Dos IAs en la consulta, parte 1

Publicado poraipocratesPublicado en Sin categoría

Inteligencia artificial generativa en medicina ambulatoria: ¿qué cambia el debate?

Un sistema roto no puede usar bien ninguna herramienta. Pero una herramienta bien usada puede empezar a reparar el sistema.

Camilo Naranjo, miembro de AIpocrates, CEO Saludtools
Andrés Rico, CEO de AIpocrates, médico de atención primaria

Introducción: el contexto del colapso

La medicina ambulatoria contemporánea enfrenta una paradoja inquietante: dispone de la herramienta tecnológica más potente de su historia y, al mismo tiempo, opera en las condiciones estructurales menos propicias para usarla bien. Este texto parte de esa tensión para proponer una distinción que el debate público sigue ignorando y que determina si la inteligencia artificial (IA) en la consulta externa será una solución real o una capa de tecnología sobre un sistema fallido.

¿Qué aporta este texto? En columnas previas de aipocrates.blog se han analizado los riesgos de implementar IA en hospitales desordenados (Por qué meterle IA a un hospital desordenado es un tiro en el pie), las implicaciones para el pensamiento crítico (IA en salud: ¿potenciadora o supresora del pensamiento crítico?) y la nueva propedéutica clínica (La interoperabilidad humano-máquina). Este texto avanza en una dirección que ninguna de esas columnas recorre por completo: propone una taxonomía operativa binaria —IA clínica versus IA ambiental— respaldada por ensayos aleatorizados recientes, y formula una regla regulatoria concreta para guiar a clínicos y gestores en decisiones de adquisición e implementación.

Mapa del debate

Para navegar este territorio sin perderse, conviene establecer cuatro puntos de referencia.

Primero, una definición operativa: no toda IA en salud es igual ni funciona de la misma manera. Los modelos generativos de lenguaje (LLM), los sistemas predictivos basados en reglas y los sistemas de soporte a la decisión clínica (CDSS) son tecnologías distintas con perfiles de riesgo distintos.

Segundo, los niveles de automatización: según el marco de Bitterman et al. (Lancet Digital Health, 2020), la IA médica opera en un continuo que va de la asistencia al médico hasta la autonomía plena, y ese nivel determina el régimen de evaluación, validación y responsabilidad aplicable.

Tercero, la categoría regulatoria: la FDA (Clinical Decision Support Software Guidance, enero de 2026) distingue entre software que constituye un dispositivo médico regulado y software de apoyo que no lo es; esa distinción no es burocrática —es la frontera entre lo que requiere evidencia clínica rigurosa y lo que puede desplegarse hoy.

Cuarto, los tipos de IA en atención: IA ambiental —escribas, documentación—, soporte a la decisión clínica —CDSS generativos y predictivos—, IA conversacional y sistemas agénticos. Cada uno resuelve un problema diferente, y confundirlos es lo que produce, a la vez, sobreentusiasmo y parálisis en el debate. Los problemas a resolver son distintos en cada caso.

El objetivo de esta primera parte no es presentar la implementación de IA generativa en contextos ambulatorios como un problema irresoluble, sino realizar un llamado a la acción de los tomadores de decisiones para que puedan obtener las ventajas que hasta el momento se presentan como teóricas.

La distinción central que se propone es la siguiente:

  • IA clínica: sistemas de soporte a la decisión médica que sugieren diagnósticos, recomiendan tratamientos y evalúan riesgos. Requieren cautela, validación y supervisión humana estricta.
  • IA ambiental y administrativa: sistemas que transcriben la consulta, generan la nota clínica, gestionan autorizaciones y facturación. No pretenden mejorar el razonamiento clínico. Pretenden devolverle al médico el tiempo que hoy le quitan los flujos administrativos.
  • Confundirlas hace que el debate sobre IA en medicina sea paralizante. La pregunta correcta no es si implementamos IA generativa, sino: ¿qué tipo de IA, para qué tipo de problema, y bajo qué supervisión?
Meme sobre empresas que quieren implementar inteligencia artificial sin resolver primero la calidad de los datos.

