La inteligencia artificial ya está transformando la medicina y creando valor clínico y económico. Pero su verdadero alcance no dependerá solo de cuánto consiga automatizar, sino del marco con el que decidamos utilizarla: para hacer lo mismo con menos recursos o para multiplicar -trabajando desde la experiencia de pacientes y profesionales- nuestra capacidad de prevenir, coordinar, cuidar e innovar.

Quizá sea el ámbito clínico uno de aquellos en los que la inteligencia artificial (IA) está demostrando de forma más clara su potencial. Uno de los casos más conocidos es MASAI (Mammography Screening with Artificial Intelligence), un ensayo aleatorizado en el que un sistema de cribado apoyado por IA reorganizó la lectura de las mamografías por los radiólogos. La tasa de detección pasó de 5 a 6,4 cánceres por cada mil mujeres examinadas: un aumento del 29% (Hernström et al., 2025).

Las aplicaciones más conocidas de la IA médica siguen concentrándose en el diagnóstico por imagen y la detección de patrones clínicos. Sin embargo, su uso se extiende también a la predicción de riesgos, la monitorización, el seguimiento, la documentación clínica y la gestión hospitalaria. Su intervención directa en la elección o ejecución autónoma de tratamientos está menos consolidada y presenta una evidencia más heterogénea.

En gestión destaca el sistema de predicción de altas implantado en Johns Hopkins (Levin et al., 2021). El modelo utilizaba datos de la historia clínica electrónica en tiempo real para anticipar qué pacientes podían recibir el alta ese día o al siguiente. Se evaluaron 120.780 predicciones correspondientes a 12.470 pacientes en cuatro unidades. En un estudio pre-post mediante series temporales interrumpidas, su implantación se asoció con una reducción superior a doce horas de estancia en una unidad médica y otra de telemetría, mientras que no se observaron cambios significativos en las otras dos.

Las promesas y los discursos de la inteligencia artificial médica

El discurso dominante comienza con una promesa difícil de rechazar: la inteligencia artificial liberará a los profesionales de tareas administrativas y repetitivas para que puedan dedicar más tiempo al paciente. No se presenta inicialmente como sustituta del médico o de la enfermera, sino como una herramienta para reducir la burocracia, mejorar las decisiones y aliviar la sobrecarga laboral (Topol, 2019; OCDE, 2024).

Esta promesa se acompaña de un discurso de inevitabilidad con dos caras. La primera sostiene que el envejecimiento, la cronicidad, la escasez de profesionales y el crecimiento del gasto harán imposible responder a la demanda sin IA (EIT Health y McKinsey, 2020; OCDE, 2024). La segunda responde a un determinismo tecnológico más elemental: la IA llegará de todos modos, transformará las profesiones y desplazará a quienes no se adapten. En su versión caricaturesca: la IA viene, no puede detenerse y acabará comiéndoos a todos. De ese modo, una determinada forma de implantarla se presenta como si fuera una consecuencia inevitable de la propia tecnología.

El desplazamiento hacia el productivismo se hace visible cuando sus beneficios se expresan fundamentalmente en minutos ahorrados, consultas más breves, pacientes atendidos por turno o necesidades de plantilla. Los ensayos de escribas clínicos del NHS, por ejemplo, destacan tanto el aumento del tiempo de interacción con el paciente como la reducción de la duración de las consultas y el incremento de pacientes atendidos por turno (NHS England, 2026). Un mismo resultado puede significar más tiempo para cuidar o más capacidad para producir actividad.

En el ensayo de Microsoft 365 Copilot realizado en organizaciones del NHS, el tiempo estimado como ahorrado por cada trabajador se convirtió en semanas laborales y centenares de miles de horas potencialmente recuperables por el sistema (Department of Health and Social Care, 2025). Antes de saber qué se hará con ese tiempo y qué efectos producirá, el minuto ahorrado ya aparece contabilizado como ganancia productiva.

Este recorrido reproduce una lógica anterior a la IA: identificar el conocimiento contenido en el trabajo, descomponerlo en tareas, incorporarlo a procedimientos y tecnologías y reducir el espacio de decisión de quien lo realizaba, como ya identificó en su clásico sobre descualificación laboral Braverman en 1974). La diferencia es que la IA médica puede extender ese proceso al conocimiento clínico, la interpretación y la toma de decisiones. Una tecnología presentada para liberar al profesional puede terminar utilizándose para estandarizar su actuación, aumentar su ritmo de trabajo y reducir la dependencia organizativa de su experiencia.

