Hace meses empecé a hacerle a distintas inteligencias artificiales la misma pregunta que llevo años haciéndome sobre las organizaciones con las que trabajo: qué entienden realmente de quiénes son. No buscaba una sorpresa, sino comprobar si un patrón que había aprendido a reconocer mucho antes de que existiera ChatGPT (en entornos industriales donde la incoherencia entre las partes de un sistema se medía y se pagaba en tiempo real) seguía cumpliéndose en este terreno nuevo. Se cumple. Y lo que revela no es un problema de visibilidad, como suele plantearse. Es un problema de gobierno.

En el debate del último año hemos hablado mucho de si la inteligencia artificial va a restar tráfico a las webs. Es una preocupación legítima, pero probablemente no la más importante para quien dirige una organización sanitaria. La pregunta que sí importa a ese nivel no es cuántas visitas se pierden, sino qué está entendiendo la IA sobre una institución cuando alguien pregunta por ella, y de dónde saca ese entendimiento. Porque los motores generativos como ChatGPT, Gemini o Perplexity, ya no devuelven una lista de enlaces para que el usuario elija: sintetizan una respuesta y la afirman. Y esa respuesta no se construye con lo que la organización dice de sí misma, sino con todas las señales que encuentra sobre ella, coherentes o no.

Un problema viejo con un altavoz nuevo

Conviene ser preciso, porque de aquí se deriva todo lo demás. La inteligencia artificial a veces inventa: el fenómeno está descrito, se llama alucinación, y el propio sector trabaja en corregirlo obligando a los modelos a apoyarse en fuentes verificadas antes de responder. Pero cuando alucina no es aleatorio. Donde encuentra una señal clara y coherente, tiene poco margen para inventar. Donde encuentra señales escasas, dispersas o contradictorias, ese vacío es exactamente donde rellena por su cuenta, o donde elige describir a un competidor con menos autoridad, pero mejor leído por la máquina. La IA no premia a quien más vale. Premia a quien tiene su relato más ordenado, y completa como puede el de quien no lo tiene.

Quien haya dirigido operaciones complejas reconocerá el patrón antes de que lo nombre, porque no es nuevo ni nació con la IA. En una cadena industrial exigente, cada función puede ejecutar su parte de forma impecable (la ingeniería, la calidad, la producción, el área comercial) y aun así el conjunto es entregar un resultado incoherente, porque nadie gobernaba el espacio entre las funciones. Donella Meadows lo formuló como principio general del pensamiento sistémico: el comportamiento de un sistema no se explica por la calidad de sus partes, sino por cómo están conectadas entre sí. Una organización puede estar llena de partes excelentes y producir, en su conjunto, una señal confusa. La IA no ha creado esa confusión. Se ha limitado a leerla, sintetizarla y devolverla a escala, con una fidelidad que antes ninguna herramienta tenía.

Antes de la IA, estaba el paciente

En el sector sanitario esto no es un matiz de marca. Es confianza, y la confianza se construye o se erosiona en cada punto de contacto, no en uno solo. Aquí está la parte que casi nadie mira primero: antes de preguntarse qué dice la IA de una institución, conviene preguntarse qué entendió el paciente. Porque nadie forma su idea de una organización leyendo únicamente su web. La compone sumando señales (lo que le dice el profesional en la consulta, lo que encuentra en una reseña, lo que ve en una

entrevista, lo que le cuenta otra persona) y, si esas señales no dicen lo mismo, no se queda con la mejor versión: se queda con la más confusa. La IA construye su respuesta con esa misma dispersión que ya confundía a las personas. Simplemente lo hace más rápido, con más alcance y sin olvidar.