1. La crisis estructural: médicos rotos en sistemas rotos

Antes de hablar de inteligencia artificial hay que hablar del contexto actual: un modelo de atención que ha convertido la medicina ambulatoria en una cadena de producción industrial.

La consulta externa opera bajo un paradigma de eficiencia que asigna veinte minutos por paciente. Un tiempo estructuralmente insuficiente para la práctica clínica auténtica, resultado de una convergencia de presiones administrativas, económicas y políticas que ninguna historia clínica electrónica ha podido solventar.

La presión del tiempo es apenas la mitad del problema. Paralelamente, existe una carga administrativa que los médicos deben absorber: historias clínicas electrónicas que requieren más de cuatro mil clics en ocho horas de consulta, fichas de notificación epidemiológica, medicamentos fuera del plan de beneficios, gestión de autorizaciones. El acto clínico y el acto administrativo concurren en el mismo espacio, con el segundo completamente fuera de la formación del médico y de su identidad profesional. El resultado es estructuralmente inevitable: agotamiento.

Este es el fenómeno del burnout sistémico. No es un problema individual de un médico débil, sino la evidencia observable de un sistema que ha excedido la capacidad humana de sostenerse. En Estados Unidos, donde el problema está mejor medido, los clínicos dedican cerca de veintiocho horas semanales a tareas administrativas, y por cada ocho horas de consulta gastan más de cinco horas en el sistema de historia clínica electrónica. La proporción en LatAm es difícil de cuantificar con precisión, pero los indicios apuntan a que es peor.

A esta sobrecarga operativa se suma un problema de actualización: el volumen de conocimiento médico, que hace tres décadas se duplicaba cada diez años, hoy lo hace cada setenta días. Las guías sobre una sola enfermedad se publican mensualmente desde diferentes sociedades científicas, con recomendaciones y jerarquías de evidencia divergentes.

El clínico no solo carece de tiempo para reflexionar. Carece de tiempo para mantenerse actualizado. Este problema no es idéntico al de la carga administrativa, pero lo agrava: el médico que ya está sobrecargado debe además seleccionar, en tiempo real, qué conocimiento aplica. Aquí es exactamente donde los CDSS bien diseñados tienen su razón de ser, como se discutirá en la sección 3.

Paralelamente, la construcción social del paciente ha evolucionado. El paciente histórico, que confiaba en el saber médico, ha sido desplazado por una figura nueva: el consumidor demandante. Esta transformación, impulsada por el acceso a información fragmentada en redes sociales y la judicialización de la medicina, ha creado un escenario donde el derecho a la salud se traduce como derecho a la satisfacción de preferencias individuales.

Médico agotado frente a un computador mientras varios pacientes avanzan en una escena que representa una consulta médica industrializada.

Conclusión parcial: en este polígono de fuerzas —un médico sin tiempo, un sistema que no resuelve, un paciente que exige— la IA generativa entra como promesa de solución. Pero entra mal etiquetada. El error no está en traer la tecnología: está en no distinguir qué tipo de tecnología resuelve qué tipo de problema. Esa es la tesis de este texto.

2. El falso dilema

En la consulta externa real, tienes veinte minutos. En esos veinte minutos, además de la conversación con el paciente y la eventual consulta a la IA, debes tomar decisiones, prescribir, referir, autorizar exámenes, documentar. La brevedad no es un accidente: es una característica estructural de un modelo que prioriza volumen sobre profundidad, hora tras hora, día tras día.

El clínico agotado no cuestiona. Un clínico quemado ejecuta, y no puede permitirse el lujo del diálogo reflexivo ni consigo mismo, ni con sus pacientes, ni con una herramienta de IA que sugiere una respuesta rápida en un contexto que demanda exactamente eso: rapidez. Lo que sucede entonces es una degradación del método.

