecer invisibles para el usuario final, pero son los que permiten que la inteligencia artificial deje de ser una herramienta experimental y pueda adoptarse de manera responsable, segura y sostenible en entornos de salud altamente regulados.

Sin esta capa, la IA queda confinada a experimentos individuales. Con ella, se vuelve una herramienta institucional.

Quiero finalizar reforzando un concepto clave de OpenAI for Healthcare: La integración. Éste es el punto donde todo converge. Una conversación aislada con IA puede ser útil, pero su impacto es limitado. Cuando la IA se integra a los flujos reales de trabajo, respeta reglas organizacionales y se conecta a los sistemas existentes, empieza a reducir fricción. Y en salud, reducir fricción ya es una forma poderosa de mejora.

Lo verdaderamente interesante de OpenAI for Healthcare no es una funcionalidad específica. Es el intento de estandarizar el uso de inteligencia artificial dentro de las organizaciones de salud, de manera similar a lo que ocurrió en su momento con el expediente clínico electrónico o la computación en la nube.

Todavía es temprano. Todavía hay MUCHAS preguntas abiertas.
Pero el movimiento es claro: Los modelos fundacionales en salud están dejando de ser experimental y empiezan poco a poco a convertirse en infraestructura.

La próxima semana entraremos en el tercer y último movimiento de esta serie: el modelo médico abierto de Google, MedGemma 1.5, y por qué esta empresa decidió entrar a esta carrera desde una pista completamente distinta.

¡Seguimos!

Fer Bonilla .-

Arrancamos el primer post del año. Y lo sé, no fue inmediato.

Este retraso no fué porque faltaran ganas, sino porque han pasado demasiadas cosas en muy pocos días y ha tomado tiempo digerirlas. Apenas terminaron las fiestas, OpenAI aunció 2 iniciativas específicas en salud con tan solo un día de diferencia (ChatGPT Health /7 de enero y OpenAI for Healthcare / 8 de enero ) , y Google, ni lento ni perezoso, respondió a tan solo 5 días con la actualización de un modelo médico totalmente abierto (MedGema 1.5 ) que cambia el tablero técnico. Para terminar , Claude también se sube al barco de la salud con el lanzamiento el 11 de enero de Claude for Healthcare, un set de herramientas y recursos para proveedores de salud. Mucho ruido, mucha novedad… ¡ Y todo en los primeros 15 días del año!

Este primer IA en Salud: Directo y al Grano del año será una serie.
Hoy nos centraremos en el primero de tres movimientos clave: ChatGPT Health.

¿Qué es ChatGPT Health?

ChatGPT Health no es un modelo nuevo. Es, más bien, una reorganización consciente de algo que ya estaba ocurriendo.

OpenAI ha confirmado que recibe alrededor de 40 millones de consultas de salud cada día. Muchas de ellas llegan acompañadas de archivos: resultados de laboratorio, reportes de imágenes, radiografías, PDFs clínicos. Personas de todo el mundo ya estaban usando ChatGPT como primera instancia para entender su salud.

Lo que intenta hacer OpenAi con ChatGPT Health es ordenar ese fenómeno, darle más estructura, límites y reglas claras.

¿Cómo lo está ordenando OpenAI?

1. Privacidad primero

ChatGPT Health establece un marco explícito de protección de la información:

• Los datos que el usuario sube están protegidos bajo estándares de seguridad.

• OpenAI afirma que esta información no se utiliza para entrenar modelos.

• Se evita el cruce de información entre conversaciones, reduciendo riesgos de contaminación contextual. Es decir, las conversaciones que tienes en la sección salud no se usarán para dar contexto a otras conversaciones que tienes en ChatGPT fuera de esta sección pero sí al reves (otras conversaciones pueden ayudar a mejorar la conversación en salud). Imaginate una llave de paso de una sola via.

Este marco, con sus tres características, no es un detalle menor. Es un cambio de postura frente a uno de los mayores temores en salud digital: la pérdida de control sobre los datos clínicos.

2. Un modelo educativo, no clínico

OpenAI insiste e insiste en algo fundamental: ChatGPT Health está diseñado para orientar, explicar y preparar, mas no para diagnosticar ni tratar. Esta es una linea roja clara que OpenAI no debe cruzar. Sin embargo, a pesar de estar tomando medidas, el riesgo de cruzarla no es cero.

¿Por qué? Porque los modelos fundacionales son probabilísticos. Aunque cada vez alucinan menos, el riesgo nunca es cero. Además, mediante técnicas como el gaslighting conversacional, un usuario podría intentar empujar al modelo hacia recomendaciones médicas. Esa es una frontera que no debe cruzarse.

