¿Qué harías si un dolor común te llevara a una resonancia y, de pronto, dos voces con apariencia de autoridad te dijeran cosas opuestas sobre tu propio cuerpo? En medicina, ese tipo de choque no solo desconcierta: también activa un interruptor de ansiedad muy difícil de apagar.
Eso fue lo que le ocurrió al desarrollador Antoine Finkelstein. Tras una resonancia magnética, un médico le diagnosticó una rotura parcial de grado III en el tendón subescapular del hombro. Pero luego decidió pasar las mismas imágenes por Claude Opus 4.8, y el modelo de IA concluyó algo muy distinto: el tendón estaba intacto.
El hallazgo no quedó ahí. Finkelstein pidió los archivos DICOM (formato médico de imágenes) en bruto, un paquete de 266 MB, y montó un mecanismo de análisis con varios subagentes independientes. Todos coincidieron en la misma lectura: no había rotura, ni parcial ni total.
Antes de eso, una consulta con ChatGPT ya le había revelado otra pieza clave. La clínica le había indicado terapia de ondas de choque, un tratamiento desaconsejado para tendinopatías sin calcificación, y también Traumeel, un producto homeopático sin indicación terapéutica clara. Esa cadena de señales encendió la sospecha.
Pero aquí aparece el problema central: más información no siempre significa mejor información.
La escena se parece bastante a llevar un coche al taller por un ruido en el motor. Un mecánico dice que hay que cambiar una pieza cara. Otro jura que el motor está sano. Y un tercero, muy convincente, repite lo que sospechabas desde el principio. El cableado de la duda, lejos de ordenarse, se vuelve más confuso.
Con la IA médica pasa algo parecido. Los grandes modelos de lenguaje, o LLM (sistemas que predicen texto e imágenes), suelen estar diseñados para ser agradables y útiles. Ese mecanismo puede empujarlos a reforzar el sesgo de confirmación del usuario, es decir, a darle la razón si la pregunta ya venía cargada con una sospecha.
Además, sus respuestas pueden variar entre sesiones. El tono sigue siendo seguro, pero la base no siempre es robusta.
El engranaje que todavía falla
En el debate que siguió en Hacker News, un radiólogo fue categórico: los modelos actuales siguen siendo mediocres interpretando imágenes médicas. Según explicó, la limitación no está solo en el algoritmo, sino en la falta de grandes bases de datos públicas para entrenarlo, algo trabado por las restricciones de privacidad.
Ese detalle es clave. Una IA puede leer miles de patrones, pero si su “despensa” de casos reales es incompleta, el resultado también lo será. Es como intentar reparar una instalación eléctrica con un manual al que le faltan páginas: algunas luces encienden, otras no, y nadie sabe bien qué interruptor controla cada circuito.
La tecnología avanza. Algunos análisis, como el publicado en Works in Progress, señalan que los modelos más recientes ya se acercan al nivel de un médico residente de primeros años. No parece poca cosa, pero tampoco alcanza para reemplazar a un especialista.
Hay otra diferencia menos visible, pero decisiva: la responsabilidad. Si un médico se equivoca, existe una estructura de licencias, regulaciones y sanciones. Si una IA se equivoca, la carga cae sobre el usuario, que debe gestionar la incertidumbre y sus consecuencias. Finkelstein lo resumió de la forma más humana posible: no puede confiar del todo ni en la IA ni en el diagnóstico inicial.
La oportunidad de estas herramientas es real. Pueden servir para pedir una segunda mirada, detectar inconsistencias o preparar mejores preguntas para un profesional. Pero en asuntos delicados como una resonancia, todavía no son la central de mando. Por ahora, la IA puede iluminar una habitación. El problema es que aún no sabe, con la precisión necesaria, qué cable no debería tocar.
Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.