La literatura sobre implementación de IA en medicina enfatiza un ideal seductor: la IA generativa debe servir como herramienta de pensamiento crítico. Los modelos como Claude o GPT son presentados como asistentes capaces de ayudar al clínico a cuestionar diagnósticos, a considerar diferenciales complejos, a razonar de manera profunda sobre cada caso. Esta aproximación, explorada en detalle en la columna El arte socrático de cuestionar a la IA, es pedagógicamente poderosa —y eso es precisamente lo que la limita en el contexto clínico ambulatorio.

Nota editorial: el método socrático aplicado a la IA —formular preguntas sucesivas, evaluar la respuesta, reformular el prompt, cuestionar la fuente— requiere un recurso que la educación tiene y la consulta externa no: tiempo cognitivo libre. En un aula, en un semillero, en un proceso de formación continuada, el médico puede tomarse veinte minutos para desafiar una respuesta de un LLM. En la consulta real, esos veinte minutos son la consulta completa. La diferencia no es de voluntad ni de capacidad: es de estructura. El método socrático con IA no es inviable; es inviable en veinte minutos con un paciente al frente y cuatro mil clics pendientes.

La paradoja es cruel: la IA generativa parece más útil cuando se usa de manera superficial, cuando la pregunta es directa y la respuesta es inmediata. Es decir, justo cuando se abandona el ideal del pensamiento crítico y se reduce a la utilidad operacional. Puntos importantes como la privacidad, la confidencialidad, la beneficencia y la no maleficencia pueden pasarse por alto en ese modo de uso.

Hay dos posiciones en las que no se puede caer: la primera, que la IA generativa no tiene lugar en la consulta externa hasta que se transforme el sistema; la segunda, que cualquier aplicación disponible es útil por el hecho de existir. El error está en haber buscado el lugar equivocado para la IA. El médico en el consultorio necesita un escriba, un facturador, un gestor de autorizaciones, un coordinador de exámenes —no un interlocutor socrático que demanda iteración reflexiva que el sistema no le permite.

3. Las IAs, no la IA

Se habla de la inteligencia artificial como una sola entidad, se marca su nacimiento en noviembre de 2022, desconociendo una historia y una evolución. Esta confusión conceptual profunda se ha extendido al modo en que pensamos sobre IA en medicina clínica.

Para resolverla, es necesario anclarla en un marco reconocido. Bitterman et al. (Lancet Digital Health, 2020) proponen entender la IA médica como un continuo de autonomía: desde sistemas que meramente presentan información al clínico, pasando por los que hacen recomendaciones y requieren aprobación humana, hasta los que actúan de forma autónoma sin intervención directa. DOI: 10.1016/S2589-7500(20)30187-4.

El nivel de autonomía no es un detalle técnico: determina el perfil de riesgo, el régimen regulatorio aplicable y el tipo de validación clínica requerida antes del despliegue.

En paralelo, la FDA (Clinical Decision Support Software Guidance for Industry and FDA Staff, enero de 2026) establece que no todo software de apoyo clínico constituye un dispositivo médico regulado. La guía distingue entre software que reemplaza el juicio clínico —y que por tanto requiere aprobación como dispositivo— y software que apoya la decisión humana sin sustituirla, que opera bajo un régimen diferente. Esta distinción es la base regulatoria de la taxonomía que este texto propone.

Quizás las preguntas más frecuentes sobre IA en medicina —¿puede ayudar en la toma de decisiones clínicas?, ¿puede mejorar el razonamiento?, ¿disminuirá el error médico?— sean las preguntas equivocadas. El error está en asumir que el problema clínico es de decisión. Tal vez el problema es de carga. No necesitamos IA que razone mejor. Necesitamos IA que elimine fricciones administrativas para que el clínico tenga espacio mental para razonar.

Aquí emerge el concepto de IA ambiental y los Clinical Decision Support Systems (CDSS). Los CDSS clásicos, aquellos sistemas informáticos que guían la toma de decisiones en escenarios complejos y de alta incertidumbre, ofrecen algo diferente a los LLM generales: no responden preguntas clínicas en lenguaje natural. Ofrecen transparencia en el razonamiento, adaptan recomendaciones a contextos locales, y —crucialmente— no alucinan.