La realidad frente al discurso

La realidad ofrece un contraste importante. Hoy la inteligencia artificial médica no sustituye profesiones completas: automatiza o apoya tareas concretas, como interpretar imágenes, resumir historias clínicas, redactar informes o detectar riesgos. Esto no significa que debamos juzgar su futuro únicamente por sus capacidades actuales. Estas crecerán y se integrarán progresivamente en el trabajo cotidiano. La cuestión relevante no es solo qué puede hacer hoy la IA, sino cómo irá reorganizándose la asistencia a medida que pueda asumir un número mayor de funciones.

El problema tampoco es nuevo. Las sucesivas automatizaciones han tendido a confundir el trabajo con una suma de tareas que pueden aislarse, medirse y trasladarse a una máquina. Así se consiguieron enormes aumentos de productividad, pero también se separaron concepción y ejecución, se redujo la autonomía y se perdió parte del conocimiento práctico de los trabajadores (Braverman, 1974). Trist y Bamforth comprobaron ya en la minería que una tecnología eficiente podía deteriorar las relaciones y la coordinación que sostenían el trabajo (Trist y Bamforth, 1951). No fue necesariamente un mal negocio: muchas organizaciones aceptaron esos costes a cambio de producir más, controlar mejor los procesos y depender menos de trabajadores experimentados.

Con la IA médica aparece, sin embargo, una diferencia decisiva: la automatización alcanza componentes cognitivos del trabajo. La máquina no solo ejecuta o registra, sino que interpreta, sintetiza, predice y recomienda. Puede hacerlo con éxito y, al mismo tiempo, convertir al profesional en supervisor de decisiones que progresivamente deja de elaborar por sí mismo. La literatura advierte sobre el sesgo de automatización, la dependencia y la posible pérdida de habilidades clínicas (Cabitza et al., 2017; OMS, 2021). El riesgo no consiste únicamente en que la IA se equivoque, sino en que funcione lo bastante bien como para reorganizar el trabajo sanitario alrededor de ella sin contabilizar las relaciones, el conocimiento tácito y la capacidad de responder ante lo imprevisto.

La experiencia humana y el valor

La automatización, por tanto, no agota el valor que puede generar una tecnología. Tres experiencias del autor, en ámbitos muy distintos, muestran qué sucede cuando el conocimiento y las relaciones de las personas no se consideran un residuo del proceso, sino una capacidad para comprenderlo, transformarlo e innovar.

La primera tuvo lugar en Mercedes-Benz España, donde varias unidades contables, consideradas meramente administrativas y progresivamente privadas de capacidad de decisión, se transformaron primero en un centro de servicios compartidos para España. En lugar de sustituir a las personas o limitarse a automatizar sus tareas, se implicó a la misma plantilla, sin despidos, en la comprensión y el rediseño de los procesos. El resultado fue un ahorro de tres millones de euros, aproximadamente uno de ellos atribuible al sistema de innovación desarrollado internamente. Pero la transformación más profunda fue otra: el principal producto del nuevo centro dejó de ser la mera ejecución de operaciones contables y pasó a ser la innovación continua y tecnológica de los procesos por parte de quienes mejor los conocían. De ese modo, el centro pudo prestar servicio a toda Europa frente a opciones de menor coste situadas en India y Hungría.

La segunda experiencia se desarrolló en SeniorLab, el laboratorio ciudadano de Citilab en el que las personas mayores dejaron de ser destinatarias pasivas de alfabetización digital para convertirse en creadoras de innovación tecnológica y social. Su experiencia permitió desarrollar soluciones difícilmente imaginables desde un diseño exclusivamente técnico. Entre ellas se encontraba una plataforma codesarrollada por cuidadores de personas con Alzheimer que incorporó necesidades no previstas por los ingenieros, como el descanso y la desconexión temporal del cuidado. No se midió su impacto económico. Sin embargo, en una evaluación basada en Most Significant Change, los participantes relataron menos visitas médicas y, sobre todo, una autonomía mucho mayor frente a sus hijos, que hasta entonces tendían a disponer de su tiempo para encomendarles tareas de cuidado. La experiencia transformada en innovación produjo efectos personales, sociales y sanitarios que excedían ampliamente la finalidad inicial de la tecnología.