Por eso lo que está en juego es una cadena, no un episodio aislado. Primero, qué quiere decir la institución de sí misma. Después, si lo dice con la misma voz en cada punto de contacto. Después, si eso que dice llega intacto a quien lo escucha. Y solo al final, si la inteligencia artificial (hoy uno más de esos puntos de contacto, aunque el más nuevo) lo transmite fielmente. Quien intenta gobernar solo el último eslabón sin haber resuelto los anteriores obtiene lo previsible: una IA que repite, con precisión inquietante, una incoherencia que ya existía.

Lo que ningún indicador mide

El Observatorio del Sector Sanitario Privado documenta con rigor que este es un sector de primer nivel por tamaño y por actividad. Pero ninguno de sus indicadores mide lo que la inteligencia artificial ya está midiendo por su cuenta, sin que nadie se lo pidiera: si detrás de la actividad hay un sistema que gobierna la coherencia entre lo que la organización declara, lo que hace y lo que se entiende de ella, o si solo existe el esfuerzo de las personas que, en cada nivel, intentan que todo encaje mientras están. Los indicadores de actividad miden lo que una organización hace. La IA, sin proponérselo, ha empezado a medir algo distinto y más difícil de sostener: si lo que hace compone una imagen coherente cuando se observa desde fuera.

Es una medición incómoda, porque no se puede desactivar ni maquillar con una campaña, y porque está disponible para cualquiera que pregunte: un paciente, un directivo, un periodista, un fondo que estudia una adquisición. En un sector que atraviesa el periodo de mayor concentración de su historia reciente, donde cada integración hereda culturas, narrativas y promesas construidas por otros, esa señal externa deja de ser anecdótica. Cada organización que resulta de una operación es un sistema nuevo que aún no ha sido gobernado como tal, y la IA lo refleja sin cortesía. Pero esa misma dureza es una oportunidad para quien sepa leerla: por primera vez, la incoherencia organizativa deja una huella observable antes de convertirse en crisis. Ver el problema mientras todavía es barato resolverlo es una ventaja de la que antes nadie disponía.

La categoría del problema que no se sabía dónde ubicar

Ante todo esto, el reflejo natural es buscar una solución técnica: ordenar las señales, optimizar la información para los motores, encargar una auditoría. Todo eso es necesario, y llegará el momento de hacerlo bien. Pero conviene no confundir el nivel del problema con el nivel de su síntoma. Hay una diferencia que aprendí a distinguir mucho antes de trabajar con IA, dirigiendo sistemas donde un fallo mal ubicado costaba semanas: la que separa corregir un dato de corregir un sistema. Corregir un dato es reactivo (alguien avisa, se desmiente, y se confía en que no vuelva). Corregir un sistema significa que, la próxima vez que algo se desalinee, el propio diseño lo detecta antes de que llegue a nadie, humano o máquina. La mayoría de las organizaciones vive instalada en lo primero y lo llama gestión de reputación. Pero lo primero solo funciona mientras alguien está encima. En cuanto esa vigilancia se relaja, el sistema se desalinea solo, y la IA, que no descansa, vuelve a recoger la versión equivocada.

Lo que la inteligencia artificial ha hecho, en el fondo, no es plantear un problema nuevo. Es volver visible, medible y público un problema que las organizaciones llevan décadas sin saber exactamente dónde ubicar, porque no era del director médico, ni del de comunicación, ni del de operaciones: era

de todos y de ninguno, de la capa que queda entre las funciones y que casi nunca tiene un responsable explícito. Durante años esa incoherencia se podía posponer, porque solo la veía quien estaba dentro. Ya no. La diferencia entre las organizaciones que saldrán reforzadas de esta etapa y las que la sufrirán no estará en quién adopte antes la última herramienta, sino en quién entienda que este no es un asunto técnico que se delega, sino una cuestión de gobierno que se dirige.

Qué es, en definitiva, la pregunta que merece la pena hacerse, y que ningún indicador de actividad responde. Si hoy le preguntas a una inteligencia artificial por tu organización, ¿reconocerías la respuesta? Y si no la reconoces, ¿estás seguro de que el problema empieza ahí?