La distinción más útil que se puede introducir en este debate separa dos clases de IA en el flujo clínico:

  • IA clínica: sistemas de soporte a la decisión médica alimentados por modelos generativos. Sugieren diagnósticos diferenciales, recomiendan tratamientos, evalúan riesgos. Pretenden, en distintos grados del continuo de Bitterman et al., ayudar al médico a pensar mejor sobre el paciente. Requieren validación clínica rigurosa y registro sanitario según el nivel de autonomía.
  • IA ambiental y administrativa: sistemas que escuchan la consulta y generan la nota clínica, completan el RIPS, redactan la prescripción para revisión, gestionan la autorización con la aseguradora, agendan el próximo control, generan la factura electrónica. No pretenden mejorar el razonamiento clínico. Pretenden devolverle al médico el tiempo que hoy le quitan los flujos administrativos.

Esta distinción no es retórica. Es la diferencia entre dos categorías de tecnología con perfiles de riesgo, de evidencia y de regulación completamente distintos —categorías que hoy se discuten como si fueran la misma cosa.

Con los nuevos desarrollos de IA conversacional y sistemas agénticos, los límites se tornan más borrosos; precisamente por eso la distinción debe hacerse más explícita, no abandonarse. Sobre la IA clínica, la cautela está plenamente justificada y a ella se dedica la sección siguiente. Sobre la IA ambiental, la evidencia ya no es especulativa.

4. Los riesgos reales de la IA clínica

Dicho esto, los riesgos de la IA clínica no son menores ni teóricos. A medida que las plataformas evolucionen, el límite entre ambas categorías va a borrarse y los gestores responsables tendrán que saber dónde dibujarlo de nuevo.

Aquí es donde la pregunta sobre cómo usar IA en medicina se vuelve más incómoda. Un modelo de lenguaje generativo (LLM) es un espejo de su entrenamiento. Y el entrenamiento de los modelos dominantes está sesgado hacia la literatura científica del norte global.

4.1 El sesgo del norte global

Un médico consulta a un modelo: paciente con neumonía adquirida en la comunidad, sin comorbilidades, tratamiento de primera línea. El modelo responde: cefuroxima IV. Pero en el hospital donde trabaja, la tasa de resistencia de Streptococcus pneumoniae a penicilinas es menor al veinte por ciento, por lo que amoxicilina oral es suficiente y más económica. ¿Por qué el modelo recomendó cefuroxima?

La respuesta revela un sesgo estructural. La mayoría de la evidencia de alta calidad en medicina proviene de revistas de Estados Unidos y Europa, diseñadas para poblaciones de centros académicos desarrollados con variables epidemiológicas distintas a las de LatAm. Esto genera lo que podemos llamar exportación de decisiones: recomendaciones óptimas para un hospital de Boston con acceso ilimitado a antibióticos de amplio espectro, pero subóptimas en uno de Bogotá con restricciones presupuestales y perfiles de resistencia locales diferentes. En el estado de burnout sistémico descrito, el médico fatigado no tiene tiempo de verificar la fuente.

El riesgo más insidioso es el de las alucinaciones. Un modelo puede generar referencias falsas, estadísticas inexistentes o hechos clínicos que suenan plausibles pero son incorrectos. En un escenario de presión temporal, el sesgo de autoridad cognitiva —la tendencia a confiar en fuentes que parecen autorizadas— puede llevar al clínico a actuar sin verificar. El problema no es que la IA sea inteligente: es que aparenta serlo de manera tan convincente que ese sesgo se vuelve un riesgo clínico real.

4.2 La arquitectura importa: modelos generales, especializados y locales

Los modelos generales —GPT, Claude, Gemini— ofrecen flexibilidad pero cargan con dos debilidades en contextos clínicos: el sesgo de preentrenamiento y la falta de accountability. Si la recomendación es incorrecta, no es trivial determinar a quién se responsabiliza.