La tercera experiencia es la que los lectores conocen a través de los proyectos del Instituto para la Experiencia del Paciente relatados en esta columna. En una encuesta interna a 51 profesionales que habían participado en estas iniciativas, el 92 % informó de la identificación de problemas críticos hasta entonces invisibles, el 64 % percibió mejoras en la eficiencia operativa y el 62 % comunicó efectos sobre la salud. Estos datos no constituyen por sí solos una evaluación causal, pero muestran el patrón observado reiteradamente en los proyectos: integrar el conocimiento clínico de los profesionales, el conocimiento operativo de gestores y equipos asistenciales y el conocimiento vivido, contextual y en buena parte tácito de pacientes y cuidadores hace visibles interdependencias que el análisis aislado de las tareas no detecta.

En ExpaDerm, esa integración permitió relacionar barreras de acceso, errores diagnósticos iniciales, dificultades de derivación y necesidades emocionales, y traducirlas en consultas entre visitas, atención a los brotes, enfermería de casos y nuevos mecanismos de coordinación. La misma lógica estuvo presente en proyectos europeos como ROSIA, TIQUE y CRANE: las soluciones tecnológicas se abordaron dentro de redes que conectaban atención especializada, servicios sociales, familias y recursos comunitarios. El valor clínico, económico y en calidad de vida no surge aquí de sumar opiniones individuales, sino de convertir el conocimiento compartido entre los actores en decisiones y soluciones asistenciales.

Dos marcos mentales: productivismo y valor

Vivimos dentro de un marco mental productivista que rara vez reconocemos como tal porque nos parece la forma natural de entender la economía. Surgido con el capitalismo industrial de los siglos XIX y XX y perfeccionado por el taylorismo y el fordismo, parte de hechos indiscutibles: el trabajo cuesta dinero, la automatización reduce tiempos y producir más con los mismos recursos mejora la eficiencia. Su éxito ha sido enorme. El problema aparece cuando esa parte de la realidad se convierte en la realidad completa. Por eso, ante la inteligencia artificial médica, preguntamos espontáneamente cuántos minutos ahorra, cuántos pacientes adicionales permite atender o cuántas contrataciones podrán evitarse.

Esas preguntas no son falsas, pero dejan otras fuera. No contabilizan el conocimiento que nace de la relación, el error que evita una conversación entre profesionales, la confianza que mejora la adherencia o la coordinación que impide un reingreso. Porter recordó que el valor sanitario no se mide por el volumen de actividad, sino por los resultados alcanzados en relación con su coste (Porter, 2010). Batalden añadió que la atención sanitaria, a diferencia de un producto industrial, siempre es coproducida por profesionales y pacientes (Batalden et al., 2016). Y Gittell mostró que una mejor coordinación relacional puede producir simultáneamente calidad y eficiencia (Gittell, 2000). El marco del valor no niega la productividad: amplía el campo de visión para incluir aquello que la contabilidad de tareas no alcanza a ver.

Shoshana Zuboff identificó hace casi cuatro décadas dos posibilidades de la tecnología informática: automate e informate (Zuboff, 1988). La primera sustituye trabajo y traslada conocimiento y control al sistema; la segunda produce información nueva que permite a las personas comprender mejor su trabajo, decidir y mejorarlo. La IA médica hace especialmente relevante esta distinción porque ya no automatiza únicamente movimientos, cálculos o registros, sino también partes de la interpretación y la decisión clínica. La cuestión no es si debemos renunciar a su capacidad para automatizar, sino si nos limitaremos a contabilizar las tareas y los costes que elimina o sabremos reconocer también el valor que puede generar al ampliar el conocimiento y la capacidad de actuación de las personas.

La experiencia de pacientes y profesionales como punto de entrada

La experiencia de pacientes y profesionales es uno de los elementos clave —aunque no el único— del paradigma de valor cuando se utiliza como punto de entrada para transformar la asistencia. El observatorio impulsado por Sabina De Rosis en 21 hospitales italianos muestra cómo los PREM continuos, las narrativas y la comparación entre unidades pueden convertir esa experiencia en conocimiento operativo para la mejora (De Rosis et al., 2020).