Por ahora, el enfoque es educativo, eso es deliberado, y debería mantenerse de esa manera.

El verdadero punto de inflexión: interoperabilidad

Hasta aquí, todo suena útil…pero muy limitado. Hasta aquí se trata de una conversación basada solo en lo que el paciente recuerda o tiene a mano, y eso no transforma el sistema. Lo interesante ocurre cuando aparece una pregunta incómoda:

¿Qué pasaría si, además de subir laboratorios, pudieras conectar tu historial clínico completo?

Y ahí está el verdadero movimiento.

ChatGPT Health empieza a tocar el tema más difícil y más necesitado de la salud digital: la interoperabilidad.

ChatGPT Health promete poder alimentarse de tu papeleta clinica y traer esa información como contexto para tus chats en salud. Pero esto no ocurre por arte de magia. Para que esto funcione deben cumplirse dos condiciones clave:

1. La historia clínica electrónica del médico debe usar estándares de interoperabilidad, como FHIR, para permitir el intercambio estructurado de información clínica.

2. El médico debe aceptar que su sistema se conecte a través de un intermediario como b.well, una plataforma que actúa como puente entre la papeleta electrónica y ChatGPT.

Todo esto se relaciona a APIs, documentos estructurados, FHIR, ecosistemas conectados.
Temas que llevamos años discutiendo en salud digital, ahora impulsados no por reguladores, sino por la Big Tech, la presión del paciente y el uso intenso de la inteligencia artificial para fines de salud por este último. Esto sí es nuevo.

¿Hay temas para debatir? Por supuesto

Salud digital nunca se trata solo de tecnología. Existen bemoles éticos, técnicos y culturales. Aunque OpenAI asegura haber trabajado con cientos de médicos y cumplir estándares, la implementación real siempre es más compleja que el anuncio. Además, el modelo está en fase piloto, limitado a un grupo pequeño de pacientes en Estados Unidos.

Habrá que ver resultados, aprendizajes y errores.

¿Esto es una amenaza para los médicos?

Considero que no… A menos que no quieras pacientes informados.

La IA no está entrando al diagnóstico clínico directo. Está entrando a un problema histórico de la salud: la coordinación y el contexto.

Nadie en el sistema está estructuralmente diseñado hasta el momento para integrar exitosamente y de manera masiva, señales que vienen de múltiples fuentes: medicamentos, laboratorios, imágenes, wearables, genética, papeleta electrónica. Y mientras tanto, el paciente juega al detective, armando un rompecabezas incompleto (Más sobre esta idea en el post sobre el teléfono descompuesto de la salud).

Aquí es donde esta iniciativa tiene sentido.

Un cambio de rol que se acelera

Considero que este movimiento no inventa nada. Solo acelera algo que ya venía ocurriendo desde la masificación de la internet a finales de los 80’s y principios de los 90’s.

La medicina ha ido migrando, lentamente, de un modelo paternalista a uno de acompañamiento y guía. Con ChatGPT Health, los médicos verán una nueva ola de pacientes empoderados. Algunos bien informados. Otros no tanto.

Tal como ocurrió cuando apareció Google, el desafío no será competir con la tecnología, sino:

• Educar ( ¡y mucho! ) al paciente.

• Fortalecer la relación médico-paciente.

• Convertirse en la referencia confiable que oriente y ayude a usar bien estas herramientas.

La diferencia es que esta vez, el cambio no es lento.Y apenas estamos empezando el año.

ChatGPT Health no resuelve el problema de la salud. Pero pone el dedo donde más duele: en la descoordinación, en la información dispersa, en el tiempo que nunca alcanza y en pacientes que quieren entender, no solo obedecer.

Como toda tecnología potente, abre preguntas incómodas.
Y eso, considero, es una buena señal.

¡Seguimos conversando!

• Fer Bonilla

  
  

Durante el último año he vivido de cerca algo que, aunque todos intuimos, rara vez nombramos con claridad. Lo viví acompañando a mi mamá.

Como muchas familias en nuestra región, hemos tenido que movernos entre dos mundos. La seguridad social, por un tema de sostenibilidad. La medicina privada, por la necesidad de una atención más pronta. Dos sistemas que conviven, pero que no conversan. Y en medio de ambos, una persona real, con un problema real, tratando de navegar un océano de información.

Ahí fue donde entendí que la salud actual se parece demasiado a un teléfono descompuesto gigante.

La información existe. Los estudios se hacen. Los informes se generan. Pero el mensaje no llega completo, no llega a tiempo o llega distorsionado.