Una alternativa es entrenar o ajustar modelos especializados —Small Language Models, SLM— para contextos específicos. Un SLM alimentado con historias clínicas anonimizadas, guías locales y datos de resistencia antimicrobiana del hospital podría mitigar significativamente los sesgos. Ejecutar modelos localmente, en servidores del hospital y no en la nube, ofrece también ventajas de privacidad. El costo: los modelos locales son típicamente más pequeños y menos capaces.

La aproximación más pragmática hoy es Retrieval-Augmented Generation (RAG): el modelo accede a bases de datos locales de conocimiento médico, datos de resistencia y guías clínicas para anclar sus respuestas. Pero incluso con RAG hay un supuesto silencioso: que la base de conocimiento local está actualizada y es correcta. En muchos hospitales latinoamericanos las guías clínicas tienen años sin revisión. El problema no es solo técnico. Es organizacional.

4.3 Los agentes autónomos: dónde trazar la línea

Una frontera más problemática es la de los agentes autónomos: sistemas que no solo responden preguntas sino que toman acciones —prescribir, ordenar exámenes, contactar especialistas— sin intervención humana directa. En medicina ambulatoria, donde el tiempo es escaso, la tentación de delegar decisiones a estos sistemas es real.

La FDA (CDS Guidance, 2026) es explícita al respecto: el nivel de autonomía de un sistema determina si su uso requiere aprobación como dispositivo médico. El principio es claro: a mayor autonomía en la decisión clínica, mayor carga de evidencia y supervisión requerida.

La distinción operativa importa aquí más que en cualquier otra parte. Un agente que prepara un borrador de prescripción para que el médico la firme no es lo mismo que un agente que prescribe. Un agente que solicita una autorización de seguro siguiendo reglas predefinidas no es lo mismo que un agente que decide ordenar un examen.

La línea ética y regulatoria está en la firma. Cualquier acción que tenga consecuencia clínica sobre el paciente debe pasar por el juicio de un médico responsable, sin excepción. Por el contrario, cualquier acción puramente administrativa puede correr automatizada sin riesgo material.

Esta es la regla cardinal que los gestores deben grabar en sus políticas de adquisición y que los reguladores deben codificar en sus normas: la automatización administrativa es deseable y debe expandirse; la automatización clínica sin firma humana debe estar estrictamente prohibida. Esta es la brújula que debería gobernar todas las decisiones tecnológicas en la consulta.

Cierre de la parte 1

La primera conclusión es incómoda pero necesaria: el problema de la IA en medicina ambulatoria no es solo tecnológico. Es organizacional, regulatorio y clínico. La pregunta no es simplemente si debemos usar inteligencia artificial en la consulta, sino qué tipo de IA estamos usando, para qué tarea, con qué nivel de autonomía y bajo qué responsabilidad profesional.

La IA clínica requiere cautela, validación y supervisión humana estricta. Sus riesgos son reales: sesgos del norte global, alucinaciones, baja adaptación local, opacidad en la responsabilidad y posibilidad de delegar decisiones que deberían permanecer bajo juicio médico.

Pero esa cautela no debe paralizar toda innovación. La IA ambiental y administrativa pertenece a otra categoría de riesgo. No promete reemplazar el razonamiento clínico. Promete liberar al médico de tareas que nunca debieron absorber el centro de la consulta.

En la segunda parte se abordará precisamente esa oportunidad: cómo la IA ambiental puede devolver tiempo cognitivo al médico, qué evidencia publicada existe sobre su impacto y por qué liberar al clínico de la carga administrativa puede ser el primer paso concreto para reparar la consulta ambulatoria.

Referencias y recursos

Referencia académica central

Bitterman DS, Aerts HJWL, Mak RH. Approaching autonomy in medical artificial intelligence. Lancet Digit Health. 2020 Sep;2(9):e447-e449. DOI: 10.1016/S2589-7500(20)30187-4.

Regulación

FDA. Clinical Decision Support Software — Guidance for Industry and FDA Staff. Enero 29, 2026.

Columnas relacionadas en aipocrates.blog

Deja un comentario