Los resultados son especialmente claros en las transiciones asistenciales. Las intervenciones centradas en pacientes y familias redujeron globalmente los reingresos un 14% (Chartrand et al., 2023), mientras que aquellas que implicaban activamente a los cuidadores lograron una reducción del 17%, frente al efecto prácticamente nulo de las que prescindían de ellos (Levoy et al., 2022). En personas mayores, el programa Your Care Needs You no redujo significativamente los reingresos a 30 días, que constituían su resultado principal, pero sí obtuvo un 13% menos de reingresos acumulados a 90 días y menos incidentes de seguridad comunicados a los 30 días (Murray et al., 2025).

La enfermería gestora de casos lleva esa coordinación más allá del alta. En insuficiencia cardiaca avanzada, se asoció con un 27% menos de ingresos por cualquier causa y con una mejora modesta de la calidad de vida a medio plazo (Checa et al., 2022). Sin embargo, dentro del marco productivista vemos inmediatamente el salario y la actividad directa de esa enfermera —casos gestionados, consultas o satisfacción—, pero no siempre cómo reorganiza el proceso, evita costes en otros puntos o permite prestar una atención diferente. No falta cálculo: el perímetro del cálculo es demasiado estrecho. Estos patrones coinciden con nuestra experiencia en el IEXP, donde el trabajo colaborativo con pacientes y profesionales hace visibles problemas ocultos y señala reiteradamente la coordinación y la continuidad como fuentes de valor.

Todo ello devuelve la discusión a la inteligencia artificial médica. La elección no está entre la IA y las personas, ni entre eficiencia y humanización, sino entre dos formas de entender el valor. Podemos emplear la IA desde el paradigma productivista y medir su aportación en minutos ahorrados, actividad adicional o costes laborales evitados. Ese valor existe, es necesario y puede ayudar a sostener sistemas sanitarios sometidos a una presión creciente. Pero no agota sus posibilidades.

También podemos ampliar el perímetro y preguntarnos qué cambia en el conjunto del proceso, qué costes se evitan en otros lugares y qué nuevas capacidades de prevención, coordinación, cuidado e innovación se hacen posibles. Para ello, la experiencia de pacientes y profesionales debe estar presente antes, durante y después de la implantación: en la elección de los problemas que merece la pena resolver, en el rediseño de la asistencia y en la evaluación de sus efectos. El futuro de la IA médica no dependerá únicamente de todo lo que las máquinas lleguen a hacer, sino de todo lo que decidamos hacer las personas con la capacidad que ponen en nuestras manos.

Bibliografía

1. Hernström V, Josefsson V, Sartor H, et al. “Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI)”. The Lancet Digital Health. 2025;7(3):e175-e183. doi:10.1016/S2589-7500(24)00267-X. Enlace
2. Levin S, Barnes S, Toerper M, et al. “Machine-learning-based hospital discharge predictions can support multidisciplinary rounds and decrease hospital length-of-stay”. BMJ Innovations. 2021;7(2):414-421. doi:10.1136/bmjinnov-2020-000420. Enlace
3. Braverman H. Labor and Monopoly Capital: The Degradation of Work in the Twentieth Century. New York: Monthly Review Press; 1974.
4. Zuboff S. In the Age of the Smart Machine: The Future of Work and Power. New York: Basic Books; 1988. Enlace
5. Porter ME. “What Is Value in Health Care?”. The New England Journal of Medicine. 2010;363:2477-2481. doi:10.1056/NEJMp1011024.
6. De Rosis S, Cerasuolo D, Nuti S. “Using patient-reported measures to drive change in healthcare: the experience of the digital, continuous and systematic PREMs observatory in Italy”. BMC Health Services Research. 2020;20:315. doi:10.1186/s12913-020-05099-4. Enlace
7. Checa Jiménez C, Canelo-Aybar CG, Suclupe S, et al. “Effectiveness and Cost-Effectiveness of Case Management in Advanced Heart Failure Patients Attended in Primary Care: A Systematic Review and Meta-Analysis”. International Journal of Environmental Research and Public Health. 2022;19(21):13823. doi:10.3390/ijerph192113823. Enlace