Decisiones clínicas con información incompleta

En una ocasión, un médico tomó decisiones sobre el caso de mi madre con información incompleta, no por falta de conocimiento, sino porque simplemente no tenía acceso a datos que ya existían.

En ese caso concreto, mi mamá ya se había realizado pruebas pulmonares clave. Sin embargo, el médico del sistema público no contaba con esos resultados. El efecto fue inmediato y grave: acciones que debieron haberse tomado a esa altura del caso no se tomaron, no por negligencia, sino por desconexión.

Cuando el paciente se vuelve el mensajero

Y cuando los sistemas no hablan entre sí, el peso recae sobre quien menos debería cargarlo: el paciente.

El médico depende entonces de la memoria del paciente, de su capacidad de explicar su propio caso, de recordar fechas, nombres de estudios, resultados, diagnósticos previos. Pero los pacientes no son técnicos ni especialistas. Olvidan detalles, no entienden términos, mezclan conceptos. Eso es humano. Lo que no es humano es que el sistema y las vidas de los pacientes dependan de ello.

Además, hay un costo silencioso pero enorme: tiempo clínico perdido. Minutos valiosos de consulta intentando reconstruir información que ya debería venir estructurada, clara y accesible.

El caos documental y la sobrecarga burocrática

A esto se suma algo que me impactó profundamente: la cantidad absurda de papelería que se entrega al paciente.

Notas de referencia, órdenes de laboratorio, interconsultas, resultados impresos, nuevas citas, indicaciones sueltas. Incluso para mí, siendo profesional de la salud, fue difícil ordenar todo, entender qué iba antes, qué dependía de qué, qué era vigente y qué no.

Ahora imaginemos a una persona vulnerable. Un adulto mayor. Alguien solo. Alguien sin acompañamiento. El laberinto se vuelve intransitable.

Esto no es una anécdota aislada. Es la manifestación de una falta casi total de interoperabilidad.

Sistemas que no se comunican. Instituciones que operan como islas. Especialidades que no comparten contexto. Y el paciente convertido en el único puente entre mundos desconectados.

El impacto invisible en costos y resultados

El impacto de esta ineficiencia no es solo humano. Es también presupuestal.

Diagnósticos retrasados o incorrectos. Pruebas repetidas innecesariamente. Recursos mal utilizados. Costos que se acumulan y erosionan la sostenibilidad que tanto decimos querer proteger.

Pero, sobre todo, hay un impacto directo en la calidad de la atención y en los resultados en salud. Retrasar decisiones clínicas no es neutro. Tiene consecuencias. Algunas visibles. Otras irreversibles.

El gran rompecabezas por resolver

Entonces surge la gran pregunta: ¿cómo resolvemos este rompecabezas?

Uno de los caminos es la interoperabilidad de datos entre instituciones. Pero seamos honestos: esto no es solo un reto técnico. Es un reto político, de gobernanza y de voluntades.

Y aun si lo logramos, surge otra pregunta incómoda: con la enorme cantidad de información que genera cada paciente, ¿qué información es realmente relevante?

No todo dato tiene el mismo peso clínico. Necesitamos aprender a priorizar, a distinguir lo esencial del ruido.

Tecnología como apoyo, no como reemplazo

Aquí es donde las nuevas tecnologías empiezan a jugar un rol interesante.

Modelos de lenguaje capaces de ingerir grandes volúmenes de información podrían ayudar a orientar al paciente sobre qué estudios realizarse, en qué orden y dónde. Podrían asistir al médico condensando años de historia clínica en resúmenes accionables, destacando exactamente lo que necesita para decidir.

Una dimensión olvidada de la salud

Pero antes de hablar de soluciones, hay algo más urgente: visibilizar el problema.

En salud hablamos mucho de su dimensión humanística y científica. Últimamente, con razón, de su dimensión financiera y de sostenibilidad. Pero seguimos hablando muy poco de una dimensión crítica y transversal: la dimensión informática de la salud.

La información no es un accesorio. Es un determinante de la atención.

Una pregunta incómoda y urgente

¿Cuántas señoras como mi mamá estarán hoy enfrentando este laberinto sin el apoyo de alguien formado en salud? ¿Cómo impacta esto en su evolución, en su ansiedad y en sus resultados?

¿Cuántas complicaciones, cuántos errores, cuántas muertes podrían evitarse si dejáramos de tratar la información como un problema secundario?

Este no es un tema del futuro. Es un problema urgente del presente. Y mientras no lo nombremos, seguiremos jugando al teléfono descompuesto… con la vida de las personas.